大家都在用的AI作画Python几行代码就可实现
随着技术的发展，验证码越来越复杂，接下来我们解决常用的几种,需要用到的库有selenium、PIL。
【人工智能概论】 PyTorch可视化工具Tensorboard安装与简单使用
PyTorch可视化工具Tensorboard安装与简单使用
跑YOLOv5遇到的问题
自己在跑YOLOv5过程中遇到的一些问题
怎么下载适合cudn12.0版本的pytorvh
可以通过以下步骤来下载适合 CUDA 12.0 版本的 PyTorch：打开命令行/终端。运行以下命令：pip install torch==1.7.1+cu12 torchvision==0.9.0+cu12 torchaudio==0.9.0 -f https://download.pytorc
【机器学习】XGBoost
XGBoost(eXtreme Gradient Boosting)极度梯度提升树，属于集成学习中的boosting框架算法。对于提升树，简单说就是一个模型表现不好，继续按照原来模型表现不好的那部分训练第二个模型，依次类推。本质思想与GBDT一致，构建多个基学习器使用加法模型，学习前面基学习器的结果
pytorch安装
pytorch安装
自然语言处理系列（一）入门概述
让小白也能轻松入门自然语言处理成为领域大神的专栏。该专栏介绍包括分词、词性分析、语义理解、命名实体识别、依存文法分析和句法分析等核心技术，以及智能问答系统、文本生成、机器翻译、情感分析和文本主题分类等应用场景。不仅有理论基础更有有多个实战案例以及代码详解。.........
cv2.imwrite
cv2.imwrite 是 OpenCV 中用来保存图片的函数。它接受两个参数：第一个参数是保存图片的文件名(包括文件路径)，第二个参数是要保存的图片数据。可以使用 cv2.imread 读取一张图片，然后使用 cv2.imwrite 保存这张图片。示例: import cv2# Read an i
【Visdrone数据集】Visdrone+YOLOv7结果记录
VisDrone数据集在YOLOv7上的结果记录 yolov7很牛
神经网络：训练模型+转化为k210上跑的kmodel
深度学习（1）：训练模型+转化为k210上跑的kmodel
从零构建自己的神经网络————数据集篇
例如，可以将图片文件命名为1.jpg，2.jpg，3.jpg等，对应的标注文件命名为1.txt，2.txt，3.txt等。其中，txt_path是包含数据集信息的文本文件的路径，transform是对数据集进行预处理的函数或变换。每张图片都有一个唯一的标识符（比如图片的文件名或者数据库中的id），在
UG模型边界上的点集生成及获取其三维坐标
UG上自己画的三维模型（.prt）在边界上添加点集，得到边界上密集的点，然后另存为IGS文件，获取该模型上边界点集三维坐标信息，自己写了个程序读取所有点坐标。将UG里面的点批量导出并得到其三维坐标。
【Runtimeerror】解决张量维度不匹配报错信息
【Runtimeerror】解决张量维度不匹配报错信息
适合新手搭建ResNet50残差网络的架构图（最全）
适合新手搭建ResNet50残差网络的架构图+代码（最全），全网最简单详细
Torch对应的torchvision版本
安装torch和torchvision时，两者之间存在依赖关系，版本需要对应起来。
不是Nvidia(英伟达)显卡可以安装CUDA跑深度学习算法吗？
不是Nvidia(英伟达)显卡可以安装CUDA跑深度学习算法吗？
SadTalker AI模型使用一张图片与一段音频便可以自动生成视频
SadTalker模型是一个使用图片与音频文件自动合成人物说话动画的开源模型，我们自己给模型一张图片以及一段音频文件，模型会根据音频文件把传递的图片进行人脸的相应动作，比如张嘴，眨眼，移动头部等动作。然后就可以git sadtalker的工程目录，并安装相应的第三方库，这里主要是torch相关的库，
Streamlit 入门教程：构建一个Dashboard
Streamlit 是一个用于创建数据科学和机器学习应用程序的开源 Python 库。它的主要目标是使开发人员能够以简单的方式快速构建交互式的数据应用，而无需过多的前端开发经验。
2022年高教社杯全国大学生数学建模国赛B题思路
问题1的第（1）问，相当于已经确定1架无人机的位置，另外2架无人机的位置，应该考虑不同无人机位置组合的情况，建立基本的数学模型；（2）问题（2）是问题（1）基础上的深化，应该在问题（1）的基础上进行优化，毋庸置疑，2架是肯定不行的，在某些特定的位置，三架也不见得可以。轨迹外围有9架无人机，根据FY0
ONNXRuntime介绍及如何使用ONNXRuntime进行模型推理
本文介绍了ONNXRuntime的基本使用方法，包括安装ONNXRuntime、加载模型和进行模型推理。ONNXRuntime提供了简单易用的API，使得使用者可以方便地进行模型推理。同时，其高性能、可扩展、跨平台的特点也让其成为一个优秀的深度学习推理引擎。
