使用树状图可视化聚类
这篇文章中，我们介绍如何使用树状图（Dendrograms）对我们的聚类结果进行可视化。
不用AI也能实现的文字自动播报
本章重点介绍了Html5中SpeechSynthesis这个类，通过这个类完成了一个诗词类赏析文本的播报功能
java调用chatgpt接口，实现专属于自己的人工智能助手
今天突然突发奇想，就想要用java来调用chatget的接口，实现自己的聊天机器人，但是网上找文章，属实是少的可怜(可能是不让发吧)。找到了一些文章，但是基本都是通过调用别人的库来完成的，导入其他的jar还有不低的学习成本，于是就自己使用HttpClient5写了一个，在这里讲解一下思路。对于Api
Half-UNet:用于医学图像分割的简化U-Net架构
Half-UNet简化了编码器和解码器，还使用了Ghost模块(GhostNet)。并重新设计的体系结构，把通道数进行统一。
六轴传感器+卡尔曼滤波+一阶低通滤波
直立控制是通过角度与角速度反馈来进行的，所以角度与角速度的测量至关重要。本系统使用 MPU6050 作为姿态传感器，集成一个加速度传感器和一个陀螺仪，可以输出三轴的加速度与角速度。角速度的获取可以通过陀螺仪来直接读取，角度的获取可以有两种方法来测量：一是通过加速度计的加速度分量来计算，二是通过陀
Cursor编程初体验，搭载GPT-4大模型，你的AI助手，自然语言编程来了
这两天体验了下最新生产力工具Cursor，基于最新的 GPT-4 大模型，目前免费，国内可访问，不限次数，你确定不来体验一把？以下通过12个简单的问题，从*语言支持*、*语法支持*、*业务场景*、*代码解释*、*代码优化*等方面来体验一把这个编程生产力利器。理论上，对于复杂的任务，只要分解到GPT能
[ 注意力机制 ] 经典网络模型1——SENet 详解与复现
[ 注意力机制 ] 经典网络模型1——SENet 详解与复现1、Squeeze-and-Excitation Networks2、Squeeze-and-Excitation block3、SENet 详解4、SENet 复现Squeeze-and-Excitation Networks简称 SEN
Prompt Learning 简介
• Prompt Learning 可以将所有的任务归一化预训练语言模型的任务• 避免了预训练和fine-tuning 之间的gap，几乎所有 NLP 任务都可以直接使用，不需要训练数据。• 在少样本的数据集上，能取得超过fine-tuning的效果。• 使得所有的任务在方法上变得一致。
ChatGPT 编写模式：如何高效地将思维框架赋予 AI ？
如何理解 Prompt ？Prompt Enginneeringprompt 通常指的是一个输入的文本段落或短语，作为生成模型输出的起点或引导。prompt 可以是一个问题、一段文字描述、一段对话或任何形式的文本输入，模型会基于 prompt 所提供的上下文和语义信息，生成相应的输出文本。举个例子，
10个Pandas的另类数据处理技巧
本文所整理的技巧与以前整理过10个Pandas的常用技巧不同，你可能并不会经常的使用它，但是有时候当你遇到一些非常棘手的问题时，这些技巧可以帮你快速解决一些不常见的问题。
一站式自动化测试工具——AI-TestOps
最近以来，最新的软件项目认为，一个完整的软件生命周期中包括验证，测试软件的运行结果能否接近预期值，需要尽可能早地发现问题、解决问题，假如没有能够在调试的早些时候发现，误差就会逐步扩散，最后导致在软件的测试结果出现重大误差。无论是接口调试还是接口测试，AI-TestOps都算的上很优秀的工具，好多接口
AI-TestOps —— 软件测试工程师的一把利剑
自动化测试工具结合人工智能黑科技（AI），开启软件测试新纪元。
【ChatGPT】Notion AI 从注册到体验：如何免费使用
Notion AI 是基于 GPT-3 模型的 AI 问答软件，“在线文档“场景与”生成式AI”的无缝结合，一站式智能解决文档写作的需求。本文详解 Notion AI 的注册、功能和使用，以及——如何免费使用 Notion Plus 计划。
电气领域相关数据集（目标检测，分类图像数据及负荷预测），电气设备红外测温图像，输电线路图像数据续
电气领域相关数据集（目标检测，分类图像数据及负荷预测），输电线路图像数据续
TOF，双目，结构光，激光雷达等传感器及相关技术
单目 双目
RF模型（随机森林模型）详解
入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。一、RF简介RF模型属于集成学习中的bagging流派1、集成学习简介集成学习分为2派：（1）boosting：它组合多个弱学习器形成一个强学习器，且各个弱学习器之间有依赖关系。（2）baggin
多分类损失函数（机器学习）
预测值越接近真实标签值，交叉熵损失函数值越小，反向传播的力度越小。为什么不能使用均方差损失函数作为分类问题的损失函数？凸性与最优解求导运算的复杂性和运算量则损失函数为：可以看到由于分类错误，loss2的值比loss1的值大很多。反向传播误差矩阵为：本来是第二类，误判为第一类，所以前两个元素的值很大
wandb训练模型报API错误
wandb: W&B API key is configured (use `wandb login --relogin` to force relogin)wandb是Weight & Bias的缩写，一句话，它是一个参数可视化平台。wandb强大的兼容性，它能够和Jupyter、TensorFl
AAAI2023 | DeMT: CNN+Transformer实现多任务学习（分割/深度等）
本文结合了可变形CNN和query-based 的Transformer优点，提出了一种新的MTL模型，用于密集预测的多任务学习，基于简单有效的编码器-解码器架构（即，可变形混合器编码器和任务感知transformer解码器），称之为DeMT。
