ChatGLM环境配置
ChatGPT令人震撼的冲击下，笔者转向NLM的Transformer模型，ChatGLM作为清华开源的大语言模型，笔者尝试了其环境配置，为相关理论学习奠定基础。本文用于备忘与学习，无商业用途。
不清晰的图片怎么一键变清晰？分享几个简单好用的AI图片变清晰工具
我们在日常生活经常会遇到这样情况：想要从网上下载一张好看的图片当做电脑壁纸，但是因为图像太小，设置成壁纸后图片会因为被放大而变得非常模糊，那是因为放大图片会导致图片像素变得更大，而图像的分辨率并没有增加，因此图片会变得不清晰。那么怎么样才能无损放大图片，让很小的图片放大后也能一样清晰呢？
AI换脸软件有哪些？这几个工具能轻松实现换脸
但是也有很多小伙伴感觉这个操作很有趣，想要将自己的照片进行AI换脸，体验一下身临其境的感觉，那么有哪些软件能够AI换脸呢？1、这是一个照片修复工具，能够把老旧或者是褪色、模糊的照片修复清楚。可以选择两张照片，一个作为源头，另一个作为目标，软件会自动将源图片人脸的特征转移到目标图片上，实现换脸效果。可
一分钟搞懂 微调(fine-tuning)和prompt
一分钟搞懂 微调(fine-tuning)和prompt
使用RobustPCA 进行时间序列的异常检测
鲁棒主成分分析(Robust Principal Component Analysis, RobustPCA)是一种将时间序列矩阵分解为低秩分量和稀疏分量的技术。这种分解能够识别潜在的趋势，以及检测异常和异常值。
缺陷异常检测及定位性能评价指标–AUROC，PRO(per-region-overlap)
缺陷检测及定位性能评价指标
【ChatGPT】科技革命促生互联网时代 ChatGPT浪潮打乱时代布局 人工智能新时代下的发展前景
开放注册两个月用户数破亿，ChatGPT的爆火也标志着时代的浪潮将要来袭，由科技革命促生的互联网时代也即将迎来变革，我们现在正处于这样一个巨大的风口之上，人工智能领域的发展打破了原有互联网时代的平衡，使其现在进入到了一个相对浑乱的时期，作为普通人的我们，又该如何去在时代的风口之中把握自己的方向，有该
GPT是如何工作的？应用场景有哪些？
比如，给定“我想看陈赫演的爱”，语言模型可能会预测“情”字的概率较高，“乐”字的概率略低，“莲”字的概率也较低。你可能听说过GPT这个词，它是一种人工智能技术，可以生成各种各样的文本，比如小说、诗歌、新闻、对话等。那么，它是如何工作的呢？现实应用场景：GPT可以作为AI生活助手、AI售后客服、办公场
8个免费使用ChatGPT网站，部分可使用gpt4
它可以基于历史对话上下文来生成有意义的回复，并且通过迭代训练逐步提高自己的表现。网址： https://chatbot.theb.ai/#/chat/1002。它可以回答用户的问题，进行闲聊，或者完成特定任务，如翻译、阅读理解等等。能做的事情非常多，主要的几个方面是，写作，编程，总结工作等。网址：h
GPT 封号，不能注册？
最近全网都在流传不能注册了，大规模的封号？其实还好，我们群里有小伙伴昨天还成功注册的，确实开始部分停止了一些区域的注册，但是注册的大门并没有完全关上！比如这个是我们昨天注册的，目前还是有5美元的额度的！然后我们400多人的专门学习GPT的群，也有小伙伴成功注册了！并不是所有的人都不能注册，只要你按照
二次规划问题(qp)和序列二次规划问题(sqp)的简单理解
当二次规划的约束为非线性约束时，通常会采用sqp进行求解，用连续求解qp的方法来得到非线性约束条件下的最优解，上述的qpoases和osqp均无法直接求解非线性约束问题，所以如果使用这两个库的话，注意，sqp是结果，而不是原因，只有在非线性约束的情况下才会考虑sqp求解，如果问题本身就是线性约束，则
【AI作图】Midjourney保姆级注册&使用教程
木易巷最近尝试了一下Midjourney，作图效果真的很不错!
统计分析——回归分析
在大数据分析中，回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。
大咖齐聚CCIG论坛——文档图像智能分析的产业前沿
2023年5月13日，中国图象图形学学会文档图像分析与识别专业委员会与上海合合信息科技有限公司联合打造《文档图像智能分析与处理》高峰论坛。欢迎感兴趣的同学们参加
图片、视频修复并超分 - Real-ESRGAN项目使用（一） | 机器学习
前段时间一直在弄golang，很少关注一些开源项目。正巧碰到一个，可以将模糊的照片或者视频修复清晰，且可以超分处理的项目。
机器学习强基计划8-5：图解局部线性嵌入LLE算法(附Python实现)
局部线性嵌入(Locally Linear Embedding, LLE)限制样本在降维后的低维空间中的k近邻局部线性关系，等价于原始空间。本文详解LLE算法原理并给出Python实现
AI算力碎片化：矩阵乘法的启示
尽管AI的发展取得了巨大进步，但编译器LLVM之父Chris Lattner认为，AI技术应用并不深入，远远没有发挥出已有机器学习研究的所有潜力。而AI系统和工具的单一化和碎片化正是造成这一问题的根源。为了让AI发挥其真正的潜力，计算碎片化是需要解决的重点问题之一，目标是让AI软件开发人员能够无缝地
forward函数——浅学深度学习框架中的forward
forward函数是深度学习框架中常见的一个函数，用于定义神经网络的前向传播过程。在训练过程中，输入数据会被传入神经网络的forward函数，然后经过一系列的计算和变换，最终得到输出结果。具体来说，forward函数的作用是将输入数据经过网络中各个层的计算和变换后，得到输出结果。在forward函数
基于VITS 快速微调的本地环境配置、本地训练以及本地推理的教程
该教程能教会读者如何使用本地服务器使用VITS微调训练自己的想要的角色的声音并且本地推理，注意只能使用linux版本进行训练，但是推理可以在windows上完成。
分割常用损失函数
交叉熵损失公式：其中表示真实标签，表表示预测结果。优点：交叉熵Loss可以用在大多数语义分割场景中。缺点：对于只分割前景和背景的时候，当前景像素的数量远远小于背景像素的数量时，即y=0的数量远远大于y=1的数量，损失函数中y=0的成分就会占据主导，使得模型严重偏向背景，导致效果不好。（该缺点对二分类
