Dell R730 2U服务器实践3：安装英伟达上代专业AI训练Nvidia P4计算卡
Dell R730是一款非常流行的服务器，2U的机箱可以放入两张显卡，这次先用一张英伟达上代专业级AI训练卡：P4卡做实验，本文记录安装过程。
2024年6月计算机视觉论文推荐：扩散模型、视觉语言模型、视频生成等
6月还有一周就要结束了，我们今天来总结2024年6月上半月发表的最重要的论文，重点介绍了计算机视觉领域的最新研究和进展。
AI论文速读 |2024[TPAMI]【综述】自监督学习在时间序列分析的分类、进展与展望
自监督学习（SSL）最近在各种时间序列任务上取得了令人印象深刻的表现。SSL最突出的优点是减少了对标记数据的依赖。基于预训练和微调策略，即使少量的标记数据也能实现高性能。与许多已发表的关于计算机视觉和自然语言处理的自监督综述相比，仍然缺少针对时间序列 SSL 的全面综述。为了填补这一空白，我们在本文
【图像识别系统】表情识别Python+人工智能深度学习+TensorFlow+卷积算法网络模型+图像识别
基于Python和TensorFlow，开发了一个表情识别系统，该系统利用先进的深度学习技术，通过卷积神经网络模型ResNet50对人脸表情进行识别。该系统主要针对七种基本人脸表情：中性、愤怒、厌恶、恐惧、快乐、悲伤和惊讶，进行分类和识别。这种表情识别技术在人机交互、情绪分析、安全监控等领域具有广泛
HUSKY:一个优化大语言模型多步推理的新代理框架
HUSKY是一个开源语言代理，设计用于处理各种复杂的任务，包括数字、表格和基于知识的推理。与其他专注于特定任务或使用专有模型的代理不同
使用深度强化学习预测股票：DQN 、Double DQN和Dueling Double DQN对比和代码示例
通过DRL，研究人员和投资者可以开发能够分析历史数据的模型，理解复杂的市场动态，并对股票购买、销售或持有做出明智的决策。
毕业设计：基于深度学习的物体识别检测系统 YOLO 人工智能
毕业设计：基于深度学习的物体识别检测系统通过结合深度学习和计算机视觉技术，我们设计了一个高效准确的系统，能够对复杂的堆叠物体进行准确的识别和检测。我们采用了先进的深度学习模型和数据增强技术，通过大量的实验验证了系统的性能和鲁棒性。本文的研究为堆叠物体识别检测系统提供了一个创新的方向，结合了深度学习和
goldfish loss：减少训练数据泄漏，提高大语言模型输出的多样性
论文作者引入了一种名为"goldfish loss"的微妙修改，在训练过程中，随机抽样的一部分标记被排除在损失计算之外。这些被舍弃的标记不会被模型记忆，从而防止模型完整复制训练集中的一整个标记序列。
非极大值抑制详细原理（NMS含代码及详细注释）
非极大值抑制（Non-Maximum Suppression，NMS）详细原理（含代码及详细注释）
黄仁勋的AI时代：英伟达GPU革命的狂欢与挑战
英伟达最新blackwell gpu
【AI大模型】Transformers大模型库（七）：单机多卡推理之device_map
本文简要介绍了device_map="auto"等使用方法，多数情况下与CUDA_VISIBLE_DEVICES=1,2,3一起使用，可以简单高效的进行多卡分布式推理及训练计算，至于多机多卡场景，多用torchrun和deepspeed等，后面文章会专门进行系统讲解。
Stable Diffusion初体验——基于机器学习通过神经网络的强大AI平台
在这个信息爆炸的时代，AI技术正以前所未有的速度发展着。图生图AI换脸图生视频等技术的涌入，极大地改变了我们的工作与生活，带来了更多的挑战与机遇。例如我们可以使用AI去生成具有质感的人物图像也可以使用实现视频，图片的换脸效果图生视频也可以轻松实现图生视频但是这样的效果与实现需要用到昂贵的显卡，CPU
Multi-Head RAG:多头注意力的激活层作为嵌入进行文档检索
论文引入了多头RAG (MRAG)，这是一种利用Transformer的多头注意层的激活而不是解码器层作为获取多方面文档的新方案。
AI人工智能代理工作流 AI Agent WorkFlow：在物流与供应链中的应用
AI人工智能代理工作流 AI Agent WorkFlow：在物流与供应链中的应用1.背景介绍1.1 物流与供应链行业面临的挑战物流与供应链行业是现代经济的重要组成部分,涉及
【机器学习】人工智能与气候变化：利用深度学习与机器学习算法预测和缓解环境影响
全球气候变化已成为世界各国共同面对的重大挑战之一。气候变化带来的极端天气事件频发、海平面上升、生态系统退化等问题，严重影响着人类的生存和发展。因此，寻找有效的方法来预测气候变化趋势并采取相应的应对措施至关重要。
Pixel Transformer：用像素代替补丁可以提升图像分类精度
本文将讨论Pixel Transformer的复杂性，创新方法，以及它对人工智能和计算机视觉未来的重要影响。
探索大模型技术及其前沿应用——TextIn文档解析技术
探索大模型技术及其前沿应用——TextIn文档解析技术
Transformer模型：人工智能技术发展的里程碑
Google在人工智能领域的贡献是不可小觑的，尤其是在Transformer模型的研究和发展中。Transformer模型最初由Vaswani等人在2017年的论文《Attention is All You Need》中提出。这一模型的核心思想是利用“自注意力（Self-Attention）”机制来
人工智能——机器学习——神经网络（深度学习）
人工智能是让机器获得像人类一样具有思考和推理机制的智能技术，这一概念最早出现在 1956 年召开的达特茅斯会议上。其中深度学习可以理解为神经网络。刚开始只有神经网络的概念，随着神经网络的层数增加，就逐渐将神经网络叫做深度学习。神经网络的发展历程大致分为浅层神经网络阶段和深度学习阶段。
SOFTS: 时间序列预测的最新模型以及Python使用示例
这是2024年4月提出的新模型，采用集中策略来学习不同序列之间的交互，从而在多变量预测任务中获得最先进的性能。
