Chat GPT国内懒人专用版（基于镜像网站开发使用）
小伙伴们肯定都知道沸沸扬扬的Chat GPT（全名：Chat Generative Pre-trained Transformer），美国Open AI研发的聊天机器人程序 ，于去年11月30日发布。ChatGPT是人工智能技术驱动的工具，它能够通过理解和学习人类的语言来进行对话，还能根据聊天的上
【2】YOLOv8原理解析：重新定义实时目标检测的速度和精度
YOLOv8原理解析！
深度学习环境配置(pytorch版本)----超级无敌详细版（有手就行）
全体目光向我看齐，我宣布个事：看完这个，妈妈再也不用担心我不会配置深度学习环境了！！！
NILM非侵入式负荷识别（papers with code、data）带代码的论文整理——(论文及实现代码篇) 全网最全
非侵入式负荷识别（NILM,non-intrusive load monitoring）领域的深度学习论文及代码实现，全网最全。
【AIGC】6、Segment Anything | Meta 推出超强悍可分割一切的模型 SAM
本文主要介绍 segment anything
【满血Buff】ChatGPT科普篇，三段式介绍，内含各种高效率插件
本篇博客采用三段论的叙事方式进行时下流行的人工智能工具ChatGPT的科普。
对 ChatGLM-6B 做 LoRA Fine-tuning
ChatGLM-6B 是一个支持中英双语的对话语言模型，基于 GLM (General Language Model)。它只有 62 亿个参数，量化后最低 (INT4 量化) 只需要 6GB 的显存，完全可以部署到消费级显卡上。在实际使用这个模型一段时间以后，我们发现模型的对话表现能力确实非常不错。
PyTorch 深度学习实战 | 基于生成式对抗网络生成动漫人物
生成式对抗网络（Generative Adversarial Network, GAN）是近些年计算机视觉领域非常常见的一类方法，其强大的从已有数据集中生成新数据的能力令人惊叹，甚至连人眼都无法进行分辨。本文将会介绍基于最原始的DCGAN的动漫人物生成任务，通过定义生成器和判别器，并让这两个网络在参
《从零深入理解Yolo系列v1-v8全家桶 + 目标检测面试提问》
从零深入理解Yolo系列理论v1-v8
b站B导的yoloV7版本添加注意力机制
yolov7增加注意力机制（b导版本）
如何搭建chatGPT4.0模型-国内如何用chatGPT4.0
在国内，目前可以通过以下途径使用 OpenAI 的 ChatGPT 4.0：自己搭建模型：如果您具备一定的技术能力，可以通过下载预训练模型和相关的开发工具包，自行搭建 ChatGPT 4.0 模型。OpenAI提供了相关的软件开发工具，包括Python API，也有为一些主流应用框架提供可用的API
Transformer模型入门详解及代码实现
本文对Transformer模型的基本原理做了入门级的介绍，意在为读者描述整体思路，而并非拘泥于细微处的原理剖析，并附上了基于PYTORCH实现的Transformer模型代码及详细讲解。
local_rank，rank，node等理解
node，rank，local_rank
如何高效优雅的完成一次机器学习服务部署？一文详解部署难点以及实战案例
数据准备：从公共数据集中获取数据，并进行数据清洗和特征工程处理，将数据转化为适合机器学习算法处理的格式。创建SageMaker Notebook实例：通过AWS Management Console或AWS SDK创建SageMaker Notebook实例，并连接到实例。编写代码：在Noteboo
YOLOV8最强操作教程.
yolov8详细训练，验证，推理教程。还带哔哩哔哩操作视频讲解喔，包你秒懂！
Transformer中解码器decoder的详细讲解（图文解释）
Transformer中解码器decoder的详细讲解（图文解释）
【语音唤醒】TC-ResNet：移动设备上实时关键词检测的时域卷积算法
语音唤醒端到端算法
目标检测算法——YOLOv7改进|增加小目标检测层
目标检测算法——YOLOv7改进|增加小目标检测层。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS
图像处理-特征融合：相加、拼接、Attention
图像处理-特征融合：相加、拼接、Attention特征融合是指来自不同层或分支的特征的组合，是现代网络体系结构中很常见的一种操作。图像处理的特征融合中，对于普遍的多尺度融合，广泛操作是直接将他们相加或者拼接起来！即通常通过简单的操作（例如求和或串联）来实现，但是，这不一定是最佳选择。随着Transf
Focal loss 损失函数详解
Focal loss
