pytorch复习笔记--nn.Embedding()的用法
nn.Embedding()产生一个权重矩阵weight，其shape为（num_embeddings, embedding_dim），表示生成num_embeddings个具有embedding_dim大小的嵌入向量；输入input的形状shape为（batch_size, Seq_len），ba
使用Dino+SAM+Stable diffusion 自动进行图片的修改
SAM 可以准确识别和提取图像中的对象，与Stable Diffusion 相结合，可以对分割后的图像进行细微的更改。
vscode运行.ipynb代码时提示需要安装ipykernel包的解决办法
此文目的是为了记录遇到的一些问题，也希望能帮助到和我一样遇到困难的同学。如需转载，请注明出处。在使用vscode运行.ipynb文件中提示需要安装ipykernel包的提示，在网上查询了很多方法之后也是终于解决了问题。写下这篇博客也希望能帮到大家。
Swin Transformer之相对位置编码详解
Swin Transformer中非常核心之一即为相对位置编码，在此我将试图将其掰开了揉碎了进行讲解，尽可能以比较形象的方式进行理解。
PyTorch深度学习实战 | 基于深度学习的电影票房预测研究
基于深度学习的映前票房预测模型(Cross&Dense网络结构模型)，该模型通过影片基本信息如：电影类型、影片制式、档期和电影的主创阵容和IP特征等信息对上映影片的票房进行预测。本篇采用451部电影作为训练模型，最后再在194部影片上进行测试，模型的绝对精度为55%，相对精度为92%。该模型在使用相
阿里巴巴达摩院通义千问【附申请链接】阿里版ChatGPT
阿里云作为数一数二的全球云平台，阿里的大语言模型通义千问还是值得期待的，凭借强大的算力支持还是有机会赶上人工智能发展浪潮。早前阿里巴巴达摩院关于人工智能机器人的研讨信息引起不少关注，当时达摩院也对比测试百度的文心一言。现在阿里巴巴自己的人工智能机器人也上线开测，正式名称为通义千问，由阿里巴巴达摩院研
stable diffusion打造自己专属的LORA模型
通过Lora小模型可以控制很多特定场景的内容生成。但是那些模型是别人训练好的，你肯定很好奇，我也想训练一个自己的专属模型（也叫炼丹～_～）。甚至可以训练一个专属家庭版的模型（family model），非常有意思。将自己的训练好的Lora模型放到stableDiffusion lora 目录中，同时
一键式AI绘画，让你也能体验当画师的魅力（附原理分析）
AI绘画无疑在最近掀起了一阵热潮，本篇文章首先提供了一个一键式的AI绘画功能包，能够轻松让大家完成AI绘画的操作，在演示之后也分析AI绘画内部所蕴含的AI知识原理。
多模态模型学习1——CLIP对比学习 语言-图像预训练模型
学了一些多模态的知识，CLIP算是其中最重要也是最通用的一环，一起来看一下吧。CLIP的全称是Contrastive Language-Image Pre-Training，中文是对比语言-图像预训练，是一个预训练模型，简称为CLIP。该模型是 OpenAI 在 2021 年发布的，最初用于匹配图像
深度学习中的各种数据增强方法大全
深度学习中的各种数据增强方法大全
yolov7环境搭建——Windows
Windows下深度学习环境搭建
GPT-4 VS ChatGPT：训练、性能、能力和限制的探索
GPT-4是一种改进，但是应该适当降低期望当OpenAI在2022年末推出ChatGPT时，震惊了全世界。这个新的生成式语言模型预计将彻底改变包括媒体、教育、法律和技术在内的整个行业。简而言之，ChatGPT听起来可以颠复一切。甚至在我们没有时间真正设想一个ChatGPT后的世界之前，OpenAI又
DeepSpeed配置参数 - 快速上手
针对DeepSpeed的几组重要的参数进行说明
Pytorch运行过程中解决出现内存不足的问题
1. 前提利用Transformer模型进行O3浓度的反演2. 问题2.1 速度慢一开始模型是在CPU上面跑的，为了加快速度，我改成了在GPU上跑方法如下：1、验证pytorch是否存在GPU版本在Pycharm命令行输入import torchprint(torch.cuda.is_availab
chat gpt 常见角色及对应的提示词汇总
提示词的存在让ChatGPT能够扮演特定的角色，对用户的回答更加专业对口。
Segment Anything阅读笔记
这篇文章最近有点火，已经有1万多star了。
机器学习数据集----训练集、测试集以及验证集
其中，Ytrain为正确的标签，y_score为输出概率值，thresholds1为阈值，当 y_score>thresholds1时预测为正样本；随机将样本划分为训练集（70%）和测试集（30%），用训练集训练模型，用测试集验证模型及参数。接着再把样本打乱，重新选择训练集和测试集，继续训练模型和验
【个人记录 | UNet | 整理ing】
和UNet做好朋友：代码/框架/整理/阅读
CVPR2023论文及代码合集来啦~
80、半监督学习、弱监督学习/无监督学习/自监督学习。36、行为识别/动作识别/检测/分割/定位。46、场景重建/视图合成/新视角合成。74、迁移学习/domain/自适应。23、图像复原/图像增强/图像重建。26、图像去噪/去模糊/去雨去雾。32、人脸生成/合成/重建/编辑。35、图像&视频检索/
深度学习图像识别笔记（三）：yolov5检测结果分析
yolov5学习
