不同生成式AI模型的优缺点（GAN，VAE，FLOW）
GAN，VAE、FLOW、自回归模型优缺点
【机器学习】图神经网络：深度解析图神经网络的基本构成和原理以及关键技术
图数据是一种复杂的数据结构，由节点（vertices）和边（edges）组成，用于表示对象及其相互关系。节点代表数据中的实体，边则表示实体之间的关系。多样性：图数据可以表示各种类型的关系，如一对一、一对多、多对多等。不规则性：图的结构不固定，节点和边的数量及连接方式可变。高维性：每个节点和边可以包含
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
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。
人工智能--深度神经网络
人工智能（AI）是计算机科学的一个分支，旨在模拟或仿效人类智能。深度神经网（DNN）是AI的一个子领域，因其在图像识别、语音识别、自然语言处理等方面的卓越表现而备受瞩目。本文将详细探讨深度神经网络的基本概念、结构、训练过程、应用领域及其面临的挑战，并结合现实示例进行分析。希望这些能对刚学习算法的同学
（13-1）RAG基础知识介绍：RAG模型概述
RAG（Retrieval-Augmented Generation）是一种自然语言处理模型架构，旨在结合检索和生成两个关键的NLP（Natural Language Processing）任务。RAG模型可以应用于诸如问答系统、文本摘要、对话系统等多个领域。在本章的内容中，将详细讲解RAG的基础知
基于深度学习神经网络的AI图像PSD去雾系统源码
基于深度学习神经网络的AI图像PSD去雾系统源码
【GAN】基础原理讲解及代码实践
生成式对抗网络（GAN ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。
从简单逻辑到复杂计算：感知机的进化与其在现代深度学习和人工智能中的应用（上）
本文详细探讨了感知机——一种简单形式的人工神经网络，首次由Frank Rosenblatt在1957年提出。文章从感知机的基本原理和结构开始，解释了其如何处理输入和产生输出。通过实例，展示了感知机在模拟基本逻辑门（如与门、或门和与非门）中的应用，并讨论了其在处理更复杂的逻辑函数时的局限性，特别是在尝
【人工智能Ⅰ】实验9：BP神经网络
整体代码和准确率计算结果如下图所示，其中图1为整体代码，图2为计算的准确率结果（分类的准确率为0.7）。整体代码、标签对比结果和混淆矩阵结果如下图所示，其中图1为整体代码，图2为程序输出的标签对比结果，图3为程序输出的混淆矩阵结果。整体代码和直方图可视化结果如下图所示，其中图1为整体代码，图2为花萼
【机器学习】解锁AI密码：神经网络算法详解与前沿探索
随着人工智能技术的飞速发展，神经网络作为机器学习的一个重要分支，已经广泛应用于图像识别、自然语言处理、推荐系统等领域。神经网络通过模拟人脑神经元的连接方式，实现对复杂数据的处理和预测。本文将详细介绍神经网络的基本原理、结构、训练过程以及应用实例。
【嵌入式AI开发】轻量化卷积神经网络Mnasnet（神经架构搜索）详解
谷歌轻量化卷积神经网络Mnasnet，介于MobileNet V2和V3之间。使用多目标优化的目标函数，兼顾速度和精度，其中速度用真实手机推断时间衡量。提出分层的神经网络架构搜索空间，将卷积神经网络分解为若干block，分别搜索各自的基本模块，保证层结构多样性。
YOLO系列算法全家桶——YOLOv1-YOLOv9详细介绍 ！！
本文详细介绍了从YOLOv1-YOLOv9的网络结构，以及各个版本之间的迭代。YOLOv1-YOLOv8之间的对比ModelAnchorInputBackboneNeckYOLOv1锚框（训练是224*224，测试是448*448；GoogLeNet；Dropout防止过拟合；最后一层使用线性激活函
MLP多层感知器：AI人工智能神经网络的基石
MLP 是指多层感知器（Multilayer Perceptron），是一种基础人工神经网络模型（ANN，Artificial Neural Network）。MLP 能够将信息逐层重新组合，每层重组的信息经过激活函数的放大或抑制后进入下一层的数据重组，从而实现特征提取和知识获取。
2024年5月计算机视觉论文推荐:包括扩散模型、视觉语言模型、图像编辑和生成、视频处理和生成以及图像识别等各个主题
我们今天总结下2024年5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，包括扩散模型、视觉语言模型、图像编辑和生成、视频处理和生成以及图像识别等各个主题。
【AI】深度学习——前馈神经网络——全连接前馈神经网络
全连接前馈神经网络可以抽象为信息传播公式，其理论依据为通用近似定理，与机器学习结合可以解决分类问题，对交叉熵损失函数使用梯度下降算法求参数矩阵求导在nndl中以分母布局为主，以链式法则为计算依据，但同时也可采用更为高效的计算方法反向传播算法：第l层的误差项可以通过第 l+1 层的误差项计算得到，前向
使用FP8加速PyTorch训练的两种方法总结
在PyTorch中，FP8（8-bit 浮点数）是一个较新的数据类型，用于实现高效的神经网络训练和推理。它主要被设计来降低模型运行时的内存占用，并加快计算速度
【嵌入式AI开发】轻量化卷积神经网络MobileNetV3详解
本文对MobileNetv3网络结构进行详细的讲解。1.更新Block(bneck)，也就是逆残差结构上的简单改动。2.使用NAS搜索参数(Neural Architecture Search)。3.重新设计耗时层结构，（对网络的每一层的推理时间进行分析，针对某些耗时的层结构做进一步优化）。4.重新
【嵌入式AI开发】轻量级卷积神经网络MobileNetV2详解
MobileNetV2网络先升维后降维，在降维时使用线性激活函数，带残差的Inverted bottleck模块，防止ReLU信息丢失。在图像分类、目标检测、语义分割等任务上实现了网络轻量化、速度和准确度的权衡。
条件生成对抗网络（cGAN）在AI去衣技术中的应用探索
生成器G根据随机噪声和条件变量生成去衣后的图像，而判别器D则判断生成的图像是否真实且符合指定的条件。在训练过程中，生成器和判别器通过竞争和合作的方式，共同优化一个损失函数，使得生成的图像既真实又符合给定的条件。随着深度学习技术的飞速发展，生成对抗网络（GAN）作为其中的一个重要分支，在图像生成、图像
