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。
中草药识别系统Python+深度学习人工智能+TensorFlow+卷积神经网络算法模型
中草药识别系统。本系统基于TensorFlow搭建卷积神经网络算法（ResNet50算法）通过对10中常见的中草药图片数据集（‘丹参’, ‘五味子’, ‘山茱萸’, ‘柴胡’, ‘桔梗’, ‘牡丹皮’, ‘连翘’, ‘金银花’, ‘黄姜’, ‘黄芩’）进行训练，得到一个识别精度较高的H5格式模型文件
使用‘消除’技术绕过LLM的安全机制，不用训练就可以创建自己的nsfw模型
在本文中，我们将探索一种称为“abliteration”的技术，它可以在不进行再训练的情况下取消LLM审查。这种技术有效地消除了模型的内置拒绝机制，允许它响应所有类型的提示。
AI训练，为什么需要GPU？
随着人工智能热潮，GPU成为了AI大模型训练平台的基石，决定了算力能力。为什么GPU能力压CPU，成为炙手可热的主角呢？首先我们要先了解一下GPU的分类。提到分类，就得提及到芯片。半导体芯片分为和。其中，数字芯片的市场规模占比较大，达到70%左右。。由上图可以看到，。现在特别火爆的AI，用到的所谓“
AI论文速读 | 2024[IJCAI]时空解耦掩码预训练的时空预测
时空预测技术对于交通、能源和天气等各个领域都具有重要意义。由于复杂的时空异质性，时空序列的准确预测仍然具有挑战性。特别是，当前的端到端模型受到输入长度的限制，因此经常陷入时空幻觉），即相似的输入时间序列后面跟着不同的未来值，反之亦然。为了解决这些问题，本文提出了一种新颖的自监督预训练框架时空解耦掩码
AI+新能源充电桩数据集
7+细分充电桩数据集；新能源充电桩；充电站负荷预测
AI人工智能代理工作流AI Agent WorkFlow：智能代理在智能家居中的实践
AI人工智能代理工作流AI Agent WorkFlow：智能代理在智能家居中的实践1. 背景介绍1.1 人工智能在智能家居中的应用现状随着人工智能技术的快速发展,智
Vanna-ai 大模型开源项目 基于RAG的TextToSql框架 安装和使用教程
您还可以将 SQL 查询添加到训练数据中。如果您已经有一些查询，这将很有用。您只需从编辑器中复制并粘贴这些内容即可开始生成新的 SQL。根据您的用例，您可能需要也可能不需要运行这些命令。有关详细信息，请参阅。根据您的用例，您可能需要也可能不需要运行这些命令。DDL 语句包含有关数据库中的表名、列、数
使用PyTorch Profiler进行模型性能分析，改善并加速PyTorch训练
加速机器学习模型训练是所有机器学习工程师想要的一件事。更快的训练等于更快的实验，更快的产品迭代，还有最重要的一点需要更少的资源，也就是更省钱。
