ResNet代码复现＋超详细注释（PyTorch）
ResNet代码复现（PyTorch），每一行都有超详细注释，新手小白都能看懂，亲测可运行
人工智能系统的技术架构
在软件设施方面，智能云平台解决的是硬件资源管理的问题，目前市面上有阿里云，腾讯云、亚马逊云，微软云，百度云等各种云平台，对外输出的是资源的服务能力，第二个是大数据平台，涉及到的是分布式存储，Hadoop等框架，在数据资源方面，把通用数据作为基础层，主要考量的点是通用数据更多的是人工智能类产品当前对外
强化学习基础：Epsilon-greedy 算法，多臂老虎机问题的理解，说点人话的强化学习，一定能看懂
多臂老虎机，epsilon-greedy算法，模拟示例，强化学习
模拟生成车牌号
‘鄂A-958G7’, ‘鄂W-67161’, ‘鄂W-94731’, ‘鄂A-05W5H’, ‘鄂W-7Y18Y’, ‘鄂A-75121’, ‘鄂A-1107U’, ‘鄂A-1530D’, ‘鄂W-R2005’, ‘鄂W-7629W’, ‘鄂W-R069D’, ‘鄂W-87657’, ‘鄂A-76
【深度学习】如何分配训练集、验证集、测试集比例
对于传统机器学习阶段（数据集在万这个数量级），一般分配比例为训练集和测试集的比例为7:3或是8:2。为了进一步降低信息泄露同时更准确的反应模型的效能，更为常见的划分比例是训练集、验证集、测试的比例为6：2：2。对于小规模样本集（几万量级），常用的分配比例是 60% 训练集、20% 验证集、20% 测
chatgpt赋能python：Python中如何查找列表中元素的下标
本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专
【AI模型系列】火力全开！百度文心3.5三大维度、20项指标国内问鼎！
百度在“芯片-框架-模型-应用”人工智能四层技术栈全面布局，其自研深度学习平台飞桨有力支撑了文心大模型的高效训练和推理，截至目前飞桨已凝聚750万名开发者。飞桨与文心协同优化，文心大模型3.5最新版本实现了基础模型升级、精调技术创新、知识点增强、逻辑推理增强等，模型效果提升50%，训练速度提升2倍，
Stable Diffusion 本地部署教程，懒人一键安装包！！！
首选你的电脑必须是英伟达的N卡，其次官方推荐显存8G ，6g起步，4g也能用！如果你的电脑是A 卡，那么使用本教程部署后不能用显卡生成，会自动选择CPU生成，会非常慢！本教程采用UP@秋葉aaaki 发布的懒人一键启动包 ，体积有足足10个G ，请提前确保你的硬盘空间 足够大！4.3 ，模型管理中下
chatgpt 超简单教程丨新手小白丨小智AI
此外，相比ChatGPT默认始终如一的语气，记者注意到OpenAI此次展示的AI聊天界面左侧有一个“系统”选项，用户可以在此指定GPT4的背景设定，如“你是一个程序员”“你是一个报税人员”等，而具体的问题可以在右侧界面提出，GPT4可以结合用户向它定义的角色回答用户提出的问题。北京时间3月15日，O
倾斜摄影三维模型的OSGB、3DTiles格式的层级划分和块大小划分规则浅析
总之，在进行OSGB和3DTiles格式的层级划分和块大小划分时，需要考虑多方面因素，如数据精度、空间范围、加载性能和用户体验等，并根据实际情况进行调整和优化，以提高数据读取速度和效率，减少内存占用和加载时间。在倾斜摄影三维模型OSGB、3DTiles格式的模型轻量化、数据转换等处理过程中，对层级和
IntelliJ IDEA 2023.2 新版本即将发布，拥抱 AI
IntelliJ IDEA 近期连续发布多个EAP版本，官方在对用户体验不断优化的同时，也新增了一些不错的功能，尤其是人工智能助手补充，AI Assistant，相信在后续IDEA使用中，会对开发者工作效率带来不错的提升。以下是官方对AI Assistant的介绍和说明：生成式人工智能和大型语言模型
人工智能深度学习100种网络模型，精心整理，全网最全，PyTorch框架逐一搭建
大家好，我是微学AI，今天给大家介绍一下人工智能深度学习100种网络模型，这些模型可以用PyTorch深度学习框架搭建。模型按照个人学习顺序进行排序
使用Python中从头开始构建决策树算法
决策树（Decision Tree）是一种常见的机器学习算法，被广泛应用于分类和回归任务中。并且再其之上的随机森林和提升树等算法一直是表格领域的最佳模型，所以本文将介绍理解其数学概念，并在Python中动手实现，这可以作为了解这类算法的基础知识。
探索人工智能 | 计算机视觉 让计算机打开新灵之窗
计算机视觉既是工程领域，也是科学领域中的一个富有挑战性重要研究领域。计算机视觉是一门综合性的学科，它已经吸引了来自各个学科的研究者参加到对它的研究之中。其中包括计算机科学和工程、信号处理、物理学、应用数学和统计学、神经生理学和认知科学等。
基于mediapipe的人体33个关键点坐标（BlazePose）
获取mediapipe中人体33个关键点的坐标（BlazePose）
编织人工智能：机器学习发展历史与关键技术全解析
关注TechLead，分享AI领域与云服务领域全维度开发技术。本文全面回顾了机器学习的发展历史，从早期的基本算法到当代的深度学习模型，再到未来的可解释AI和伦理考虑。文章深入探讨了各个时期的关键技术和理念，揭示了机器学习在不同领域的广泛应用和潜力。
中文CLIP快速上手指南
当前OpenAI提出的CLIP是AI领域内最火热的多模态预训练模型，简单的图文双塔结构让多模态表征学习变得异常简单。此前CLIP只有官方英文版本，如果想在中文领域尤其是业务当中使用这种强大的表征模型，需要非常麻烦的翻译工作。近期达摩院提出中文版本CLIP，Chinese CLIP系列，在ModelS
python峰谷值算法：findpeaks
python峰谷值算法：findpeaks
Mx_yolov3的安装并使用GPU训练
小白为了使用GPU训练模型，从各位大佬那里找来的解决方法，希望可以给大家提供帮助。
机器学习算法：UMAP 深入理解（通俗易懂！）
UMAP 是 McInnes 等人开发的新算法。与t-SNE相比，它具有许多优势，最显着的是提高了计算速度并更好地保留了数据的全局结构。降维是机器学习从业者可视化和理解大型高维数据集的常用方法。最广泛使用的可视化技术之一是 t-SNE，但它的性能受到数据集规模的影响，并且正确使用它可能需要一定学习成
