深入理解机器学习——数据预处理：归一化 （Normalization）与标准化 （Standardization）
归一化 （Normalization）和标准化 （Standardization）都是特征缩放的方法。特征缩放是机器学习预处理数据中最重要的步骤之一，可以加快梯度下降，也可以消除不同量纲之间的差异并提升模型精度。而标准化（Standardization）是在不改变原始的数据分布的情况下，将数据的分布
GPT-3.5(ChatGPT)训练和部署成本估算
GPT-3.5(ChatGPT)训练和部署成本估算
YOLOv5 使用tensorboard查看可视化训练结果
tensorboard
【Transformer开山之作】Attention is all you need原文解读
Attention Is All You NeedTransformer原文解读与细节复现在Transformer出现以前，深度学习的基础主流模型可分为卷积神经网络CNN、循环神经网络RNN、图对抗神经网络GAN。而Transformer的横空出世，吸引了越来越多的研究者的关注：Transforme
让我看看，还有谁分不清楚GPT和Chat GTP
GPT（Generative Pre-trained Transformer）是由OpenAI推出的一种基于Transformer的自然语言处理模型，它是在大规模的无监督语言预训练下，使用有监督微调的方式来完成各种自然语言处理任务的。与此不同的是，Chat GPT是专门设计用于聊天和对话任务的模型。
ConvLSTM原理解读
LSTM非常擅长处理时序信息也能处理空间信息。但对于三维图形来讲，因为有着丰富的空间信息并且每一个点和周围是有很强的相关性的，这就带来了冗余，传统的LSTM是很难刻画这种空间特征的。为了克服LSTM在处理三维信息中的不足，ConvLSTM 将 LSTM 中的2D的输入转换成了3D的tensor，最后
pytorch中的tensor实现数据降维以及通道数转换
上例中torch.narrow(x,0,2,3)，因x为5X6的二维tensor，由两个维度[0,1]，0表示第一维,横向，1表示第二维，纵向；且第一维通道数为5，第二维通道数为6。第三个变量为所选维度中的第几个通道为起点。如果在深度学习中图像处理中常遇到思维tensor，即x.shape=[9，3
Yolov5调整空间金字塔池化SPPCSPC/上采样方式bilinear
空间金字塔池化以及上采样方式的最佳选择
Meta的LLama模型非官方下载方法
Llama模型是一个用于自然语言处理的大型语言模型，它由Meta AI开发，拥有65亿个参数。该模型的目的是帮助研究者在AI的子领域中推进他们的工作。Llama模型结构巨大，最小的模型LLaMA 7B也经过了超过1万亿个代币的训练。Llama模型的论文比较冗长，但通过阅读页面，可以了解该模型的下载方
深入浅出PaddlePaddle函数——paddle.exp
paddle.exp(x, name=None)
Chat GPT是什么？初学怎么使用Chat GPT？
1.Chat GPT介绍(帮写文章翻译、摘要、问答、对话、写作等)2.Chat GPT注册
A Time Series is Worth 64 Words（PatchTST模型）代码解析
PatchTST模型代码解读
“天空地”一体化生态系统监测概念介绍
“天空地”一体化生态系统监测是综合运用卫星遥感监测、航空遥感监测和地面站点监测等环境监测手段，基于数据挖掘、数据融合、数据协同和数据同化等关键技术，获得更加准确数据支持的立体生态监测感知体系。“天空地”一体化生态监测体系能更为全面地反映生态系统现状及发展趋势，为生态环境保护、自然资源管理、土地利用规
torch.sigmoid()、torch.softmax()、sum
torch.sigmoid()、torch.softmax()、sum
RuntimeError: expected scalar type float but found __int64
时传入了int类型整数，但是函数的输入参数要求传入float类型数据，所以修改下类型即可。
AI数字人：基于VITS模型的中文语音生成训练
VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）是一种结合变分推理（variational inference）、标准化流（normalizing flows）和对抗训练的高表现力语
使用Streamlit和OpenAI API构建视频摘要
本文提供了使用Streamlit和OpenAI创建的视频摘要应用程序的概述。该程序为视频的每个片段创建简洁的摘要，并总结视频的完整内容。
深入浅出TensorFlow2函数——tf.data.Dataset.from_tensor_slices
from_tensor_slices( tensors, name=None)
初学者关于ConvLSTM的理解
选择最常见的基于Pytorch深度学习框架的ConvLSTM代码，在他人已有注解的情况下，逐行对代码进行详细的注解，供新手理解。
使用MMDetection训练自己的数据集
本文主要阐述如何使用训练自己的数据，包括配置文件的修改，训练时的数据增强，加载预训练权重以及绘制损失函数图等。这里承接上一篇文章，默认已经准备好了COCO格式数据集且已安装，环境也已经配置完成。这里说明一下，因为更新至2.x版本之后有些用法不一样了，所以对本文重新更新一下，这里使用的的版本是2.27
