Stability AI发布基于稳定扩散的音频生成模型Stable Audio
近日Stability AI推出了一款名为Stable Audio的尖端生成模型，该模型可以根据用户提供的文本提示来创建音乐。
图注意网络(GAT)的可视化实现详解
能够可视化的查看对于理解图神经网络(gnn)越来越重要，所以在这篇文章中，我将介绍传统GNN层的实现，然后展示ICLR论文“图注意力网络”中对传统GNN层的改进。
小波神经网络的时间序列预测模型
波变换主要通过伸缩和平移实现多尺度细化，突出所要处理的问题细节，有效提取局部信息。小波变换不仅可以知道信号的频率成分，还能知道各频率成分出现的时刻。将傅里叶变换中无限长的三角函数基换成了有限长的会衰减的小波基。
Recognize Anything:一个强大的图像标记模型
Recognize Anything是一种新的图像标记基础模型，与传统模型不同，它不依赖于手动注释进行训练;相反，它利用大规模的图像-文本对
人工智能(pytorch)搭建模型10-pytorch搭建脉冲神经网络（SNN）实现及应用
大家好，我是微学AI，今天给大家介绍一下人工智能(pytorch)搭建模型10-pytorch搭建脉冲神经网络（SNN）实现及应用，脉冲神经网络（SNN）是一种基于生物神经系统的神经网络模型，它通过模拟神经元之间的电信号传递来实现信息处理。与传统的人工神经网络（ANN）不同，SNN 中的神经元能够生
液体神经网络LLN：通过动态信息流彻底改变人工智能
在在人工智能领域，神经网络已被证明是解决复杂问题的非常强大的工具。多年来，研究人员不断寻求创新方法来提高其性能并扩展其能力。其中一种方法是液体神经网络（LNN）的概念，这是一个利用动态计算功能的迷人框架。在本文中，我们将深入研究 LNN 的世界，探索它们的基本原则，讨论它们的优势，并提供一个代码实现
Diffusion——与VAE、GAN的区别
AE与VAE的区别AE通过Encoder产生了一个对输出和输出一一对应的embedding，因此它不具有生成能力；而VAE是通过Encoder将输入投射在一个分布中，我们可以通过控制模型的参数从而控制模型的输出，因此它具有生成能力。VAE、GAN、Diffusion model的区别Diffusio
生成模型之VAE与VQ-VAE
有关图像处理的课程作业需要学习一篇论文，此论文中作者使用了VQ-VAE模型对舞蹈动作进行编码。因此，对相关知识略作整理以供之后查找。AE、VAE和VQ-VAE可以统一为latent code的概率分布设计不一样，AEr通过网络学习得到任意概率分布，VAE设计为正态分布，VQVAE设计为codeboo
Coursera吴恩达《深度学习》课程总结（全）
01 神经网络和深度学习（Neural Networks and Deep Learning）1-1 深度学习概论主要介绍：主要对深度学习进行了简要概述。首先，我们使用房价预测的例子来建立最简单的单个神经元组成的神经网络模型。然后，我们将例子复杂化，建立标准的神经网络模型结构。接着，我们从监督式学习
openai的 ada，Babbage，Curie，Davinci模型分别介绍一下
具体来说，175亿个参数是指Davinci模型中的参数数量，该模型使用了一个大型的变压器（transformer）神经网络，该神经网络由多个Transformer encoder和decoder层组成。Ada：Ada是OpenAI推出的最新模型，它是一种大规模的、多任务的语言模型，能够执行多种不同的
基于饥饿游戏算法优化的BP神经网络（预测应用） - 附代码
本案例数据一共2000组，其中1900组用于训练，100组用于测试。数据的输入为2维数据，预测的输出为1维数据。
基于BIM+AI的建筑能源优化模型【神经网络】
推荐：用快速搭建可编程3D场景。AEC（建筑、工程、施工）行业的BIM 技术，允许在实际施工开始之前虚拟地建造建筑物；这带来了许多有形和无形的好处：减少成本超支、更有效的协调、增强决策权等等。对于一些公司来说，采用 BIM 是需要克服的一大障碍，许多公司仍在苦苦挣扎。但现在我们看到行业出现了另一个新
DeepXDE学习笔记【1】——简单ODE方程求解
物理信息神经网络DeepXDE框架: ODE方程求解代码讲解
深度学习之 11 空洞卷积的实现
空洞卷积的实现
【神经网络第三期】RBF神经网络基本原理和模型应用
RBF神经网络基本原理和模型应用
前馈神经网络解密：深入理解人工智能的基石
本文深入探讨了前馈神经网络（FNN）的核心原理、结构、训练方法和先进变体。通过Python和PyTorch的实战演示，揭示了FNN的多样化应用。
FlashAttention算法详解
这篇文章的目的是详细的解释Flash Attention,它无需任何近似即可加速注意力计算并减少内存占用
一文了解scATAC-seq分析的一些必知概念
本文是作者在进行scATAC-seq时进行的一些基础知识铺垫
深度学习(23):SmoothL1Loss损失函数
SmoothL1Loss损失函数
MotionBERT：Unified Pretraining for Human Motion Analysis中文翻译
我们提出了一个统一的训练前框架MotionBERT，以解决人体运动分析的不同子任务，包括3D姿势估计、基于骨骼的动作识别和网格恢复。该框架能够利用各种人体运动数据资源，包括运动捕捉数据和野外视频。在预训练中，托词任务要求运动编码器从有噪声的部分2D观测中恢复潜在的3D运动。预先训练的运动表示因此获得
