Nvidia核心技术和用于AI训练的高端工业级显卡
这是 Nvidia 的最新数据中心 GPU，具有高达 80 GB 的显存、6912 个 CUDA 核心和 432 个 Tensor 核心，适用于最大规模的 AI 模型训练和推断。: 这是一款最强大的消费级 GPU，具有高达 72 GB 的显存、4608 个 CUDA 核心和 576 个 Tensor
Meta AI最新出品，全能的分割模型SAM：掀桌子的Segment Anything，CV届的ChatGPT已经到来！
2023年4月5号，Meta AI 发布了通用的分割网络SAM。原文题目只有两个词《Segment Anything》。SAM有望成为，或是已经成为CV领域的ChatGPT。
【pytorch】深度学习所需算力估算：flops及模型参数量
因为8GB显卡的实际可用显存约为7500MB左右，可以满足模型在最大推理batchsize下的显存需求，同时还有一定的余量，可以保证模型能够正常运行。在部署时，需要考虑芯片的显存，是因为显存的大小限制了模型的最大批次大小。如果模型的批次大小超过了显存的大小，那么就无法将整个批次的数据同时加载到显存中
PaddleNLP教程文档
核心API：：数据集快速加载接口，通过传入数据集读取脚本的名称和其他参数调用子类的相关方法加载数据集。： DatasetBuilder 是一个基类，所有的内置数据集都继承自该类，该类的主要功能是下载和读取数据集文件并生成Dataset。贡献者可以通过重写和_read()等方法向社区贡献数据集：Pad
【多模态】CLIP模型
Title: Learning transferable visual models from natural language supervision作者：Alec Radford * 1 Jong Wook Kim * 1 Chris Hallacy 1 Aditya Ramesh 1 Gabr
YoloV8改进策略：InternImage与YoloV8深度融合，动态卷积DCNv3大显神威
他来了！他来了！他带着氩弧焊的光芒过来了！作为CV的大模型，InternImage的光芒太强了。分类任务检测任务分割任务“书生2.5”可根据文本内容需求快速定位检索出语义最相关的图像。这一能力既可应用于视频和图像集合，也可进一步结合物体检测框，具有丰富的应用模式，帮助用户更便捷、快速地找到所需图像资
【深度学习】图像超分实验：SRCNN/FSRCNN
输入大小为h×w的图像X，输出为一个sh×sw的图像 Y，s为放大倍数。本次实验采用的是 BSDS500 数据集，其中训练集包含 200 张图像，验证集包含 100 张图像，测试集包含 200 张图像。数据集来源：https://download.csdn.net/download/weixin_4
AutoGPT也有Web UI了
AutoGPT是一个开源的实验性应用程序，代表了完全自治的GPT-4的示例，作为决策助手，它可以在没有人为干预的情况下实现目标。通过接入互联网来信息收集的使用pinecone将数据存储到本地可以访问GPT-4或GPT-3.5的API。
Adam优化器
简单来说，Adam是带动量的梯度下降算法和RMSProp算法的结合。对梯度的一阶矩估计（First Moment Estimation，即梯度的均值）和二阶矩估计（Second Moment Estimation，即梯度的未中心化的方差）进行综合考虑，计算出更新步长。均方根传播(RMSProp)也维
VLAD Diffusion，一个更好用且易于安装的Stable Diffusion Web UI
VLAD Diffusion 是我们前面介绍过的 AUTOMATIC1111/stable-diffusion-webui的一个定制的更新，它主要是为了更频繁发布的更新和错误修复。
使用Pytorch进行多卡训练
当一块GPU不够用时，我们就需要使用多卡进行并行训练。其中多卡并行可分为数据并行和模型并行。具体区别如下图所示： 由于模型并行比较少用，这里只对数据并行进行记录。对于pytorch，有两种方式可以进行数据并行：数据并行(DataParallel, DP)和分布式数据并行(Distributed
Torch 模型 onnx 文件的导出和调用
OpenNeuralNetworkExchange(ONNX，开放神经网络交换)格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移Torch所定义的模型为动态图，其前向传播是由类方法定义和实现的但是Python代码的效率是比较底下的，试想把动态图转化为静态图，模型的推理速度应当有
SORT与DeepSORT简介
DeepSORT作为一个成熟多目标跟踪算法在很多应用中得到使用。本文对多目标跟踪算法SORT与DeepSORT做简要介绍。
【比赛记录】国电投-光伏电站人工智能运维大数据处理分析比赛
深度学习与Xgbost在光伏电站人工智能运维大数据处理分析中的应用
CVPR 2023 | 旷视研究院入选论文亮点解读
近日，CVPR 2023 论文接收结果出炉。近年来，CVPR 的投稿数量持续增加，今年收到有效投稿 9155 篇，和 CVPR 2022 相比增加 12%，创历史新高。最终，大会收录论文 2360 篇，接收率为 25.78 %。本次，旷视研究院有 13 篇论文入选，涵盖3D 目标检测、多目标跟踪、模
Transformer简介
transformer模型简介，包括编码器（encoder）、解码器（decoder）、训练以及模型训练中的tips。
语义分割基础讲解
（比如像素0对应的是(0,0,0)黑色，像素1对应的是(127,0,0)深红色，像素255对应的是(224,224,129)）。Labelme是一款非常老的标注工具，使用起来非常简单，就是靠你人工一个个点去标，将我们的目标慢慢的框出来。这个标注工具，基于百度提供的预训练模型，这些模型在一些非常大的数
deeplab v3+ 源码详解
deeplab v3+默认使用voc数据集和cityspace数据集，图片预处理部分仅仅读取图片和对应的标签，同时对图片进行随机翻转、随机裁剪等常见图片预处理方式。
训练集、验证集、测试集的作用和划分比例？
训练集、验证集、测试集的作用和划分比例？
论文解读 ——TimesNet 模型
TimeNets 模型
