pyinstaller打包onnxruntime-gpu报错找不到CUDA的解决方案
会在这个目录中查找自定义的钩子（hooks）文件。钩子文件用于在打包过程中处理一些特殊的依赖或行为。2、电脑上已经安装与onnxruntime-gpu对应版本的cuda和cudnn，并加入了环境变量。使用onnxruntime-gpu完成了深度学习模型部署，但在打包时发生了报错：找不到CUDA。--
在亚马逊云科技上部署Llama大模型并开发负责任的AI生活智能助手
Amazon SageMaker 是亚马逊云科技提供的一站式机器学习服务，旨在帮助开发者和数据科学家轻松构建、训练和部署机器学习模型。SageMaker 提供了从数据准备、模型训练到模型部署的全流程工具，使用户能够高效地在云端实现机器学习项目。Llama Guard 是一种专门设计的工具或框架，旨在
阿里开源语音理解和语音生成大模型FunAudioLLM
阿里开源大模型FunAudioLLM，一个创新的框架，旨在促进人类与大型语言模型（LLMs）之间的自然语音交互。FunAudioLLM的核心是两个开创性的模型：用于语音理解的SenseVoice和用于语音生成的CosyVoice。
嵌入式人工智能（13-基于树莓派4B的指纹识别-AS608）
AS608的接线头有防呆口，插上即可，只用到4根线，VCC接USBToTTL的VCC（注意这里要接3.3V，否则容易损坏，将黄色的跳线帽连接5V与VCC引脚，AS608插到3.3上面），AS608的GND接USBToTTL的GND，AS608的TX接USBToTTL的RXD，AS608的RX接USB
【机器学习】Google开源大模型Gemma2：原理、微调训练及推理部署实战
Gemma 是 Google 推出的轻量级、先进的开放模型系列，采用与 Gemini 模型相同的研究成果和技术构建而成。它们是仅使用解码器的文本到文本大型语言模型（提供英语版本），为预训练变体和指令调整变体具有开放权重。Gemma 模型非常适合各种文本生成任务，包括问题解答、摘要和推理。由于它们相对
国内外自动驾驶算法原理浅谈
国内厂商选择的方式成型快，但上限低。端到端的方式成型较慢，但是一旦预训练完成，将会疯狂迭代成长。但是其实……勤能补拙，不断加规则，总有一天也能应付99%的情况。
Transformer 论文通俗解读：FFN 的作用
在经过前面3节关于 Transformer 论文的解读之后，相信你对提出 Transformer 架构的这篇论文有了一定的了解了，你可以点击下面的链接复习一下前3节的内容。总的来说，这篇论文虽然重要且经典，但很多关于Transformer 架构的技术细节并没有介绍的很清楚，因此读起来有些晦涩。之前的
大模型技术细节——大模型之文本生成与文档总结
很多人都简单的认为，生成文本的模型和进行文档总结的模型是一回事，都属于文本处理模型。我们一直在说大模型大模型，但大部分人都没深入研究过大模型的具体实现以及隐藏在大模型这个黑盒下的技术细节。文本生成大模型和文档总结大模型。
结合傅里叶变换和传统特征提取方法，通过XGBoost检测计算机生成图像
我个人认为，在模型无法区分的情况下，使用图像取证工具的人类将比机器学习模型更好地检测CGI，因为人类可以使用他们的先验知识逐个像素地评估图像，而模型只能依赖他们的训练数据。CGI检测模型对世界的了解是不完整的，而人类对世界的了解要大得多。为什么要应用傅里叶变换?而如何检测AI生成的图片变得越来越困难
数学AI解题软件有哪些？一分钟分享4款工具
数学AI解题软件在现代教育中扮演着越来越重要的角色，它们不仅为学生提供了前所未有的解题速度和准确性，还通过个性化的学习建议和资源推荐，促进了学生的自主学习和深度学习。它们不仅提高了学生的解题效率和准确性，还为学生提供了个性化的学习建议和丰富的学习资源。这是一款强大的数学AI解题工具。①准确性高：基于
【机器学习】探索数据矿藏：Python中的AI大模型与数据挖掘创新实践
随着人工智能技术的迅猛发展，AI大模型（如GPT、BERT等）在各类任务中展现了强大的能力。然而，这些大模型的背后是海量数据和复杂的算法支撑。在这篇博客中，我们将深入探讨如何利用Python进行数据挖掘，并结合AI大模型实现更高效、更精准的智能应用。本文将从数据获取与预处理、模型训练与优化、实际应用
ROS2从入门到精通5-1：详解代价地图与costmap插件编写(以距离场ESDF为例)
一文总结ROS2代价地图的核心概念与配置，并以欧氏符号距离场障碍层为案例，介绍代价地图插件的编写方法，图文并茂加深理解
【大模型】大模型中的稀疏与稠密——一场效率与性能的较量
稀疏模型与稠密模型，作为深度学习领域的两股重要力量，各自承载着不同的使命与愿景。在探索未知的征途中，它们既是竞争对手，也是合作伙伴，共同推动着人工智能技术向前迈进。未来，随着算法创新和硬件技术的进步，我们有理由相信，稀疏与稠密的融合将开启深度学习的新篇章，引领我们进入一个更加智能、高效、可持续的AI
Langchain--如何使用大模型 2.0
我们除了可以使用Langchain进行模型对话、提示词创作、嵌入模型，还可以使用其他的组件对大模型封装使用，打造我们自己的大模型。
本地多卡(3090)部署通义千问Qwen-72B大模型提速实践：从龟速到够用
本文记录了多卡部署72B通义千问过程，将推理速度提到10token/s水平。
AI可解释性(Python语言版)书籍推荐
AI可解释性（Python语言版）》全面介绍了AI可解释性的概念和可用技术，使机器学习系统更易于解释。书中提出的方法可以应用于几乎所有现有的机器学习模型：线性和逻辑回归、深度学习神经网络、自然语言处理和图像识别等等。随着机器学习的发展，如今人们越来越多地使用人工智能体来执行以前由人类处理的关键任务(
评价类模型-基于熵权法的Topsis模型★★★★
基于熵权法的Topsis模型是对Topsis模型的补充，因为层次分析法具有较大的主观色彩，对于最终得分来说，缺乏客观性，而熵权法是基于数据本身进行分析，所以更加推荐使用熵权法。使用步骤与Topsis模型差不多，但是引入新的指标——信息效用值来评价问题，将信息效用值归一化后，再计算对于的权重。熵权法只
生成式 AI 的发展方向，是 Chat 还是 Agent？
生成式AI在对话系统中展现智慧和在自主代理中体现能力都是有可能的根据不同的应用场景和需求来选择才是最正确的方向
将VAE用于时间序列：生成时间序列的合成数据
本文将使用**一维卷积层**、**策略性的步幅选择**、**灵活的时间维度**和**季节性依赖的先验**来模拟温度数据。
Meta发布Llama 3.1开源大语言模型；谷歌发布NeuralGCM AI天气预测模型
Meta正式发布了开源大语言模型Llama 3.1，包括8B、70B和405B参数版本。Llama 3.1在推理能力和多语言支持方面有所改进，上下文长度提升至128K，405B参数版本可媲美GPT-4等领先闭源模型。该模型已开放下载，并获得AWS、英伟达等多家合作伙伴支持。在多个关键AI基准测试中，
