RK3588平台开发系列讲解（AI 篇）RKNN-Toolkit2 API 介绍
📢本篇章主要讲解 RKNN-Toolkit2 API 详细说明。
2023 年 VSCode 的 5 大人工智能扩展
在快节奏的软件开发世界中，一项创新脱颖而出，成为真正的游戏规则改变者：人工智能（AI）。凭借其卓越的功能，人工智能彻底改变了开发人员与代码交互的方式，重塑了现代编程的格局。由于软件开发行业中新的生成AI技术的出现，Visual Studio Code Marketplace中已经有400多个注入AI
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
PointPillars 工程复现
PointPillars 工程复现， 学习并复现PointPillars，解决部署时遇到的各类问题。
tensorflow如何使用gpu
tensorflow查看GPU的数量、使用GPU加速，单GPU模拟多GPU环境等
使用数据预训练一个AI语言模型
我们之前讲过了如何部署一个别人已经训练好的AI模型、也学会了如何微调一个AI模型，也讲了预训练模型和微调模型的区别，那本文就聊聊如何从零训练一个语言模型吧！
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
RK3588平台开发系列讲解（AI 篇）RKNN C API 详细说明
📢本篇章主要讲解 RKNN C API 详细说明。
日入500+的AI漫画小说推文项目,用ChatGPT分析100个赚钱副业
当直播间人气较高时，就可以接受观众送出的礼物，这类直播间每分钟能够获得三个棒棒糖的礼物，三个小时直播下来收益大约在500左右，一天两场直播就能达到约1000的收益。当然，这并不是每个人都能做到的，因为任何项目都有成功和失败之分，这取决于个人的努力程度。实际上，现如今普通的小说推文已经过于普遍，除非你
CMT:卷积与Transformers的高效结合
论文提出了一种基于卷积和VIT的混合网络，利用Transformers捕获远程依赖关系，利用cnn提取局部信息。构建了一系列模型cmt，它在准确性和效率方面有更好的权衡。
AI夏令营第三期用户新增挑战赛学习笔记
通过数据可视化，我们可以更详细地观察不同特征与目标之间的关系，从而帮助我们筛选出有用的特征，并进行特征组合，以进一步提高模型的预测准确性。并且可以更好地理解数据，发现数据中的模式和趋势，并根据这些发现来优化我们的建模过程。
Python：使用pycorrector处理错字、纠正
pycorrector是一个开源的中文文本纠错工具。支持中文音似、形似、语法错误纠正，python3开发。pycorrector实现了Kenlm、ConvSeq2Seq、BERT、MacBERT、ELECTRA、ERNIE、Transformer等多种模型的文本纠错，并在SigHAN数据集评估各模型
论AI GPT跨境贸易架构及其应用
软考 高级 系统架构师 论文 微服务 云原生 系统架构设计 设计模式 分布式 大数据
RK3588平台开发系列讲解（AI 篇）RKNN-Toolkit2 模型的加载
📢 RKNN-Toolkit2 目前支持 Caffe、TensorFlow、TensorFlowLite、ONNX、DarkNet、PyTorch等模型的加载转换，这些模型在加载时需调用对应的接口，以下为这些接口的详细说明。
推荐9个好玩的AI作图网站
除了PhotoShop，还有许多设计工具开发了AI设计功能，本文就从中整理出了9款好用的给大家推荐，一起来看看吧！
AI绘图实战（十二）：让AI设计LOGO/图标/标识 | Stable Diffusion成为设计师生产力工具
S：AI能取代设计师么？I ：至少在设计行业，目前AI扮演的主要角色还是超级工具，要顶替？除非甲方对设计效果无所畏惧~~stable diffusion就只能小姐姐么？不，今天我们用stable diffusiony将制作logo~~哈哈经过这几个版本的更新，stable diffusion是可以用
AI学习笔记二：YOLOV5环境搭建及测试全过程
若该文为原创文章，转载请注明原文出处。记录yolov5从环境搭建到测试全过程。
【阅读论文】USAD：多变量时间序列上的无监督异常检测
IT系统的自动监控是Orange目前面临的挑战。考虑到其IT运营所达到的规模和复杂性，随着时间的推移，用于推断正常和异常行为的测量所需的传感器数量急剧增加，使得传统的基于专家的监督方法变得缓慢或容易出错。在本文中，我们提出了一种快速而稳定的方法，称为基于反向训练的自动编码器的多变量时间序列的无监督异
特定场景小众领域数据集之——焊缝质量检测数据集
特定场景小众领域数据集之——焊缝质量检测数据集
【阅读笔记】多任务学习之PLE(含代码实现)
本文作为自己阅读论文后的总结和思考，不涉及论文翻译和模型解读，适合大家阅读完论文后交流想法，文末含PLE的Pytorch实现及Synthetic Data的生成代码。
