深度强化学习（DRL）简介与常见算法（DQN，DDPG，PPO，TRPO，SAC）分类
简单介绍深度强化学习的基本概念，常见算法、流程及其分类（持续更新中），方便大家更好的理解、应用强化学习算法，更好地解决各自领域面临的前沿问题。欢迎大家留言讨论，共同进步。
Informer：比Transformer更有效的长时间序列预测
目录AAAI 2021最佳论文：比Transformer更有效的长时间序列预测BackgroundWhy attentionMethods:the details of InformerSolve_Challenge_1:最基本的一个思路就是降低Attention的计算量，仅计算一些非常重要的或者说
大型语言模型的推理演算
本文详细阐述了大型语言模型推理性能的几个基本原理，不含任何实验数据或复杂的数学公式，旨在加深读者对相关原理的理解。此外，作者还提出了一种极其简单的推理时延模型，该模型与实证结果拟合度高，可更好地预测和解释Transformer模型的推理过程。为了更好地阅读本文，读者需了解一些Transformer模
手把手教你用Yolov5 (v6.2) 训练分类模型 基于《Kaggle猫狗大战》案例
在8月17日晚上，YOLOv5官方发布了v6.2版本，v6.2版本支持分类模型训练、验证、预测和导出；v6.2版本的推出使得训练分类器模型变得超级简单！
「ChatGPT国内首款学术优化工具首发」代码解析、论文润色全覆盖：未来以来，你来不来
全流程的学术论文阅读工具来啦！！！
【第77篇】分割anything
本文提出Segment Anything (SA)项目:一个用于图像分割的新任务、模型和数据集。在数据收集循环中使用我们的高效模型，我们构建了迄今为止(到目前为止)最大的分割数据集，在1100万张授权和尊重隐私的图像上有超过10亿个掩码。该模型被设计和训练为可提示的，因此它可以将零样本迁移到新的图像
ChatGPT等大模型的模型量化：平滑量化法
十亿级的模型、百亿级的模型、千亿级的模型量化难度完全不一样，而像chatgpt为代表的大模型，模型参数已经超过千亿。大模型往往同时是计算密集型+访存密集型的，如果想要做模型压缩，非常困难！这篇博客给大家介绍一下为什么大模型量化困难？大模型压缩过程中会遇到哪些挑战？以及如果解决这些困难？SmoothQ
【Segment Anything】CV的大模型Segment Anything也来了，强人工智能的时代究竟还有多远？
我自己上传了一张图片，结果还是挺好的（我上传的图片比较简单）。由于自己的3090显存有限，无法使用。论文解读后续更新……
深度学习时间序列预测项目案例数据集介绍
高精度、可靠的风速预报是气象学家面临的挑战。由对流风暴引起的强风，造成相当大的破坏(大规模森林破坏、停电、建筑物/房屋损坏等)。雷暴、龙卷风以及大冰雹、强风等对流事件是有可能扰乱日常生活的自然灾害，特别是在有利于对流启动的复杂地形上。即使是普通的对流事件也会产生强风，造成致命和昂贵的损失。因此，风速
Deep Learning Tuning Playbook（深度学习调参手册中译版）
由五名研究人员和工程师组成的团队发布了《Deep Learning Tuning Playbook》，本文对手册进行了中文翻译
解决方案：炼丹师养成计划 Pytorch如何进行断点续训——DFGAN断点续训实操
在实际运行当中，我们经常需要每100轮epoch或者每50轮epoch要保存训练好的参数，以防不测，这样下次可以直接加载该轮epoch的参数接着训练，就不用重头开始。下面我们来介绍Pytorch断点续训原理以及DFGAN20版本和22版本断点续训实操**。
【人工智能】图文详解深度学习中的卷积神经网络（CNN）
卷积神经网络是一种常用的深度学习模型，广泛用于图像识别、语音识别、自然语言处理等领域。它的核心思想是通过一系列卷积、池化等操作，提取出输入数据的特征，并通过全连接层等操作进行分类或回归等任务。
TensorFlow 决策森林详细介绍和使用说明
使用TensorFlow训练、调优、评估、解释和部署基于树的模型的完整教程
YOLOv5/v7 引入 RepVGG 重参数化模块
YOLO添加RepVGG教程
Pytorch+PyG实现GraphSAGE
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
开源大语言模型(LLM)汇总（持续更新中）
随着ChatGPT的火爆，越来越多人希望在本地运行一个大语言模型。为此我维护了这个开源大语言模型汇总，跟踪每天不发的大语言模型和精调语言模型。
GoogLeNet详解
目录一、GoogLeNet网络的背景二、GooLeNet网络结构三、GooLeNet的亮点四、GooLeNet代码实现一、GoogLeNet网络的背景想要更好的预测效果，就要从网络深度和网络宽度两个角度出发增加网络的复杂度。但这个思路有两个较为明显的问题：首先，更复杂的网络意味着更多的参数，也很容
吴恩达《深度学习》笔记汇总
第一门课：神经网络和深度学习（第一周）——深度学习引言第一门课：神经网络和深度学习（第二周）——神经网络的编程基础第一门课：神经网络和深度学习（第三周）——浅层神经网络第一门课：神经网络和深度学习（第四周）——深层神经网络第二门课：改善深层神经网络：超参数调试、正则化以及优化（第一周）——深度学习的
解析不同种类的StableDiffusion模型Models，再也不用担心该用什么了
Stable Diffusion是一个基于Latent Diffusion Models（潜在扩散模型，LDMs）的文图生成（text-to-image）模型。具体来说，Stable Diffusion在 LAION-5B 的一个子集上训练了一个Latent Diffusion Models，该模型
深入剖析Focal loss损失函数
目标检测方法常常使用先验框提高预测性能，一张图像可能生成成千上万的先验框，但是其中只有很少一部分能匹配到目标(正样本)，而没有匹配到目标的先验框占大多数。这种情况造成了One-Stage目标检测方法的正负样本不平衡。如下图所示，红色的先验框都没有匹配到目标，所以它们都属于负样本，只是图中间的黄色先验
