【增量学习】7种典型场景
所有训练样本属于同一个任务，并分批到达。
linux-ubuntu20网卡驱动安装AX201
实测安装上了AX201的驱动，从无到有。内核直接使用最新的即可，其余安装部分都与上述教程相同。
植物数据集-全面多种杂草识别的数据集
CWD30数据集，专为作物杂草识别任务设计。CWD30包含219,770张高分辨率图像，涵盖20种杂草和10种作物的不同生长阶段、多角度视角和多种环境条件。数据集从不同地理位置和季节的农田收集，确保了数据的代表性。其分层分类法实现了细粒度分类，有助于开发更精确和强大的深度学习模型。广泛的基线实验表明
【AI前沿】计算机视觉的10个突破性进展:实际应用、挑战与方向
【AI前沿】计算机视觉的10个突破性进展:实际应用、挑战与方向
科研论文必备：10大平台和工具助你高效查找AI文献
Research Rabbit是一款基于引文网络的文献检索及可视化工具，它可以根据用户提供的种子文献，自动推荐相关文献，并以可视化的方式展示文献之间的关系，可查看领域大牛及学者间的合作关系。Connected Papers是一款基于引文网络的文献检索与分析工具，它可以根据用户提供的一篇种子文献，构建
【重磅升级】基于大数据的股票量化分析与预测系统
本项目利用 Python 网络爬虫技术从某财经网站网站实时采集A股各大指数、个股的 K线数据、公司简介、财务指标、机构预测、资金流向、龙虎榜等数据，并进行 KDJ、BOLL等技术指标的计算和收益率的量化计算，构建股票数据分析与预测系统，深入挖掘板块热点、资金流向、市场估值等，并利用 Tensorfl
VSCode入门操作| 配置anaconda终端完整顺畅版
全流程适合新手以及换新机重新配置存档。配好后能够直接运行 python、pip、conda 命令，而无需担心环境的选择问题。一旦激活 Anaconda 环境，VSCode 的终端会使用 Anaconda 环境中的 Python 解释器和库，确保能够顺畅使用该环境中的所有包和依赖项。
用国产AI大模型通义千问写论文的保姆级教程（附AI写作工具）
之前咱们出过两篇保姆级教程，分别是用ChatGPT写学术论文和用Kimi写论文的教程，今天我选择的是阿里巴巴出品的ai大模型通义千问，亲测一下用通义千问写出来的论文初稿水平如何。通过AI的联系上下方功能和角色扮演功能，非常快速完成论文初稿的建立，而对于论文内容润色和细化，则需要不断通过提问AI，提问
如果你的PyTorch优化器效果欠佳,试试这4种深度学习中的高级优化技术吧
在深度学习领域，优化器的选择对模型性能至关重要。
2. 将GitHub上的开源项目导入(clone)到(Linux)服务器上——深度学习·科研实践·从0到1
目录1. 在github上搜项目 (以OpenOcc为例）2. 转移到码云Gitee上3. 进入Linux服务器终端 (jupyter lab)4. 常用Linux命令5. 进入对应文件夹中导入项目(代码)
【MADRL】反事实多智能体策略梯度（COMA）算法
反事实多智能体策略梯度法COMA (Counterfactual Multi-Agent Policy Gradient) 是一种面向多智能体协作问题的强化学习算法，旨在通过减少策略梯度的方差，来提升去中心化智能体的学习效果。COMA 算法最早由 DeepMind 团队提出，论文标题为 "Count
开源模型应用落地-工具使用篇-JMeter（一）
使用JMeter工具压测AI服务链路，及时发现潜在的性能瓶颈
【人工智能环境搭建】Win11+WSl2+Ubuntu+CUDA+cuDNN+Pytorch搭建教程
作为一名科班研究生，在科研环境方面踩了很多坑，历时两天终于搭建成功环境，借此契机想将其中的坑之处与大家分享，帮助刚入门的小白避免一些坑。下面就开是我们今天的教程吧！本次教程版本：Win11、WSL2、Ubuntu22.04、CUDA12.4、cuDNN8.9.7、Pytorch2.4.1、pytho
【人工智能】新手版手写数字识别
MNIST数据集包含60000个训练集和10000测试数据集。分为图片和标签，图片是28x28的像素矩阵，标签为0~9共10个数字所搭建的网络不包括输入层的情况下，共有7层：5个卷积层、2个全连接层 其中第一个卷积层的输入通道数为数据集图片的实际通道数。MNIST数据集为灰度图像，通道数为1 第1个
医学图像分割，Transformer+UNet的14种融合方法
在此框架内，Cross Transformer 模块采用可扩展采样来计算两种模态之间的结构关系，从而重塑一种模态的结构信息，以与 Swin Transformer 同一局部窗口内两种模态的相应结构保持一致。在编码器中，输入的MRI扫描X∈RC×H×W×D，具有C个通道(模态)，H×W的空间分辨率和D
半监督学习 (SemiSupervised Learning) 原理与代码实例讲解
在机器学习领域，数据集通常分为两类：带有标签的数据（有监督学习）和未带标签的数据（无监督学习）。有监督学习方法需要大量带有标签的数据来训练模型，而无监督学习方法则利用未带标签的数据进行模式识别和聚类。然而，获取大量高质量的标签数据往往成本高昂且耗时。半监督学习（Semi-Supervised Lea
GPU服务器使用SD- WebUI容器镜像快速将文本生成图像
Stable Diffusion WebUI（以下简称SD-WebUI）镜像通过DeepGPU工具（例如AIACC Deepytorch）进行加速，您无需深入了解复杂的机器学习模型推理优化细节，便可开箱即用。对于需要文本生成图像的业务场景，在GPU实例上部署SD-WebUI容器镜像后可以提供更快的计
打造全场景、跨领域、多模态的AI工作流 | 开源图像标注工具 X-AnyLabeling v2.4.0 正式发布！
X-AnyLabeling 是一款基于AI推理引擎和丰富功能特性于一体的强大辅助标注工具，其专注于实际应用，致力于为图像数据工程师提供工业级的一站式解决方案，可自动快速进行各种复杂任务的标定。
ultralytics-yolo-webui ：Detect 目标检测 工具-先行版本 ＞＞ DataBall
通过webui 方式对ultralytics 的 detect 检测任务 进行： 1）数据预处理，2）模型训练，3）模型推理。本项目提供了 示例数据集，用 labelImage标注，标注文件为 xml 文件。项目地址：https://github.com/XIAN-HHappy/ultralyti
三种Transformer模型中的注意力机制介绍及Pytorch实现：从自注意力到因果自注意力
本文深入探讨Transformer模型中三种关键的注意力机制：自注意力、交叉注意力和因果自注意力。我们不仅会讨论理论概念，还将使用Python和PyTorch从零开始实现这些注意力机制。
