Tensorflow1 搭建Cuda11
Tensorflow1中默认支持cuda10及以下的，最高的版本Tensorflow1.15默认使用cuda10；但是一些高性能的显卡，比如A100、3090等，它们只支持Cuda11的，这就不太友善了，毕竟不少项目依赖Tensorflow1搭建的。本文整理2种方法，一种是基于Conda搭建的，一种
Pytorch对预训练好的VGG16模型进行微调
对于一个复杂的卷积神经网络来说，通常网络的层数非常大，网络的深度非常深、网络的参数非常多，单单设计一个卷积网络就需要颇费心思，何况网络还需要大量的数据集进行漫长时间的训练，若没有一个好的算力平台也很难迅速训练出模型。可见，从头到尾搭建一个中等规模的卷积神经网络对于我们来说绝非易事。幸运的是PyTor
基于PyTorch+CNN一维卷积实现短期电力负荷预测
本项目使用了一种基于一维卷积CNN短期电力负荷预测方法，该方法将历史负荷数据作为输入，将输入向量构造为时间序列形式作为 Conv1D 网络的输入，建模学习特征内部动态变化规律，最后完成短期负荷预测。
BERT模型基本理念、工作原理、配置讲解（图文解释）
BERT模型基本理念、工作原理、配置讲解（图文解释）
XGBOOST算法Python实现（保姆级）
本文基于XGBOOST算法，从数据预处理、算法原理、算法实现、敏感性分析和算法应用都做了具体的分析，可适用于大部分机器学习算法初学者。
从零开始，三分钟内用Python快速自建一个私有化 ChatGpt 聊天机器人网站
用 Python 构建由 gpt-3.5-turbo API 支持的聊天机器人网站自2023年3月1日发布“ChatGPT API”以来，已经开发出了数千个基于该API的应用程序，为企业和个人开启了新的可能性时代。借助GPT-3.5的自然语言处理能力，用户可以创建能够无缝与人交互的聊天机器人，以回答
【记录】ChatGPT使用记录
ChatGPT使用记录
KL散度和交叉熵的对比介绍
KL散度（Kullback-Leibler Divergence）和交叉熵（Cross Entropy）是在机器学习中广泛使用的概念。这两者都用于比较两个概率分布之间的相似性，但在一些方面，它们也有所不同。本文将对KL散度和交叉熵的详细解释和比较。
【YOLO】P1 YOLO简介
YOLO简介，YOLO的相关介绍视频推荐~~
【数字图像处理】直方图均衡化与规定化
灰度级范围[0,L-1]的数字图像，在实际使用中，用哥灰度级的像素总数除以MN的整幅图像的像素数量，归一化到规律中进行计算，这样可以解除面积对哥灰度级在所有橡树中分布的影响，仅仅靠概率进行分析个灰度级的分布。在较暗的图像中，直方图的分量集中在灰度级的低段。低对比度图像具有较窄的直方图，且都集中于[0
合宙AIR32F103CBT6刷回CMSIS-DAP固件和DAP升级固件以及刷ST-LINK V2-1固件方法
合宙AIR32F103CBT6刷回CMSIS DAP固件以及刷ST-LINK固件方法
优化器SGD、Adam和AdamW的区别和联系
优化器是用来更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优值，从而最小化(或最大化)损失函数。
语音增强——基本谱减法及其python实现
语音增强——基本谱减法及其python实现
ResNet 训练CIFAR10数据集，并做图片分类
超深的网络结构，可以突破1000层提出residual 模块使用Batch Normalization 抑制过拟合，丢弃Dropout方法针对第一点，我们知道加深网络层对于提升网络性能至关重要。然而实际情况中，网络层的加深会导致学习无法进行，性能会更差。因为网络的深度会导致梯度消失或者梯度爆炸的问题
ChatGPT正式开放API，企微接入平台上线
这几天，OpenAI正式开放ChatGPT API的消息又再次火爆AI界的朋友圈了吧，并且开放的是已经应用到 ChatGPT 产品中的gpt-3.5 - turbo模型。不仅如此，让开发者更兴奋的是ChatGPT因为成本的降低，以前每处理1000个tokens（相当于750个单词）的费用为0.02美
【图像处理】图像拼接原理介绍
图像拼接（image mosaic）是将同一场景中的两张或多张重叠图像拼接成一张更大图像的技术，在机器视觉、医学成像等多个领域有着广泛的应用。常见的图像拼接算法流程如下：即提取输入图像中的特征，例如角点、边缘等信息。即将同一目标场景下的两张或多张图像在空间位置上对准。随机抽样一致性算法，用来剔除异常
CNN(一维卷积Conv1D)实现时间序列预测(PyTorch版)
本专栏整理了《深度学习时间序列预测案例》，内包含了各种不同的基于深度学习模型的时间序列预测方法，例如LSTM、GRU、CNN（一维卷积、二维卷积）、LSTM-CNN、BiLSTM、Self-Attention、LSTM-Attention、Transformer等经典模型，包含项目原理以及源码，每一
深度学习之CSPNet网络分析
一、简介CSPNet：Cross Stage Partial Network，跨阶段局部网络作用：从网络设计角度来缓解以前推理时需要很大计算量的问题推理计算过高的原因：由于网络优化中的梯度信息重复导致的！cspnet解决方式：通过将梯度的变化从头到尾地集成到特征图中，在减少了计算量的同时可以保证准确
目标检测算法——YOLOv5/YOLOv7改进结合新神经网络算子Involution（CVPR 2021）
💡💡魔法搭配计算机视觉领域各类创新新颖且行之有效的网络结构，平均精度均值mAP涨点明显，实验效果也俱佳。有需要的小伙伴可以在CSDN/QQ后台留言+点赞收藏喔！！！👍👍👍🔥🔥🔥
却话文心一言（Chatgpt们），存算一体真能突破AI算力“存储墙”|“能耗墙”|“编译墙”？
存算一体，可将带AI计算的中大量乘加计算的权重部分存在存储单元中，在存储阵列中完成卷积运算。在传统计算机的设定里，存储模块是为计算服务的，因此设计上会考虑存储与计算的分离与优先级。，将存储和计算的融合，能够打破传统架构下的三堵墙，彻底消除访存延迟，并极大降低功耗。现如今，这“三堵墙”已导致大量算力无
