Qwen2.5-Coder-7B-Instruct模型本地部署，并实现简单的web对话
qwen2-chat，在自己电脑上部署一个聊天机器人，实现简单的chat界面，适用于千问2或者千问2.5的模型。windows环境也通用，修改好对应的路径就可以。
Transformer模型变长序列优化：解析PyTorch上的FlashAttention2与xFormers
本文将进一步探讨变长输入序列这一挑战——这是真实世界数据（如文档、代码、时间序列等）的固有特征。
【人工智能】Transformers之Pipeline（二十七）：蒙版生成（mask-generation）
本文对transformers之pipeline的蒙版生成（mask-generation）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行代码极简的使用多模态中的蒙版生成（mask-generation）模型。
图卷积网络入门：数学基础与架构设计
本文系统地阐述了图卷积网络的架构原理。通过简化数学表述并聚焦于矩阵运算的核心概念，详细解析了GCN的工作机制。
顶会新热门：小波变换×Transformer，效率翻倍的AI图像去噪神奇组合
小波变换与Transformer的结合主要探讨如何利用小波变换的多尺度特性来增强Transformer在处理信号和图像数据时的表现。具体来说，小波变换能够有效提取信号中的局部特征，并在时间和频率域上提供信息，这对于处理复杂的信号（如图像和音频）非常有用。结合小波变换的Transformer可以在保持
1. 使用Python和TensorFlow进行深度学习入门教程，学习如何搭建神经网络并训练模型。
深度学习，就像是一个超级聪明的大脑，能够从大量的数据中学习并提取有用的信息。它就像是一台神奇的机器，能够识别图像、理解语言、甚至预测未来！是不是听起来很酷呢？
【毕业设计】基于机器视觉的施工人员安全装备穿戴检测与识别 人工智能 深度学习 Python 目标检测
毕业设计选题：安全装备穿戴检测系统利用深度学习技术，旨在自动识别和监控工作场所的安全装备佩戴情况。数据集包含四个主要分类：安全帽（佩戴安全帽的人员）、未佩戴安全帽（未佩戴安全帽的人员）、穿反光背心（穿着反光背心的人员）和未穿反光背心（未穿反光背心的人员）。在项目实施中，首先进行数据集划分和准备，接着
人工智能深度学习的经典视觉项目实战之目标追踪(DeepSort,卡尔曼滤波)算法解读
4)如果满足3)的所有线的数量=n，则找到了最优分配，算法结束，否则(例是3行3列矩阵，但满足的线只有2，则3不等以2)进入5)。1）第一个核心模块就是前面求解x1与v1的公式(其中用到的状态转移矩阵)，即x1=x+v*t+(1/2)*u*t,v1=v+ut转为通用矩阵形式 g=Ax+B*u，另外一
自注意力(SelfAttention)原理与代码实战案例讲解
自注意力(Self-Attention)原理与代码实战案例讲解1. 背景介绍1.1 问题的由来在深度学习领域，尤其是在自然语言处理（NLP）中，模型通常需要处理大量连续的文本数据。例如，在文本分类、机器翻译、情感
训练过程训练集的准确率都低于验证集和测试集的准确率可能的原因
需要综合考虑以上原因，通过逐步调整训练策略和超参数设置，找到最佳的训练方法，以提升训练集上的准确率，确保模型在所有数据集上的表现更加均衡和一致。
时间序列中多维度、多变量、多元、多尺度
这样的数据集就是一个多维时间序列，其中每个维度代表着一个气象变量，而时间是序列的主要维度。多变量时间序列是指一个时间序列数据集包含多个解释变量（x1,x2,x3...）和一个相应变量（y1）来表示，这些变量在时间上是相关的。多元时间序列是指一个时间序列数据集包含多个观测变量（如y1，y2，y3...
OpenCV与AI深度学习 | PaddleOCR 2.9 发布， 正式开源文本图像智能分析利器
飞桨低代码开发工具 PaddleX，依托于 PaddleOCR 的先进技术，支持了 OCR 领域的低代码全流程开发能力。通过低代码全流程开发，可实现简单且高效的模型使用、组合与定制。这将显著减少模型开发的时间消耗，降低其开发难度，大大加快模型在行业中的应用和推广速度。
开源模型应用落地-qwen模型小试-Qwen2.5-7B-Instruct-tool usage入门-集成心知天气（二）
使用Qwen-Agent 集成心知天气获取实时天气信息
开源模型应用落地-glm模型小试-glm-4-9b-chat-Gradio集成（三）
使用Gradio提供的友好界面，让开发者和用户能够直观地与GLM-4-9B-Chat模型进行交互。
开源模型应用落地-glm模型小试-glm-4-9b-chat-vLLM集成（四）
GLM-4-9B-Chat集成vLLM，实现推理加速
剪枝技术在边缘计算安全中的角色
剪枝技术在边缘计算安全中的角色关键词：剪枝(Pruning)边缘计算(Edge Computing)安全(Security)深度学习(Deep Learning)模型优化
【AI-20】训练服务器和推理服务器
（一）任务排队与优先级管理。（二）性能监控与优化。（三）便于管理和维护。
开源模型应用落地-glm模型小试-glm-4-9b-chat-快速体验（一）
GLM-4-9B-Chat 是智谱 AI 推出的对话版本模型，具备多轮对话能力、长文本推理（支持最大128K上下文）、网页浏览、代码执行和自定义工具调用等高级功能，性能接近领先模型如 GPT-4，适用于在线客服和教育等领域。
机器学习和深度学习中的logit
logit 值是模型在最后一层的原始输出值，未经过激活函数处理。例如，本例中的 logit 值为0.50.342.410.50.342.41。logit 值可以通过Softmax 函数转换为概率分布，用于分类任务。通过计算，最终概率分布为0.1160.0990.7850.1160.0990.785，
