【yolov5s中加入DCNv2（可变形卷积v2）】
在yolov5s中加入DCNv2进行实验
实测百度文心一言距离ChatGPT还有多远？
期待已久之后，终于拿到了文心一言的邀请码，第一时间进行了测试。最后面会讲一下如何获取邀请码。
自动驾驶感知——激光雷达物体检测算法
点视图 | PointNet/PointNet++，Point-RCNN，3D-SSD俯视图 | VoxelNet，SECOND，PIXOR，AFDet前视图 | LaserNet，RangeDet多视图融合 （俯视图+点视图）|PointPillar，SIENet，PV-CNN多视图融合（俯
一文看懂膨胀（空洞）卷积（含代码）
详细说明了膨胀卷积（空洞卷积）的背景，特点，特点解释，计算，优缺点，代码
精确控制 AI 图像生成的破冰方案，ControlNet 和 T2I-Adapter
ControlNet 和 T2I-Adapter 的突破性在哪里？有什么区别？其它为 T2I 扩散模型施加条件引导的相关研究ControlNet 和 T2I-Adapter 的实际应用效果如何？使用体验上，跟 SD原生支持的 img2img 有什么区别？ControlNet 在插画创作上的潜力多种条
Pandas 2.0正式版发布： Pandas 1.5，Polars，Pandas 2.0 速度对比测试
这里我们将对比下 Pandas 1.5，Polars，Pandas 2.0 。看看在速度上 Pandas 2.0有没有优势。
神经网络数据增强transforms的相关操作（持续更新）
transforms的相关操作（Pytorch）一、图像的相关变化1、格式转换（1）transforms.ToTensor()（2）transforms.ToPILImage()1、图像大小（1）一、图像的相关变化1、格式转换（1）transforms.ToTensor()可将PIL格式、数组格式转
Transformer框架时间序列模型Informer内容与代码解读
Transformer框架时间序列模型Informer内容与代码解读。详细介绍概括了顶会论文AAAI‘21 Best Paper的核心内容。
【知识图谱】深入浅出讲解知识图谱（技术、构建、应用）
知识图谱的背景 2012 年 5 月 17 日，Google 正式提出了知识图谱（Knowledge Graph）的概念，其初衷是为了优化搜索引擎返回的结果，改善用户的搜索质量以及搜索体验。当前的人工智能技术其实可以简单地划分为感知智能（主要是图像、视频、语音、文字等识别）和认知智能（涉及知识推理、
梯度下降算法(Gradient descent)
人工智能基础算法 梯度下降算法Gradient descent
Python【二手车价格预测案例】数据挖掘
Python二手车价格预测案例数据挖掘
深度学习基础之正向传播与反向传播
因为这学期上了一门深度学习的课，老师上课推公式，写密密麻麻一黑板，看也看不清，讲完擦了之后说这推导如果考试必考，人都傻了，只能回过头来看她课件理解理解了。以下都是以计算图为例。
【ChatGPT整活大赏】写论文后自动生成视频
ChatGPT国内又火了一把，功能很强大，接下来就带大家感受一下它的强大之处，通过ChatGPT写一篇论文并自动生成视频，增加内容的可读性
Python基于改进YOLOv5的烟叶病害检测系统（附带源码）
Python基于改进YOLOv5的烟叶病害检测系统（附带源码）Python、Anacanda、Pycharm、CUDA和cuDNN等基础的环境安装部署可以参考博主的B站视频教程[2022手把手教学版]Python＆Anacanda＆Pycharm安装，虚拟环境配置[CUDA＆cuDNN]炼丹师手把手
深度学习参数初始化（二）Kaiming初始化 含代码
Xavier初始化在ReLU层表现不好，主要原因是relu层会将负数映射到0，影响整体方差。而且Xavier初始化方法适用的激活函数有限：要求关于0对称；线性。而ReLU激活函数并不满足这些条件，实验也可以验证Xavier初始化确实不适用于ReLU激活函数。所以何恺明在对此做了改进，提出Kaimin
知识图谱现学现用（Django 2.2 + Neo4j 3.5）
Neo4j是一个高性能的NOSQL图形数据库，它将结构化数据存储在网络上而不是表中。它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎，但是它将结构化数据存储在网络(从数学角度叫做图)上而不是表中。Neo4j也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库的所有特性。程序员工
Openai神作Dalle2理论和代码复现
Openai神作Dalle2理论和代码复现
Hugging face预训练模型下载和使用
Hugging face预训练模型下载和使用
Sequential模型、Flatten层、Dense层
顺序模型核心操作是添加layers,有两种方法第一种:通过add()添加第二种;直接添加选择优化器（如rmsprop或adagrad）并指定损失函数（如categorical_crossentropy）来指定反向传播的计算方法调用fit函数将数据提供给模型。这里还可以指定批次大小（batch siz
