人工智能-神经网络
n)取值0或1，分别表示该神经元的抑制和兴奋，每个神经元的状态都受其他神经元的制约，单个的感知器(也叫单感知机)就构成了一个简单的模型(MP模型)，但在现实世界中，实际的决策模型则要复杂得多，往往是由多个感知器组成的多层网络，如下图所示，这也是经典的神经网络模型（也叫多感知机，也叫人工神经网络），由
WideNet:让网络更宽而不是更深
这是新加坡国立大学在2022 aaai发布的一篇论文。WideNet是一种参数有效的框架，它的方向是更宽而不是更深。通过混合专家(MoE)代替前馈网络(FFN)，使模型沿宽度缩放。使用单独LN用于转换各种语义表示，而不是共享权重。
在自定义数据集上微调Alpaca和LLaMA
本文将介绍使用LoRa在本地机器上微调Alpaca和LLaMA
Pytorch激活函数最全汇总
为了更清晰地学习Pytorch中的激活函数，并对比它们之间的不同，这里对最新版本的Pytorch中的激活函数进行了汇总，主要介绍激活函数的公式、图像以及使用方法，具体细节可查看官方文档。
WGAN-gp模型——pytorch实现
【代码】WGAN-gp模型——pytorch实现。
深度学习（8）之 UNet详解（附图文和代码实现）
UNet详解（附图文和代码实现）
初学者关于ConvLSTM的理解
选择最常见的基于Pytorch深度学习框架的ConvLSTM代码，在他人已有注解的情况下，逐行对代码进行详细的注解，供新手理解。
神经网络的主要应用领域,神经网络技术及其应用
我想这可能是你想要的神经网络吧！什么是神经网络：人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的
AI预测彩票，使用chatgpt和lstm神经网络(文末附源码)
AI预测彩票，使用chatgpt和lstm神经网络(文末有彩蛋)
单位冲激函数卷积的计算问题
所谓一居上行正中央说的是1在第一行的正中，依次斜填切莫忘说的是一直向右上方填，上出框时往下填是斜填到方框上面去了，就放在这竖行的最下边，右出框时左边放是说斜填到右框外面，就在横行左边放，排重便在下格填是斜填上面有数字了，就在自己的下面放，右上排重一个样就是右上格上面没有格子了，就和排重一样，放在自己
PSO优化的BP神经网络
????欢迎来到智能优化算法的世界????博客主页：卿云阁????欢迎关注????点赞????收藏⭐️留言????????本文由卿云阁原创！????本阶段属于筑基阶段之一，希望各位仙友顺利完成突破????首发时间：????2021年1月7日????✉️希望可以和大家一起完成进阶之路！????作者水平
【AI帮我写代码，上班摸鱼不是梦】手摸手图解CodeWhisperer的安装使用
CodeWhisperer是亚⻢逊出品的一款基于机器学习的通用代码生成器，可实时提供代码建议。在编写代码时，它会自动根据您现有的代码和注释生成建议。从单行代码建议到完整的函数，它可为您提供各种大小和范围的个性化建议。CodeWhisperer 还可以扫描您的代码以突出显示和定义安全问题。CodeWh
MaskFormer：将语义分割和实例分割作为同一任务进行训练
本文中将介绍Facebook AI Research在21年发布的一种超越这些限制的实例分割方法MaskFormer。
FPN和PAN的内容及区别
FPN和PAN都是用于解决在目标检测中特征金字塔网络(FPN)在多尺度检测任务上的不足的方法。下面分别详细介绍一下它们的原理和区别。
深度学习基础及实现的必备步骤
深度学习基础--深度要素和步骤，以及相关算法讲解
如何在PS2023中安装神经网络滤镜离线安装包
如何在PS2023中安装神经网络滤镜离线安装包
轻量级的深度学习框架Tinygrad
Tinygrad是一个轻量级的深度学习库，它提供了一种简化和直观的方法来理解和实现神经网络。在本文中，我们将探讨Tinygrad及其主要功能，以及它如何成为那些开始深度学习之旅的人的有价值的工具。
神经网络单元测试 1 ~14单元
将1000张尺寸为28×32的彩色图片存储在多维数组pic中，pic的形状为____，对pic进行切片操作“pic[0]”之后，得到的数组是____。将5000张尺寸为28×32的彩色图片存储在多维数组pic中，要提取出pic中索引值为9—19（索引从0开始）的图片的G通道，应使用______。
快速了解机器视觉(CV)基础知识
机器视觉快速入门知识点梳理
训练后量化(PTQ) 工作流理解
目前神经网络在许多前沿领域的应用取得了较大进展，但经常会带来很高的计算成本，对内存带宽和算力要求高。另外降低神经网络的功率和时延在现代网络集成到边缘设备时也极其关键，在这些场景中模型推理具有严格的功率和计算要求。神经网络量化是解决上述问题有效方法之一，但是模型量化技术的应用会给模型带来额外噪音，从而
