ChatGPT研究分析：GPT-4做了什么
上一版ChatGPT的主要挑战是，因为模型的训练量极大，很难去进行优化（ChatGPT是fine-tuning的模式）。然后再基于采样值，测算一下幂等函数的相关参数，下一轮就可以只进行少量训练，就去预测最终效果了。至于其他效果上的优化，OpenAI没有进一步解读原理，但整体应该还是基于“训练-奖励”
人工智能会影响测试工程师吗
并不是危言耸听当下最火的是什么，那非ChatGPT莫属了，以ChatGPT为代表的各类AIGC工具，在不断颠覆我们的认知，不仅能完成律师，医学考试；还能画出一张精美的设计图，拿下艺术大赛一等奖。以之对应的就是大厂裁员的消息了，互联网的打工者们瑟瑟发抖。
【学习笔记】部署yolov8到安卓手机
把yolov8部署到安卓手机哟，用手机软件也能进行检测啦
重磅！openAI开放chatGPT模型APIgpt-3.5-turbo，成本直降90%！
ChatGPT API，千呼万唤终于来了。chatGPT不仅开放 成本还直降90%！全新API基于“gpt-3.5-turbo”模型，其基础是支持ChatGPT的GPT 3.5模型，取代了此前的“text-davinci-003.”。这款名为“gpt-3.5-turbo”的模型，定价为0.002美元
【pytorch】Vision Transformer实现图像分类+可视化+训练数据保存
一、Vision Transformer介绍Transformer的核心是 “自注意力” 机制。论文地址：https://arxiv.org/pdf/2010.11929.pdf自注意力（self-attention）相比 卷积神经网络 和 循环神经网络 同时具有并行计算和最短的最大路径⻓度这两个优
元宇宙与AI能否相辅相成，打造一个全新的世界观
这段时间随着OpenAI 推出了ChatGPT及GPT-4架构，一时间各大区域几乎都被AI给刷屏了。上次被这样广泛流传的应该当属 元宇宙 了，元宇宙 最初被提及还是在1990年的科幻小说《雪崩》里被提出来。但是目前又随着AI领域的超速发展无疑让元宇宙再得到了一次重新崛起的机会。所以本篇文章来谈一谈元
【周末闲谈】AI作图，你真的了解它吗？
事实上当我们在网络中搜索AI绘画会发现，关于AI绘画的软件层出不穷，但我们关于AI绘画的起源与发展的文章却少之又少，难道它的诞生就真是顺应时代的发展吗？无可纷争的是AI绘画确实已经深入到了我们的生活之中，它给我们带来了便利的同时也带了新的问题，也许我们可以产生新的制度来规范它的发展，但我相信它的未来
机器学习-KNN算法（鸢尾花分类实战）
“近朱者赤近墨者黑"，所谓的K近邻，也就是根据样本相邻最近的K个数据来进行判断，看K个邻居中所属类别最多的是哪一类，则将该样本分为这一类。
基于深度学习的图像配准
基于深度学习的图像配准技术
coco-annotator的安装与使用
COCO Annotator是一个基于web的图像标注工具，其多功能性和易用性旨在有效地标记图像，以创建用于图像定位和对象检测的训练数据。它提供了许多不同的功能，包括标记图像片段（或片段的一部分）、跟踪对象实例、标记具有断开的可见部分的对象、以COCO 格式有效存储和导出标注信息。
Batch Norm的原理和作用
Batch Normalization做了什么？怎么用？
TensorRt（1）安装和命令行测试
根据机器硬件配置，选择TensorRt版本，安装对应的cuda、cudnn版本，命令行trtexec进行简单测试。
Keras中如何设置学习率和优化器以及两者之间的关系
Keras对优化器和学习率做了很好的封装，以至于很多人搞不清楚怎么设置学习率，怎么使用优化器，两者到底有什么区别。
文本-图像生成（Text-to-Image Generation）的评价指标介绍——CLIPScore、TISE
文本到图像生成的评价指标综述
Pytorch实现GAT(基于PyTorch实现)
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
yolov7训练自己的数据集
yolov7训练自己的数据集并使用labellmg标注工具的安装和使用
一文看懂卷积运算（convolution）与互相关运算（cross-correlation）的区别
一文看懂卷积运算（convolution）与互相关运算（cross-correlation）的区别
YOLOv5 + StrongSORT with OSNet
YOLOv5 + StrongSORT with OSNet：YOLOv5检测器 + StrongSORT跟踪算法 + OSNet行人重识别模型
transformer学习笔记：Positional Encoding（位置编码）
对于任何一门语言，单词在句子中的位置以及排列顺序是非常重要的，它们不仅是一个句子的语法结构的组成部分，更是表达语义的重要概念。
【翻译】为深度学习购买哪种GPU: 我在深度学习中使用GPU的经验和建议
这篇博文的结构如下。首先，我将解释是什么让GPU变得快速。我将讨论CPU与GPU、Tensor Cores、内存带宽和GPU的内存层次，以及这些与深度学习性能的关系。这些解释可能会帮助你对在GPU中寻找什么有一个更直观的感觉。我讨论了新的NVIDIA RTX 40安培GPU系列的独特功能，如果你购买
