过拟合解决
常见过拟合问题解决
深入了解平均精度(mAP)：通过精确率-召回率曲线评估目标检测性能
平均精度（Average Precision，mAP）是一种常用的用于评估目标检测模型性能的指标。
Pytorch:手把手教你搭建简单的全连接网络
利用pytorch搭建简单全连接网络的步骤，适合初学者快速上手
使用pytorch实现LSTM自动AI作诗（藏头诗和首句续写）
数据来源于chinese-poetry，最全中文诗歌古典文集数据库最全的中华古典文集数据库，包含 5.5 万首唐诗、26 万首宋诗、2.1 万首宋词和其他古典文集。诗 人包括唐宋两朝近 1.4 万古诗人，和两宋时期 1.5 千古词人。实验使用预处理过的二进制文件tang.npz作为数据集，含有575
深入浅出Pytorch函数——torch.tensor
torch.tensor(data, *, dtype=None, device=None, requires_grad=False, pin_memory=False)
低成本攒机跑深度学习AI
概述如何机子攒一台配置不错价格不高的深度学习丐版服务器
Transformer详解（李沐大神文字版，干货满满！）
使用图和文字记录下了李沐大神的Transformer论文逐段精度视频，方便大家后续快速复习。
[踩坑记] CUDA环境下bitsandbytes安装报错/异常解决
部署大模型LLaMA的过程中安装量化工具包bitsandbytes问题解决
（小伞每日论文速读）2023视觉领域的SOTA！InternImage究竟何方神圣？
计算机视觉领域的SOTA又又又被赣爆了！！！InternImage——基于可变形（抽样）卷积的领域内SOTA！（重振卷积荣光，消灭ViTs暴政！）
Segment Anything模型结构解读
论文地址代码下载官网关于Segment Anything的理解1.人工标注过程使用公开数据集训练，并且让人工标注团队进行标注预测的mask，该过程总共进行6次，并产生430万个mask2.半自动标注过程模型产生的置信度相对较高的mask，不需要人工标注，而置信度相对不高的mask，由人工完成标注。举
七款非常好用的 ChatGPT 开源插件
这是一个基于chatGPT实现的Github机器人，可以让chatGPT帮你审核代码、重构代码，还可以在Github页面上和它进行聊天，咨询问题。
LLaMA模型文件 (搬运工)
如果要使用huggingface transformer训练LLaMA，需要使用额外的转换脚本（具体详见huggingface官网。建议提前确认自己的huggingface版本。或者使用上述已经被转换好的。但是申请的审批时间一般都很长。才能获得官方模型权重。
PyTorch-Forecasting一个新的时间序列预测库
PyTorch- forecasting是一个建立在PyTorch之上的开源Python包
YOLOv8 Bug及解决方案汇总
m = getattr(torch.nn, m[3:]) if 'nn.' in m else globals()[m] # get module
常见AI模型参数量-以及算力需求评估
不同的算法模型对计算能力的要求不同，对于视频分析场景，通过业界主流ISV在该AI推理卡的测试结果来看，在每路视频的分辨率为不低于1080P，帧率不低于25帧，同屏检测目标数不低于5个的情况下，每路视频需要5.5T(INT8)的算力进行解析。参考业界流行的视频训练算法(表一、第四章)，训练一个模型需要
深度学习中的训练和验证损失
深度学习是机器学习的一个分支，包括使用人工神经网络。特别是，深度学习算法允许计算机程序学习和发现大量数据中的模式。人工神经网络是受生物体中生物神经网络工作原理启发的算法。人工神经网络通常由相互连接的节点和权重组成。因此，输入信号首先通过称为神经元的节点传递。然后，这些神经元被一个函数激活并乘以权重以
2023年华中杯C题计算结果
经过一晚上代码的编写，论文的写作，C题完整版论文已经发布，注：蓝色字体为说明备注解释字体，不能出现在大家的论文里。黑色字体为论文部分，大家可以根据红色字体的注记进行摘抄。对应的详细的写作视频教程，争取1号晚上发布，空气质量预测与预。
Meta 开源语音 AI 模型支持 1,100 多种语言
本周一Meta 又开源了新的语音模型MMS，并且发布了支持1100种语言的预训练模型权重
ptuning v2 的 chatglm垂直领域训练记录
第二我要减小十倍的学习率，观察一下减小十倍的学习率能不能提升ptuning的效果。基于终端的交互，基于简单界面的交互，基于fastapi框架提供的接口进行交互。从中国大百科爬下来的数据，有一些标题的输入是比较短的。喜欢大模型的小伙伴可以加我的 15246115202 一起交流训练大模型所需要的细节都
DDPM代码详细解读(1)：数据集准备、超参数设置、loss设计、关键参数计算
DDPM代码详细解读(1)：数据集准备、超参数设置、loss设计、关键参数计算
