[医疗 AI ] 3D TransUNet：通过 Vision Transformer 推进医学图像分割
医学图像分割在推进医疗保健系统的疾病诊断和治疗计划中起着至关重要的作用。U 形架构，俗称 U-Net，已被证明在各种医学图像分割任务中非常成功。然而，U-Net 基于卷积的操作本身限制了其有效建模远程依赖关系的能力。为了解决这些限制，研究人员转向了以其全局自我注意机制而闻名的 Transformer
深度学习环境配置超详细教程【Anaconda+Pycharm+PyTorch(GPU版)】
深度学习环境配置超详细教程【Anaconda+Pycharm+PyTorch(GPU版)】
Splitwise：使用相位分裂实现高效生成式 LLM 推理
24年5月来自华盛顿大学和微软的论文“Splitwise: Efficient Generative LLM Inference Using Phase Splitting”。
讲解基于图神经网络的情绪识别深度学习模型DGCNN（附基础原理讲解和代码讲解）
频谱图理论 (Spectral Graph Theory)是用线性代数概念（如特征向量和特征值理论）研究图的性质。（想要简单了解频谱图理论可以参考这个视频。DGCNN的基础是Chebynet。Chebynet是一种频谱图神经网络（Spectral GNNs）在频谱域中操作，具体指的是在图的拉普拉斯矩
self-attention(自注意力) 和 cross-attetion（交叉注意力） 中的差异
自注意力和交叉注意力的差异
【人工智能】九种神经网络模型
人工神经网络 (ANN) 是人工智能深度学习的一个基本概念。它们在处理传统机器学习算法难以处理的复杂应用场景方面至关重要。神经网络是解决复杂问题的强大工具。它们可以学习和适应数据，并且在各个行业都有广泛的应用。对于任何想要深化人工智能和深度学习技能的人来说，它们都是必不可少的。
秃姐学AI系列之：残差网络 ResNet
假如你只想在卷积神经网络了解一个网络，那一定是ResNet！！！
基于ssm的林木生长管理系统
1.背景介绍在我们的日常生活中，森林资源的管理和保护是一个重要的环保议题。为了有效地管理森林资源，许多科研机构和政府部门正在寻找更高效的技术手段。这就是我们今天要讨论的主题：基于SSM的林木生长管理系统。SSM是Spring MVC、Spring和MyBatis三个开源框架的缩写。这三个框架在Jav
LSS (Lift, Splat, Shoot)论文精读
自动驾驶车辆的感知目标是从多个传感器中提取语义表示，并将这些表示融合到单一的“鸟瞰视图”坐标系中，供运动规划使用。我们提出了一种新的端到端架构，它可以直接从任意数量的相机图像数据中提取场景的鸟瞰视图表示。我们方法的核心思想是将每个图像单独“提升”到每个相机的特征锥体中，然后“涂抹”所有锥体到一个光栅
深度学习环境的配置
介绍:关于深度学习的框架有很多，比如国外的Pytorch，TensorFlow，Keras等等，国内的话例如百度的PaddlePaddle，华为的MindSpore。我们学习的以Pytorch为主，因为目前Pytorch是主流趋势，pytorch是动态框架，tensorflow是静态框架，动态框架可
MemLong: 基于记忆增强检索的长文本LLM生成方法
本文将介绍MemLong，这是一种创新的长文本语言模型生成方法。MemLong通过整合外部检索器来增强模型处理长上下文的能力，从而显著提升了大型语言模型（LLM）在长文本处理任务中的表现。
【AI大模型】ChatGPT模型原理介绍（上）
ChatGPT 是由人工智能研究实验室 OpenAI 在2022年11月30日发布的全新聊天机器人模型, 一款人工智能技术驱动的自然语言处理工具. 它能够通过学习和理解人类的语言来进行对话, 还能根据聊天的上下文进行互动, 真正像人类一样来聊天交流, 甚至能完成撰写邮件、视频脚本、文案、翻译、代码等
Deep QNetworks (DQN)原理与代码实例讲解
1.背景介绍Deep Q-Networks (DQN) 是一种结合了深度学习和强化学习的算法，它由 DeepMind 在 2013 年提出，用于解决一系列 Atari 游戏，取得了显著的成功。DQN 是一种强化学习算法，它的目标是学习一个策略，使得累积的奖励最大。与传统的 Q-learning 算法
一文彻底搞懂 Fine-tuning - 超参数（Hyperparameter）
最近这一两周看到不少互联网公司都已经开始秋招提前批了。不同以往的是，当前职场环境已不再是那个双向奔赴时代了。求职者在变多，HC 在变少，岗位要求还更高了。最近，我们又陆续整理了很多大厂的面试题，帮助一些球友解惑答疑，分享技术面试中的那些弯弯绕绕。
【爆火】TransUNet：融合Transformer与U-Net的医学图像分割神器！
在医学图像分割领域，传统的U-Net模型已经取得了显著成果。然而，随着Transformer在计算机视觉领域的崛起，将其与U-Net结合的TransUNet模型成为了新的热门。TransUNet是一种融合了Transformer和U-Net结构的深度学习模型，旨在提高医学图像分割的精度。它结合了Tr
数据集 | 人脸公开数据集的介绍及下载地址
本文介绍了人脸相关算法的数据集。
一切皆是映射：DQN的实时性能优化：硬件加速与算法调整
一切皆是映射：DQN的实时性能优化：硬件加速与算法调整作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming关键词强化学习，深度Q网络，DQN，实时性能优化，硬件加速，算法调整，实时控制，动态规划
Datawhale X 李宏毅苹果书 AI夏令营-深度学习入门 Task 2
L1N∑nenLN1n∑en随机找到一组初始数值θ0θ0然后对每一个未知参数都计算对L的微分之后再集合起来，组成一个向量gg∂L∂θ1∣θθ0∂L∂θ2∣θθ0⋮\vdotsg∂θ1∂L∣θθ0∂θ2∂L∣θθ0⋮向量gg▽Lθ0g▽Lθ0。
【人工智能】Transformers之Pipeline（十七）：文本分类（text-classification）
本文对transformers之pipeline的文本分类（text-classification）从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍，读者可以基于pipeline使用文中的2行代码极简的使用NLP中的文本分类（text-classification
AI：247-YOLOv8改进 | 基于ContextGuided的轻量级下采样方法实现大幅度性能提升
通过引入残差连接，减缓信息丢失，并促进梯度流动。：利用密集连接方式，增强特征重用，提高信息传递效率。：引入注意力机制，动态调整下采样过程中的特征权重。本文介绍了在YOLOv8中引入的ContextGuided下采样方法，以提升目标检测性能，特别是对小目标的检测效果。通过在YOLOv8的Backbon
