超详细的的PyTorch安装教程，成功率高，适合初学者，亲测可用。
Anaconda安装配置PyTorch深度学习教程，简单好用。
LSTM和双向LSTM讲解及实践
慢慢的将各种双向LSTM全部都将其搞定都行啦的回事与打算。
minigpt4搭建过程记录，简单体验图文识别乐趣
从3月开始，aigc进入了疯狂的开端，正如4月12日无界 AI直播 在《探索 AIGC 与人类合作的无限可能》中关于梳理的时间线一样，aigc的各种产品如雨后春笋般进入了不可逆的态势，里面有句话很形象，人间一日，AIGC十年。这产变革像是有计划性的沧海桑田，让每个参与者亦或者体验者都感觉时过境迁，本
一文教你使用租赁的GPU平台跑yolov5
本篇文章是对笔者前几天学习过程的一个记录，鉴于这类文章较少，写出来方便后来者。本文侧重于yolov5的快速使用，原理部分概括较少，希望你看完本文章后也能成功进行目标检测。GPU租赁平台：https://www.autodl.com/homeyolov5官方代码：https://github.com/
计算GMAC和GFLOPS
GMAC 代表“Giga Multiply-Add Operations per Second”（每秒千兆乘法累加运算），是用于衡量深度学习模型计算效率的指标。它表示每秒在模型中执行的乘法累加运算的数量，以每秒十亿 (giga) 表示。
分割一切？手把手教你部署SAM+LabelStudio实现自动标注
最近Open-mmlab开源了Playground项目，将最近引起CV界轰动的SAM(Segment Anything Model)模型和Open-mmlab多个视觉框架相结合，可实现多种视觉任务的自动标注，本文将采用Open-mmlab的Playground开源项目，使用SAM和LabelStud
手把手教你SAM(segment anything)官方代码本地调用
手把手教你SAM(segment anything)官方代码本地调用
使用PyTorch搭建VGG模型进行图像风格迁移实战（附源码和数据集）
使用PyTorch搭建VGG模型进行图像风格迁移实战（附源码和数据集）
深度学习卷积神经网络CNN之 VGGNet模型主vgg16和vgg19网络模型详解说明（理论篇）
VGGNet模型是大规模视觉识别挑战赛竞赛的第二名，六组实验，对应6个不同的网络模型，这六个网络深度逐渐递增的同时，也有各自的特点。实验表明最后两组，即深度最深的两组16和19层的VGGNet网络模型在分类和定位任务上的效果最好。从VGG背景、VGGNet模型结构、特点（创新、优缺点及新知识点）、各
TimesNet复现结果
复现环境：RTX3090，22312GB显存，torch=1.8.1+cu111；大约71.3%的准确率，比论文里贴出来的差很多（73.6）。没改网络结构和超参数，直接训练。
NLP大模型微调答疑
我理解ChatGLM-6B模型是走完 “预训练-SFT-RLHF” 过程训练后的模型，其SFT阶段已经有上千指令微调任务训练过，现在我们只是新增了一类指令数据，相对大模型而已，微调数据量少和微调任务类型单一，不会对其原有的能力造成大的影响，所以我认为是不会导致灾难性遗忘问题，我自己微调模型也没出现此
毕业设计-基于大数据的股票预测系统-python
毕业设计-基于大数据的股票预测系统-python:随着股票市场的不断发展，产生了大量的股票数据。但这 些历史数据往往被人们所忽略它们的价值或者在对历史数据 进行分析的过程中，难以深层次的挖掘出真正的对人们有用的 价值，信息的利用率较低。并且股票市场向来“阴晴不定”，股价 的高低起伏很大，而股票的价格
AIGC技术周报｜图灵测试不是AGI的智力标准；SegGPT：在上下文中分割一切；ChatGPT能玩好文字游戏吗？
「AIGC技术周报」将为你带来最新的paper、博客等前瞻性研究。
扩散模型（Diffusion model）代码详细解读
扩散模型的代码解读
Meta:segment anything
令人惊讶的是，我们发现一个简单的设计可以满足所有三个约束条件：一个强大的图像编码器计算图像嵌入，一个提示编码器嵌入提示，然后两个信息源在一个轻量级的掩码解码器中进行组合以预测分割掩码。在自然语言处理领域，以及近年来的计算机视觉领域，基础模型是一种有前途的发展，通常可以通过“提示”技术实现对新数据集和
NSFW 图片分类
NSFW指的是不适宜工作场所（"Not Safe (or Suitable) For Work;"）。在本文中，将介绍如何创建一个检测NSFW图像的图像分类模型。
【深度学习】常见的神经网络层（上）
在深度学习中常见的神经网络层的讲解
卷，卷，卷，SAM发布不到24h | BAAI、浙大、北大联合推出SegGPT
在这项工作中，我们提出了一种通用的分割模型，展示了如何设计适当的训练策略，充分利用上下文视觉学习的灵活性。然而，我们的工作也存在缺点。虽然我们的工作引入了一种新的随机着色机制，以提高上下文训练的泛化能力，但也使得训练任务本质上更加困难，这可能是在具有丰富训练数据的领域内任务中表现较差的原因，例如AD
语义分割中的一些模型的分类汇总
语义分割是深度学习中的一个重要应用领域。自Unet提出到现在已经过去了8年，期间有很多创新式的语义分割模型。简单的总结了Unet++、Unet3+、HRNet、LinkNet、PSPNet、DeepLabv3、多尺度attention、HarDNet、SegFormer、SegNeXt等10个语义分
2.1.1 摄像头
摄像头是目前自动驾驶车中应用和研究最广泛的传感器，其采集图像的过程最接近人类视觉系统
