AI：02-基于深度学习的动物图像检索算法的研究
本文介绍了一种基于深度学习的动物图像检索算法，采用ResNet50作为特征提取器，通过计算特征向量之间的相似度，实现了高效准确的图片检索。我们提供了相应的代码实现，供读者参考。首先，该算法的核心思想是使用深度学习模型提取图片的特征向量，然后通过计算这些特征向量之间的相似度，实现对于动物图片的快速检索
使用PyTorch实现混合专家(MoE)模型
在本文中，我将使用Pytorch来实现一个MoE模型。在具体代码之前，我们先简单介绍混合专家的体系结构。
经典神经网络论文超详细解读（八）——ResNeXt学习笔记（翻译＋精读＋代码复现）
ResNeXt论文（《Aggregated Residual Transformations for Deep Neural Networks》）超详细解读。翻译＋总结。文末有代码复现
MobileOne（CVPR 2023）原理与代码解析
针对移动设备的高效深度学习架构的设计和部署已经取得了很大进展，很多轻量模型在减少浮点操作（floating-point operations, FLOPS）和参数量（parameter count）的同时不断提高精度。但是就延迟latency而言，这些指标没有很好的与模型的效率关联起来，像FLOPs
深度学习-瓶颈结构（Bottleneck）
深度学习-瓶颈结构（Bottleneck）
人脸识别实战之基于开源模型搭建实时人脸识别系统（二）：人脸检测概览与模型选型
进行人脸识别首要的任务就是要定位出画面中的人脸，这个任务就是人脸检测。人脸检测总体上算是目标检测的一个特殊情况，但也有自身的特点，比如角度多变，表情多变，可能存在各类遮挡。早期传统的方法有Haar Cascade、HOG等，基本做法就是特征描述子+滑窗+分类器，随着2012年Alexnet的出现，慢
AI数字人：语音驱动人脸模型Wav2Lip
2020年，来自印度海德拉巴大学和英国巴斯大学的团队，在ACM MM2020发表了的一篇论文《A Lip Sync Expert Is All You Need for Speech to Lip Generation In The Wild 》，在文章中，他们提出一个叫做Wav2Lip的AI模型，
探索人工智能：深度学习、人工智能安全和人工智能编程（文末送书）
对人工智能三个方向的应用进行探讨，介绍机器人技术的历史、技术及应用。讲解一些更高级的计算机博弈技术，包括跳棋、国际象棋和其他博弈游戏。
毕业设计-基于深度学习的行人车辆闯红灯实时检测算法系统 YOLO python 卷积神经网络 人工智能
毕业设计-基于深度学习的行人和机动车闯红灯检测算法的毕业设计系统。该系统利用YOLOv5目标检测算法来实时监测交通场景中的行人和机动车，并通过红绿灯分类模型判断是否存在闯红灯行为。设计系统具有高效准确的检测能力，并能及时提供违规行为的警示。该算法系统不仅为交通管理提供了重要的辅助工具，也为实现智慧城
【多模态】4、Chinese CLIP | 专为中文图文匹配设计
本文主要介绍 Chinese CLIP
毕业设计选题- 基于深度学习的海洋生物目标检测系统 YOLO 人工智能
毕业设计选题：基于深度学习的海洋生物目标检测，旨在设计和实现一种高效准确的算法来识别和检测海洋中的生物目标。通过采用深度学习技术，结合海洋生物图像数据集和目标检测模型，我们展示了如何训练一个能够在复杂水下环境中实现精准目标检测的算法。本研究的成果将有助于海洋生物学研究、环境监测和保护等领域的发展，为
【全网最详细】使用PyTorch实现循环神经网络
循环神经网络（RNN）是一种用于序列数据的神经网络，常用于语言建模、翻译和音乐生成等任务。RNN是基于前一个时间步的输入和当前时间步的状态来预测下一个时间步的输出。这使得RNN在处理连续数据时非常有效，因为它可以利用上一个时间步的信息来更新其状态并生成新的输出。RNN模型的核心是“循环”结构。在传统
使用知识图谱提高RAG的能力，减少大模型幻觉
在使用大型语言模型(llm)时，幻觉是一个常见的问题。LLM生成流畅连贯的文本，但往往生成不准确或不一致的信息。防止LLM产生幻觉的方法之一是使用提供事实信息的外部知识来源，如数据库或知识图谱。
AI：118-基于深度学习的法庭口译实时翻译
基于深度学习的法庭口译实时翻译随着全球化进程的不断深化，法庭面临了越来越多来自不同语言和文化背景的当事人，这使得法庭口译工作显得尤为重要。传统的口译方法在效率和准确性方面存在挑战，因此需要一种更先进的、能够实时翻译的系统来满足法庭口译的需求。
毕业设计项目：基于springboot+深度学习的人脸识别会议签到系统设计与实现
毕业设计项目：基于springboot+深度学习的人脸识别会议签到系统设计与实现
使用PyTorch实现去噪扩散模型
在本文中，我们将深入研究DDPM的复杂性，涵盖其训练过程，包括正向和逆向过程，并探索如何执行采样。在整个探索过程中，我们将使用PyTorch从头开始构建DDPM，并完成其完整的训练。
anaconda3安装教程及更改默认环境保存路径
anaconda安装详细教程及更改默认环境保存路径
服务器GPU性能测试流程
PCIe 3.0的每个通道为1GB/s，PCIe 4.0的每个通道的理论带宽是2GB/s，x16插槽有16个通道，因此理论总带宽为32GB/s，实际带宽通常会受到各种因素的影响，包括硬件性能、系统负载和传输模式。这是一个简单的测试程序，测试为GPU显存与服务器内存间双向带宽测试，包括Host To
【文本摘要（2）】pytorch之Seq2Seq
本代码已跑通，若有问题欢迎留言，一起交流探讨注释部分结合之前改废的代码加的，方便自己理解如有理解不对的地方，还请过路的大佬们指点一二
ubuntu22安装cuda12.3、cudnn8.9.6及NVIDIA TAO TOOLKIT
ubuntu22搭建nvidia tao toolkit开发环境，保姆级教程。
