【Windows环境下nerfstudio环境配置及复现（含tinycudann安装、poster数据）】
在Windowsx64系统，在虚拟环境python3.8、CUDA11.8、torch2.1.2的环境配置下，搭建了nerfstudio的实验环境。其中，将tinycudann、仓库拉取超时等问题做了详细的解决方法记录，以供有需要的人借鉴。
【人工智能】【机器学习】-好书推荐之《Python神经网络编程》
《Python神经网络编程》（原书名：Make Your Own Neural Network）是一本深度学习领域的入门级书籍，由Tariq Rashid撰写。这本书的独特之处在于它从零开始讲解神经网络的基础知识，同时提供了详细的编程实例，让读者能够亲手构建一个简单的神经网络。
头部大厂最看好的AI赛道？百度英伟达合办的智能体大赛了解一下
百度英伟达合办的智能体大赛
压缩大型语言模型(LLMs):缩小10倍、性能保持不变
尽管LLMs的巨大规模使其在广泛的应用场景中表现卓越,但这也为其在实际问题中的应用带来了挑战。本文将探讨如何通过压缩LLMs来应对这些挑战。我们将介绍关键概念,然后通过具体的Python代码实例进行演示。
Datawhale AI 夏令营 Task1：跑通YOLO方案baseline！
夏令营Task 1
人脸操作：从检测到识别的全景指南
人脸操作技术从检测到识别，再到特征提取，涵盖了计算机视觉中多个重要方面。通过掌握这些技术，你可以在许多实际应用中实现人脸处理的功能，从而推动智能系统的应用和发展。希望本文能够帮助你更好地理解和应用人脸操作技术，为你在计算机视觉领域的探索提供有用的参考。
6种有效的时间序列数据特征工程技术（使用Python）
在本文中，我们将探讨使用日期时间列提取有用信息的各种特征工程技术。
查看、指定使用的 GPU 数量和编号
在使用 PyTorch 框架时，可以通过以下步骤查看可用的 GPU 数量，指定使用的 GPU 编号，并在代码中体现这一点。
FoundationPose复现
FoundationPose简单复现
机器学习概述,深度学习,人工智能,无监督学习,有监督学习,增量学习,预处理,回归问题,分类问题
学习的核心在与改善性能，通过数据对算法的反复锤炼，不断提升函数预测的准确性，直至获得能够满。有些情况每个样本的每个特征值具体的值并不重要，但是每个样本特征值的占比更加重要。将学习过程和应用过程统一起来，在应用的同时，以增量的方式不断学习新的内容，边训练、边预测。根据样本数据，建立用于联系输出和输出的
【diffusers极速入门（七）】Classifier-Free Guidance （CFG）直观理解以及对应代码
由于 Classifier-Free Guidance (CFG) 相关的理论解释博客已经很多了，本文不涉及理论推导，而侧重直观理解和对应的 diffusers 代码。
Datawhale X 魔搭 AI夏令营 Task1
从零入门AI生图原理&实践
jax 和 jaxlib 的 cuda 版本安装
笔者花费时间才在 Ubuntu 20.04 适配上 jax 和 jaxlib 的 cuda 版本安装，以及 chex 版本。
使用 lmdeploy 部署 internlm/internlm2_5-7b-chat
使用 lmdeploy 部署 internlm/internlm2_5-7b-chat
跟着李沐动手学深度学习（一）
本篇文章为李沐老师线性神经网络的学习笔记。使用Python编程语言及其强大的科学计算库（PyTorch）来实现线性回归模型。通过编写代码、运行实验和观察结果，我们将更加直观地理解线性回归模型的工作原理。
Python酷库之旅-第三方库Pandas(054)
第三方库Pandas(054)
AI带你快速阅读
项目评估：整个项目的实验难度系数不大，但是可以给实践者对rag机器人的构造有一个初步的了解，帮助实践者在以后工作中根据需求轻松搭建出自己工作需要的协助机器。而我在实践过程中，因为时间安排的问题，没能在给定时间中实现llm在硬件Orin NX上的部署，而我的未来将会弥补这个不足，将现有rag机器调用的
以文档处理为例：豆包API调用教程
以文档处理为例：豆包API调用教程
Qwen2-1___5B-Instruct 推理
Union[List[Dict[str, str]], List[List[Dict[str, str]]]], 一个字典列表，其中每个字典包含 'role' 和 'content' 键，表示至今的对话记录。Optional[List[Dict[str, str]]] = None, 一个字典列表，
linux安装cuda版petsc和slpec
/configure --with-cc=gcc --with-cxx=g++ --with-fc=gfortran --with-cuda=1（启用cuda） --download-petsc4py --download-mpich --download-fblaslapack --with-cu
