丹摩智算：如何在云端开发一个AI应用——基于UNet的眼底血管分割案例
丹摩智算低价狂欢节开始，4090、显示器等神秘好礼等待大家！
MaskRCNN 在 Windows 上的部署教程
在’train’模式下，主要关注dataset、weights和logs参数，确保它们正确指向了训练所需的数据集、权重文件和日志目录。在’splash’模式下，除了上述参数外，还需要关注image或video参数，确保它们正确指向了要检测的目标图像或视频文件。同时，weights参数应指向一个已训练
Transformer——逐步详解架构和完整代码搭建
Transformer是一个经典的编码解码结构，编码器decoder负责编码，解码器encoder负责解码。Transformer是基于seq2seq的架构，提出时被用在机器翻译任务上，后面变种Swin Transformer和Vision Transformer让其在CV领域也大放异彩。
解析数论基础：第三十三章 零点分布（二）
解析数论基础：第三十三章 零点分布（二）作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming关键词：解析数论、黎曼ζ函数、零点分布、素数定理、蒙哥马利猜想、配对相关函数、随机矩阵理论1. 背景介绍
SparkStreaming的最佳实践案例分享
在当今数据密集型应用的时代，实时数据处理和分析已经成为许多企业和组织的核心需求。Apache Spark是一个开源的大数据处理框架,它提供了一个统一的环境来进行批处理、交互式查询和流式计算。Spark Streaming作为Spark生态系统中的一个重要组成部分,专门用于实时数据流的处理,可以从多种
Qwen2-57B-A14B预训练
Qwen2-57B-A14B作为一个强大的MoE模型,在保持较小激活参数规模的同时,实现了优秀的性能表现,为大规模语言模型的应用提供了新的可能性。任务中表现优异,超越了当前主流的MoE开源模型。SwiGLU激活函数。
梯度下降Gradient Descent原理与代码实例讲解
梯度下降Gradient Descent原理与代码实例讲解1. 背景介绍1.1 机器学习中的优化问题在机器学习中,我们经常需要解决各种优化问题。比如在训练一个模型时,我们希望通过最小化损失函数(loss
ResNet原理与代码实例讲解
ResNet原理与代码实例讲解1. 背景介绍1.1 问题的由来在深度学习领域，随着网络层数的增加，模型的训练难度也在增加。深层网络容易陷入梯度消失或梯度爆炸的问题，导致训练效率低下。这一现象在深层神经网络结构中尤为明显，比如在卷积神经网络（
多任务学习MultiTask Learning原理与代码实例讲解
多任务学习算法通常旨在最小化所有任务的损失函数之和。在联合训练框架中，可以通过最小化多任务损失函数来实现这一目标。多任务损失函数可以是每个任务损失的加权和，或者更复杂的组合，如最小化每个任务损失的同时保持任务之间的差异。首先，明确要解决的任务集。每个任务都定义其相应的损失函数，如交叉熵损失、均方误差
多模态大模型：技术原理与实战 智能试穿
多模态大模型：技术原理与实战 智能试穿1. 背景介绍1.1 多模态大模型的兴起近年来,随着深度学习技术的飞速发展,多模态大模型(Multimodal Large Models)成为人工智能领域的研究热点。多模态大模型能够同时
使用TensorRT进行加速推理（示例＋代码）
TensorRT 是 NVIDIA 开发的一款高性能深度学习推理引擎，旨在优化神经网络模型并加速其在 NVIDIA GPU 上的推理性能。它支持多种深度学习框架，并提供一系列优化技术，以实现更高的吞吐量和更低的延迟。TensorRT（NVIDIA Tensor Runtime）是由 NVIDIA 开
药品包装或质量控制
这段代码是一个完整的工作流程，从图像的读取、预处理、特征提取、分类器训练、分类、后处理到结果展示。它适用于自动化药片识别和分类的场景，例如在药品包装或质量控制中。
【论文精读】Fully Sparse 3D Occupancy Prediction
团队：南京大学，上海人工智能实验室时间：2023年12月代码：https://github.com/MCG-NJU/SparseOcc。
Mem0 与 MultiOn：打造个性化 AI 辅助研究助手
Mem0 是一个为大型语言模型（LLMs）设计的智能记忆层。它能够存储和检索用户相关的信息，为 AI 应用提供个性化的上下文。多层次记忆存储自适应个性化简单易用的 API跨平台一致性。
自制深度学习推理框架之入门基础
从零自制深度学习推理框架，主要介绍了环境配置和基础库的使用。
从【人工智能】到【计算机视觉】，【深度学习】引领的未来科技创新与变革
本文系统性地介绍了人工智能、机器学习、深度学习、算法和计算机视觉的基础知识、核心技术和实际应用。从基本概念到高级技术，本文旨在为读者提供一个全面的学习指南，帮助他们深入理解和掌握AI领域的关键内容。人工智能的未来发展将更加广泛和深入。随着技术的进步，AI将在更多的领域得到应用，带来新的机遇和挑战。未
Qwen2-1.5B-Instruct Lora微调
最近做了一个基于Qwen2-1.5B-Instruct模型的比赛，记录一下自己的微调过程。怕自己以后忘了我就手把手一步一步来记录了。大多数都是给小白看的，如果你是小白建议你用jupyter运行，按照我这个模块一块一块运行，如果你是高手单纯的想找一个训练代码直接看模块10，我在提供了完整代码。
[paper阅读笔记][2024]Learning with Noisy Foundation Models
本文任务虽然是：在下游任务中有效地利用含噪声的预训练基础模型，但其实其本质科学问题是：如何在存在数据噪声的情况下保持和提升模型的泛化能力。
Transformer模型
Transformer模型是一种在自然语言处理（NLP）及其他序列到序列（Seq2Seq）任务中广泛使用的深度学习模型框架。其基本原理和核心组件，尤其是自注意力机制（Self-Attention Mechanism），对于理解该模型的工作方式至关重要。以下是对Transformer模型基本原理和自注
Mixup原理与代码实例讲解
Mixup原理与代码实例讲解作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming1. 背景介绍1.1 问题的由来随着深度学习在各个领域的广泛应用，如何提高模型泛化能力
