3D生成技术再创新高：VAST发布Tripo 2.0，提升AI 3D生成新高度
随着《黑神话·悟空》的爆火，3D游戏背后的AI 3D生成技术也逐渐受到更多的关注。虽然3D大模型的热度相较于语言模型和视频生成技术稍逊一筹，但全球的3D大模型玩家们却从未放慢脚步。无论是a16z支持的Yellow，还是李飞飞创立的World Labs，3D大模型的迭代速度一直在稳步前进。近日，国内3
深度学习加速：在Conda环境中安装cuDNN库的详细指南
对于使用Conda管理环境的深度学习研究者和开发者来说，能够在Conda环境中安装cuDNN是一个重要的需求。虽然Conda不直接支持cuDNN的安装，但通过本文的指南，你应该能够成功地在Conda环境中安装和配置cuDNN。在开始安装之前，我们需要了解cuDNN的基本概念和它在深度学习中的作用。c
人工智能在行业中的应用
人工智能在行业中的应用：数据处理与分析：利用计算机视觉、机器学习等技术，对传感器收集到的数据进行处理和分析，实现对车辆周围环境的精准感知。人工智能（AI）作为当前科技领域的热点，其在各行业中的应用日益广泛，深刻改变着传统行业的运作模式，并推动着社会经济的持续进步。智能诊断：通过分析患者的病历、影像等
【AI学习】陶哲轩在 2024 年第 65 届国际数学奥林匹克（IMO）的演讲：AI 与数学
陶哲轩介绍到被数学家接受并开始普及的方法：形式化证明辅助工具
扩散引导语言建模(DGLM):一种可控且高效的AI对齐方法
扩散引导语言建模(Diffusion Guided Language Modeling, DGLM)。DGLM旨在结合自回归生成的流畅性和连续扩散的灵活性,为可控文本生成提供一种更有效的方法。
交叉熵损失与二元交叉熵损失：区别、联系及实现细节
在机器学习和深度学习中，交叉熵损失（Cross-Entropy Loss）和二元交叉熵损失（Binary Cross-Entropy Loss）是两种常用的损失函数，它们在分类任务中发挥着重要作用。本文将详细介绍这两种损失函数的区别和联系，并通过具体的代码示例来说明它们的实现细节。
手把手Pytorch安装及配置教程(Vscode/Anaconda/CUDA/Pytroch)
安装完毕后，其实对这些软件之间的关系有一些感觉了，我们有必要了解一下我们安装这些软件和它们之间的关系，这样以后安装就不用看教程了。注意，如果自己的显卡驱动已经更新过了，可以跳过这一节，检查驱动版本方法：Win+r打开cmd，输入nvidia-smi。注意，这里如果是之前一直打开的cmd窗口，输入nv
大语言模型应用指南：从人工智能的起源到大语言模型
人工智能（Artificial Intelligence，AI）自诞生以来，一直是计算机科学领域的重要研究方向。早期的AI系统主要依赖于专家知识和规则库，通过逻辑推理和符号计算来解决问题。然而，这种基于规则的系统在处理复杂和多变的现实世界时，表现出了明显的局限性。随着数据量的爆炸式增长和计算能力的提
基于深度学习的情感生成与交互
基于深度学习的情感生成与交互是一个新兴的研究领域，旨在通过深度学习技术生成具有情感的反应，以增强人机交互的自然性和有效性。该技术涉及情感识别、自然语言处理、计算机视觉等多个领域，并在多个应用场景中展现出潜力。
深度学习环境搭建
本文简要介绍深度学习环境的配置
神经网络与深度学习深入剖析
神经网络（Neural Networks, NN）是一种模仿人脑工作原理的计算模型，它由大量的节点（或称为神经元）组成，这些节点通过层次化的方式组织成输入层、隐藏层和输出层。每个节点都与其他节点通过权重连接，并且每个节点都有一个激活函数，用于决定该节点是否被激活。
神经网络—ResNet50网络（pytorch）
神经网络—ResNet50网络代码实现（pytorch）
SCoRe: 通过强化学习教导大语言模型进行自我纠错
这是谷歌9月发布在arxiv上的论文，研究者们提出了一种新方法**自我纠错强化学习(SCoRe)**,旨在使大语言模型能够在没有任何外部反馈或评判的情况下"即时"纠正自己的错误。
【AI大模型】深入Transformer架构：编码器部分的实现与解析（上）
编码器部分:* 由N个编码器层堆叠而成 * 每个编码器层由两个子层连接结构组成 * 第一个子层连接结构包括一个多头自注意力子层和规范化层以及一个残差连接 * 第二个子层连接结构包括一个前馈全连接子层和规范化层以及一个残差连接掩代表遮掩，码就是我们张量中的数值，它的尺寸不定，里面一般只有1和0的元素，
VisionTS：基于时间序列的图形构建高性能时间序列预测模型，利用图像信息进行时间序列预测
本文将讨论以下几个方面： - 图像如何在内部编码序列信息？ - 利用预训练计算机视觉模型进行时间序列分析的概念 - ***VisionTS***：一种适用于时间序列数据的预训练Vision Transformer模型。
开源模型应用落地-Qwen2.5-7B-Instruct与vllm实现推理加速的正确姿势（一）
Qwen2.5-7B-Instruct集成vllm，流式输出
Minstrel自动生成结构化提示，让AI为AI写提示词的多代理提示生成框架
LangGPT作为一个结构化的提示设计框架，具有良好的系统性和可重用性，易于学习和使用。Minstrel能够通过多代理协作自动生成高质量的结构化提示，在某些情况下甚至超过人类专家的表现。结构化提示（无论是Minstrel生成还是手动编写）在指导LLMs执行任务时表现更好，特别是对于较大规模的模型。然
真的没有AI能通过草莓测试？GPT-4o也不行！
真的没有AI能通过草莓测试？GPT-4o也不行！
探索人工智能绘制宇宙地图的实现
由于它分析了距离地球很远的区域，因此得到的模拟结果反映了遥远的过去，揭示了有关天体在数千年间如何移动的新信息。虽然了解恒星很重要，但绘制行星表面的物理地图在短期内可能更有帮助，尤其是在太空探索兴起的情况下。随着模型通过更多数据得到改进，它们可以为更安全的太空旅行提供信息，或提供对太阳耀斑或超新星等活
开源模型应用落地-qwen模型小试-调用Qwen2-VL-7B-Instruct-更清晰地看世界-集成vLLM（二）
掌握Qwen2-VL与vLLM集成，提升职业发展增添强大的竞争力
