【自然语言处理】【大模型】BLOOM：一个176B参数且可开放获取的多语言模型
预训练语言模型已经成为了现代自然语言处理pipeline中的基石，因为其在少量的标注数据上产生更好的结果。随着ELMo、ULMFiT、GPT和BERT的开发，使用预训练模型在下游任务上微调的范式被广泛使用。随后发现预训练语言模型在没有任何额外训练的情况下任务能执行有用的任务，进一步证明了其实用性
stata基础--回归，画散点图，异质性分析
利用stata的内部数据来进行回归代码：sysuse autosysuse dir /*可以看到所有的数据*/su price mpg foreignreg price mpgpredict u,residual /*新变量u=每一个观测的残差*/ /*生成残差u需要紧接着回归*/mpg和pric
(02)Cartographer源码无死角解析-(00)目录_最新无死角讲解
本专栏适合自动驾驶、服务/仓储/扫地机器人等领域的工程师、在读学生、教师等。史上最新最全Cartographer讲解，不漏任何一个细节推理，无死角的公式推导与源码解析，并讲解算法落地的工程实践技巧，代码改进方向等，快速上手做项目。
Pytorch 中打印网络结构及其参数的方法与实现
pytorch 中打印网络结构及其参数的方法与实现
PyTorch 之 强大的 hub 模块和搭建神经网络进行气温预测
【代码】PyTorch 之 强大的 hub 模块和搭建神经网络进行气温预测。
k210——Maixhub 云端模型训练
k210——Maixhub 云端模型训练
使用Tansformer分割三维腹部多器官--UNETR实战
不会 transformer 没关系，本教程开箱即用。Tina姐总算对transformer下手了，之前觉得难，因为刚开始学序列模型的时候就没学会。然后就一直排斥学transformer。这两周没什么事，加上MONAI有现成的教程，就打算先跑通后，再学理论。然后，顺利的跑通了代码，再学了一周理论，发
论文阅读笔记：ShuffleNet
背景由于深度学习模型结构越来越复杂，参数量也越来越大，需要大量的算力去做模型的训练和推理。然而随着移动设备的普及，将深度学习模型部署于计算资源有限基于ARM的移动设备成为了研究的热点。ShuffleNet[1]是一种专门为计算资源有限的设备设计的神经网络结构，主要采用了pointwise group
安装tensorflow-gpu 1.12.0
在NVIDIA RTX3090上安装tensorflow-gpu 1.12.0，期间涉及CUDA和cuDNN版本切换和安装tensorflow-gpu的过程中不断报错的问题。
二分类及多分类ROC和PR曲线绘制
二分类及多分类ROC曲线的绘制二分类及多分类PR曲线的绘制
pytorch 计算混淆矩阵
混淆矩阵
局部规划算法：DWA算法原理
DWA算法（dynamicwindowapproach）是移动机器人在运动模型下推算（v,w）对应的轨迹，确定速度采样空间或者说是动态窗口（三种限制）；在速度空间（v,w）中采样多组速度，并模拟这些速度在一定时间内的运动轨迹，通过一个评价函数对这些轨迹打分，选取最优的轨迹来驱动机器人运动。...
华为云ModelArts完整流程引导——贴心的细致-帮你1小时完成整个训练过程
导读：华为云ModelArts是面向开发者的一站式AI开发平台，为机器学习与深度学习提供海量数据预处理及半自动化标注、大规模分布式Training、自动化模型生成，及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期AI工作流。ModelArts具有门槛低、高效率、高效能、易运维等特
yolov5 引入RepVGG模型结构
yolov5加入repvgg结构
MRI多序列，多中心数据集预处理--使用FSL-Flirt 配准数据
FLIRT（FMRIB 的线性图像配准工具）是用于线性（仿射）模态内和模态间脑图像配准的全自动稳健且准确的工具。什么是配准在这两张图片上，很容易看出它们没有对齐，左边相对右边倾斜，虽然我们人类视觉系统还是能把对应的解剖关系连系在一起，但是我们使用计算机分析时确不能够因此，我们希望相同的解剖结构对齐，
GAN的损失函数
在训练过程中，生成器和判别器的目标是相矛盾的，并且这种矛盾可以体现在判别器的判断准确性上。生成器的目标是生成尽量真实的数据，最好能够以假乱真、让判别器判断不出来，因此生成器的学习目标是让判别器上的判断准确性；相反，判别器的目标是尽量判别出真伪，因此判别器的学习目标是让自己的判别准确性。当生成器生成的
【论文解读】Attentional Feature Fusion
Attentional Feature Fusion是一种使用多尺度上下文注意力方式来进行特征融合的方式。
世界坐标系、相机坐标系和图像坐标系的转换
世界坐标系,相机坐标系和图像坐标系的转换
使用python进行傅里叶FFT 频谱分析
目录一、一些关键概念的引入1.1.离散傅里叶变换（DFT）1.2快速傅里叶变换（FFT）1.3.采样频率以及采样定率1.4.如何理解采样定理二、使用scipy包实现快速傅里叶变换2.1.产生原始信号——原始信号是三个正弦波的叠加2.2.快速傅里叶变换2.3.FFT的原始频谱2.4.将振幅谱进行归一化
