Stable Diffusion 图片生成AI模型 Windows Mac部署指南
Stable Diffusion是2022年发布的深度学习文本到图像生成模型。它主要用于根据文本的描述产生详细图像，它也可以应用于其他任务，如内补绘制、外补绘制，以及在提示词（英语）指导下产生图生图的翻译。Stable Diffusion的代码和模型权重已公开发布，可以在大多数配备有适度GPU的电
10分钟训练属于你的AI变声器
模型的话，可以使用其他人分享的，也可以自己训练模型。下面介绍怎么训练模型。
对卡尔曼滤波的理解：平滑插值、滤波和预测！想用的来看啦！
对卡尔曼滤波的理解：平滑插值、滤波和预测！想用的来看啦！
Stable Diffusion模型运算量分析
StableDiffusion运算量分析
数学建模国赛2022C解题分享
数学建模国赛2022C题思路分享【省二菜鸟】
推荐一款在IDEA里使用的AI辅助工具-Bito
推荐一款在IDEA里使用的AI辅助工具-Bito
【人工智能】结合代码通俗讲解 Transformer 推理性能优化技术：KV Cache
KV Cache是Transformer推理性能优化的一项重要工程化技术，各大推理框架都已实现并将其进行了封装（例如 transformers库 generate 函数已经将其封装，用户不需要手动传入past_key_values）并默认开启（config.json文件中use_cache=True
Midjourney以图生图功能的使用
这里只是举了个简单的例子。大家可以根据这个以图生图的例子来创作出自己的图片。MidJourney以图生图，可以根据你上传的图片生成新的图片。MidJourney的基础操作使用方法可以看这篇文章。3.输入描述词，生成图片。这就是生成后的图片效果了。
【AI底层逻辑】——篇章5（下）：机器学习算法之聚类&降维&时间序列
时间序列模型在解决实际问题时，序列必须满足特定的数据分布，或者具有平稳的时间序列特性，比如在剔除趋势数据后，时间序列不能与时间有依赖关系，数据波动的频率和幅度不能随时间变化等。——举例来说，随意挑选两个特征构建它们的散点图，如下图所示，图中每个点有两个特征，分别对应X轴和Y轴，在图中画一条直线，将所
YOLOV5的FPS计算问题
pre-process：图像预处理时间，包括图像保持长宽比缩放和padding填充，通道变换（HWC->CHW）和升维处理等；inference：推理速度，指预处理之后的图像输入模型到模型输出结果的时间；NMS ：你可以理解为后处理时间，对模型输出结果经行转换等；data换为自己的数据集对应的yam
最新AI创作系统ChatGPT网站源码+新增GPT联网功能+支持GPT4+支持ai绘画+实时语音识别输入
程序已支持ChatGPT4.0、Midjourney绘画、GPT3.5 API绘画、GPT联网功能、绘画广场功能、Prompt功能，后台自定义添加，用户也可自定义添加+实时语音识别输入、用户会员套餐、用户每日签到功能、后台管理、一键更新版本。支持手机电脑不同布局页面自适应。支持中文普通话、英语后台自
【AI】清华开源中英双语对话模型ChatGLM2-6B本地安装笔记
本文记录了本地安装ChatGLM2-6B的过程，本地是用了一张RTX4070 12G的显卡，对于这个模型有点勉强，但是在实际运行中发现Win11系统给了共享GPU存储，这让我这个12G的显卡也运行了13G的模型，目前看是能正常运行，没有爆显存的问题
离散数据与连续数据
在一定区间内可以任意取值的数据叫连续数据，其数值是连续不断的，相邻两个数值可作无限分割，即可取无限个数值。例如，生产零件的规格尺寸和人体测量的身高和体重和胸围等为连续数据，其数值只能用测量或计量的方法获得。离散变量如果变量值的变动幅度很大，变量值的个数很多，则把整个变量值依次划分为几个区间，各个变量
卷积、空洞卷积、反卷积与空洞反卷积的计算公式(全)
经常使用的卷积有卷积、空洞卷积、反卷积与空洞反卷积的，下面总结了他们的计算公式。
基于onnx模型和onnx runtime推理stable diffusion
基于onnx模型和onnx runtime推理stable diffusion
torch 1.13.0 对应的torchvision版本
奈何官网也没有说对应的torchvision版本是啥，如果想要。由于torch版本肯定是会快速迭代更新的，比起记住特定版本，倒不如记住这个思路。torch最新的stable版本是。
【深度学习环境】如何查看CUDA版本 | 两个CUDA版本各表示什么 | 是否可以在同一设备安装多个CUDA版本
【深度学习环境】如何查看CUDA版本 | 两个CUDA版本各表示什么 | 是否可以在同一设备安装多个CUDA版本
改进YOLO系列：改进YOLOv8，教你YOLOv8如何添加20多种注意力机制，并实验不同位置。
注意力机制（Attention Mechanism）是深度学习中一种重要的技术，它可以帮助模型更好地关注输入数据中的关键信息，从而提高模型的性能。注意力机制最早在自然语言处理领域的序列到序列（seq2seq）模型中得到广泛应用，后来逐渐扩展到了计算机视觉、语音识别等多个领域。注意力机制的基本思想是为
收藏丨30个大语言模型训练相关的数据集分享
更多数据集，请访问OpenDataLab官网
