【模型+代码/保姆级教程】使用Pytorch实现手写汉字识别
保姆级教程，手把手用Pytorch搭建神经网络，识别3755类手写汉字，模型参数、项目完整源码、预处理数据集全部公开。
深入浅出PaddlePaddle函数——paddle.zeros
paddle.zeros
深入浅出Pytorch函数——torch.zeros_like
torch.zeros(input.size, dtype=input.dtype，layout=input.layout，device=input.device)
MultiHeadAttention多头注意力机制的原理
MultiHeadAttention多头注意力作为Transformer的核心组件，其主要由多组自注意力组合构成，Attention Is All You Need，self-attention。
谷歌发布一个免费的生成式人工智能课程
谷歌推出了一个生成式人工智能学习课程，课程涵盖了生成式人工智能入门、大型语言模型、图像生成等主题。
用自己网络添加注意力机制后画出热力图
用自己网络添加注意力机制后画出热力图
【人工智能】期末复习 重点知识点总结
人工智能期末复习考点
SAM 模型真的是强悍到可以“分割一切”了吗？
关注公众号，发现CV技术之美上周，Meta AI发布了 Segment Anything Model（SAM）—— 第一个图像分割基础模型。很多计算机视觉从业者惊呼“这下CV真的不存在了，快跑！”。但是SAM 模型真的是强悍到可以“分割一切”了吗？它在哪些场景或任务中还不能较好地驾驭呢？研究社区已经
chatGPT的API一次多少钱-怎么用chatGPT解决问题
使用ChatGPT解决问题一般需要以下几个步骤：确认问题类型：在使用ChatGPT解决问题前，需要明确问题的类型，如文本生成、文本分类、机器翻译、情感分析等。准备数据和模型：ChatGPT需要数据和模型来进行模型训练或模型 fine-tuning。在准备数据时，需要收集相关的数据，并对其进行清洗和处
【tph-yolov5】论文简读
论文名称： TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios论文下载地址：https://arxiv.org/abs/21
深度学习训练文件批量制作——arcgis pro软件（傻瓜式操作）
想要批量制作深度学习训练文件（特别是遥感文件）在网上找了很久的代码或者方法，发现不怎么适用，或者是说太过复杂了（电脑环境、包的版本等一系列问题，博主的环境可以用，到我电脑上我就一堆版本问题，又不好去改代码），于是找了很久发现arcgis pro这个软件可以满足我的要求，批量且简单。
yolov5-7.0训练自己的VOC数据集
这个笔记可能只适用于7.0版本的,写这个笔记主要是给工作室伙伴参考的，大佬请绕行有错误之处欢迎指出。
CAM, Grad-CAM, Grad-CAM++可视化CNN方式的代码实现和对比
理解CNN的方法主要有类激活图(Class Activation Maps, CAM)、梯度加权类激活图(Gradient Weighted Class Activation Mapping, Grad-CAM)和优化的 Grad-CAM（ Grad-CAM++）。
【代码复现】5秒训练NeRF！英伟达instan-ngp在windows成功复现
主要介绍了在WINDOWS10下运行instant-ngp的方法，并且介绍了自定义数据集创建和运行的方法。
GPU版本的pytorch安装（显卡为3060ti，如何选择对应的cuda版本）
显卡为3060ti g6x，操作系统win10。
yolov8onnx的处理过程
此外，它还存储数据集的变换和大小。n是框的数量，然后对框进行排序（降序），选超参数中设置的max_nms个框，默认为300，最后x仍然是一个（48*6）的tensor，然后对着48个框进行对应类别的conf计算，max=wh表示加入框的大小时对score的影响，最后返回的c是一个（48*1）在xyw
【Call for papers】ICCV-2023（CCF-A/人工智能/2023年3月8日截稿）
ICCV is the premier international computer vision event comprising the main conference and several co-located workshops and tutorials.
torch.gather()使用解析
torch.gather使用解析
【阅读论文】基于VAE-LSTM混合模型的时间序列异常检测
在这项工作中，我们提出了一种VAE-LSTM混合模型，作为一种无监督的时间序列异常检测方法。我们的模型既利用VAE模块在短窗口上形成稳健的局部特征，又利用LSTM模块在从VAE模块推断的特征之上估计序列中的长期相关性。因此，我们的检测算法能够识别跨越多个时间尺度的异常。我们证明了我们的检测算法在五个
RuntimeError: Trying to resize storage that is not resizable
RuntimeError: Trying to resize storage that is not resizable
