深度学习与图像识别：如何使用深度学习进行图像识别
深度学习是一种基于多层神经网络的机器学习方法，能够从大量的数据中自动提取特征和规律，从而实现复杂的任务，如图像识别。使用深度学习进行图像识别的通常方法是：构建一个以图像为输入，以类别或标签为输出的神经网络模型，然后利用大量的带有标注的图像数据来训练这个模型，使其能够在新的图像上做出正确的预测。- 数
深度学习实战（四）：行人跟踪与摔倒检测报警
深度学习实战（X）：行人跟踪与摔倒检测报警1. 项目简介1.1 相关工作2.方法简介2.1 总体结构2.2 骨架的图结构2.3 空间图卷积网络2.3.1 Sampling Function2.3.2 Weight Function2.3.3 空间图卷积2.3.4 时空模型2.4 划分子集2.5 注
GPT系列简介与gpt训练（nanoGPT）
GPT系列简介与gpt训练（nanoGPT）
利用ChatGPT高效撰写论文？？？
大家好，我是研路科研人。今天我来和大家分享如何使用ChatGPT高效撰写学术论文。我想分享这篇文章的原因是因为前几天，我刚刚利用ChatGPT成功完成了我的硕士论文，这给我带来了很大的帮助和启示。我目前指导的大四、研三和博士毕业班的学生们也在为完成论文而奋斗。借此机会，我想与大家分享一些有用的方法。
通俗易懂的GPT原理简介
综上所述，GPT是自然语言处理领域中最强大的模型之一，它的出色表现已经使得它在各种应用场景中得到了广泛的应用。
pytorch进阶学习（三）：在数据集数量不够时如何进行数据增强
1. 尺寸放大缩小2. 旋转（任意角度，如45°，90°，180°，270°）3. 翻转（水平翻转，垂直翻转）4. 明亮度改变（变亮，变暗）5. 像素平移（往一个方向平移像素，空出部分自动填补黑色）6. 添加噪声（椒盐噪声，高斯噪声）
labelme安装与使用制作VOC数据集
VOC数据集可以用于目标检测、目标分割。该文件夹下有三个关键的子文件。分别为：ImageSets,JPEGImages,SegmentationClassPNGJPEGImages该文件夹下一般放置原图;SegmentationClassPNG存放标记图片；制作好数据集就可以开始训练模型了。
U-net网络详解
U-net网络详解
使用大语言模型集成工具 LangChain 创建自己的论文汇总和查询工具
Langchain可以帮助开发人员构建由大型语言模型(llm)支持的应用程序。所以本文将介绍如何使用LangChain来创建我们自己的论文汇总工具。
LabVIEW人工智能深度学习指南
使用LabVIEW实现图像分类、目标检测、图像分割、文字识别、人脸识别等深度视觉项目
YOLOv5识别图像内苹果和香蕉
训练YOLOv5，识别图像内的苹果和香蕉。
目标检测算法——农业作物开源数据集汇总（收藏）
🎄🎄近期，小海带在空闲之余收集整理了一批农业作物开源数据集资源供大家参考。整理不易，小伙伴们记得一键三连喔！！！🎈🎈
（跨模态）AI作画——使用stable-diffusion生成图片
自从DallE问世以来，AI绘画越来越收到关注，从最初只能画出某些特征，到越来越逼近真实图片，并且可以利用prompt来指导生成图片的风格。前不久，stable-diffusion的v1-4版本终于开源，本文主要面向不熟悉huggingface的同学，介绍一下stable-diffusion如何使用
深度学习中常见概念（收敛、优化器、学习率等）
选择最优学习率是很重要的，因为它决定了神经网络是否可以收敛到全局最小值。选择较高的学习率，它可能在你的损失函数上带来不理想的后果，因此几乎从来不能到达全局最小值，因为你很可能跳过它。所以，你总是在全局最小值附近，但是从未收敛到全局最小值。选择较小的学习率有助于神经网络收敛到全局最小值，但是会花费很多
人工智能的未来趋势和发展方向
人工智能和机器人技术正在以前所未有的速度发展，对社会和经济产生深刻影响。本文将探讨人工智能和机器人领域的未来趋势和发展方向，重点关注以下几个方面：通用人工智能、人机协作、强化学习、迁移学习、边缘计算以及道德和法律议题。人工智能和机器人领域的未来趋势和发展方向呈现出多样性和前瞻性。通用人工智能、人机协
anaconda保姆级安装教程（非常细）
Anaconda安装教程(保姆级)，流程清晰，非常详细。供python、深度学习初学者配置环境时进行参考。
国内怎么玩chatGPT-chatGPT中文版入口
目前，国内有一些可用的ChatGPT模型和平台，可以方便用户使用。以下是一些代表性的中文ChatGPT模型和平台：THU Transformer: 清华大学自然语言处理实验室开发的中文自然语言处理模型，基于GPT模型架构进行研发，提供了文本生成、问答、文本分类等功能。百度PaddleNLP：百度开发
LoRA:大模型的低秩自适应微调模型
对于大型模型来说，重新训练所有模型参数的全微调变得不可行。Microsoft 提出了低秩自适应大大减少了下游任务的可训练参数数量。
Keras---基本使用（一）
Keras 的核心数据结构是 model，一种组织网络层的方式。最简单的模型是 Sequential 顺序模型，它由多个网络层线性堆叠。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神经网络图。构造数据numpy.random.normalnumpy.random.nor
深入浅出PaddlePaddle函数——paddle.arange
paddle.arange(start=0, end=None, step=1, dtype=None, name=None)· 深入浅出TensorFlow2函数——tf.range· 深入浅出Pytorch函数——torch.arange当表示浮点类型时，为了避免浮点计算误差，建议给加上一个极小
