AI生成图像竟如此真实了？Stable Diffusion Model本地部署教程
Stable Diffusion Model 是一个基于扩散模型的图像生成模型。stable-diffusion-webui 是 AUTOMATIC1111 大佬在 Github 上开源的一个专用于图片生成模型的 WebUI，可以在本地部署，支持导入模型和自己训练。重要的是，该项目的部署方式非常简单
Pytorch文档解读|torch.nn.MultiheadAttention的使用和参数解析
整体称为一个单注意力头，因为运算结束后只对每个输入产生一个输出结果，一般在网络中，输出可以被称为网络提取的特征，那我们肯定希望提取多种特征，[ 比如说我输入是一个修狗狗图片的向量序列，我肯定希望网络提取到特征有形状、颜色、纹理等等，所以单次注意肯定是不够的 ]因为是拼接而成的，所以每个单注意力头其实
rk3588使用npu进行模型转换和推理，加速AI应用落地
本来想使用tensorrt进行加速推理，但是前提需要cuda，rk的板子上都是Arm的手机gpu，没有Nvidia的cuda，所以这条路行不通。使用该NPU需要下载RKNN SDK，RKNN SDK 为带有 NPU 的RK3588S/RK3588 芯片平台提供编程接口，能够帮助用户部署使用 RKNN
GPT系列学习笔记：GPT、GPT2、GPT3
GPT、GPT2、GPT3的区别和联系。
DetectGPT:使用概率曲率的零样本机器生成文本检测
DetectGPT的目的是确定一段文本是否由特定的llm生成，例如GPT-3。
自注意力(Self-Attention)与Multi-Head Attention机制详解
self-attention，multi-head attention原理详解
手把手YOLOv5输出热力图
YOLO 手把手教你输出热力图
yolov5s模型剪枝详细过程(v6.0)
基于yolov5s(v6.0)的模型剪枝实战分享，参考github教程带链接带源码。
openai的的API如何使用
如果 temperature 值较高，则模型将更倾向于生成不同的、随机的文本；如果 temperature 值较低，则模型将更倾向于生成相对安全的、可预测的文本。请注意，当模型生成的文本与 stop 参数中的任意一个字符串匹配时，它将停止生成，因此请确保所选字符串是您希望结束生成文本的合适条件。Op
Diffusion扩散模型学习1——Pytorch搭建DDPM实现图片生成
我又死了我又死了我又死了！如上图所示。DDPM模型主要分为两个过程：1、Forward加噪过程（从右往左），数据集的真实图片中逐步加入高斯噪声，最终变成一个杂乱无章的高斯噪声，这个过程一般发生在训练的时候。加噪过程满足一定的数学规律。2、Reverse去噪过程（从左往右），指对加了噪声的图片逐步去噪
论文推荐：ScoreGrad，基于能量模型的时间序列预测
能量模型（Energy-based model）是一种以自监督方式执行的生成式模型，近年来受到了很多关注。本文将介绍ScoreGrad：基于连续能量生成模型的多变量概率时间序列预测。如果你对时间序列预测感兴趣，推荐继续阅读本文。
基于深度学习的图像去噪方法归纳总结
基于深度学习的图像去噪方法
使用手工特征提升模型性能
本文将使用信用违约数据集介绍手工特征的概念和创建过程。
PyTorch 打印模型结构、输出维度和参数信息（torchsummary）
使用 PyTorch 深度学习搭建模型后，如果想查看模型结构，可以直接使用 print(model) 函数打印。但该输出结果不是特别直观，查阅发现有个能输出类似 keras 风格 model.summary() 的模型可视化工具。这里记录一下方便以后查阅。
UNet 网络做图像分割DRIVE数据集
目录1. 介绍2. 搭建 UNet 网络3. dataset 数据加载4. train 训练网络5. predict 分割图像6. show7. 完整代码项目的目录如下所示 之前做了一个图像分割的例子，里面大部分的代码和本篇的内容重合，所以每个脚本的代码只会做简单的介绍。具体的可以参考之前的内容，这
【图神经网络实战】深入浅出地学习图神经网络GNN（上）
V：点，每个点都有自己的特征向量（特征举例：邻居点数量、一阶二阶相似度）E：边，每个边都有自己的特征向量（特征举例：边的权重值、边的定义）U：整个图，每个图都有自己的特征向量（特征举例：节点数量、图直径）传统神经网络（CNN、RNN、DNN）要求输入格式是固定的（如2424、128128等）。但在实
【目标检测】IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EI
研一小白记录第一次在实验室服务器上跑深度学习的代码全过程（实验室服务器上跑代码详细全过程哦）
在犹豫和观摩了好久之后终于决定自己在实验室服务器上跑一次代码，因为自己是完全没有概念，所以搜了很多很多，有时候一口气打开二三十个搜索框才找到自己想要的答案，但是也很零散，所以决定记录一个自己从申请服务器账号到代码成功跑起来的全过程，见证成长同时希望帮助到你！
稀疏特征和密集特征
在机器学习中，特征是指对象、人或现象的可测量和可量化的属性或特征。特征可以大致分为两类：稀疏特征和密集特征。
三万字硬核详解：yolov1、yolov2、yolov3、yolov4、yolov5、yolov7
Yolo (You Only Look Once) 是目标检测 one-state 的一种神经网络，可以在图像中找出特定物体, 并识别种类和位置。
