NLP / LLMs中的Temperature 是什么?
ChatGPT, GPT-3, GPT-3.5, GPT-4, LLaMA, Bard等大型语言模型的一个重要的超参数
高翔ORB-SLAM2稠密建图编译（添加实时彩色点云地图+保存点云地图）
目录前言系统版本一、准备工作下载源码二、编译 ./build.sh1.删除一些build文件夹2.创建 Vocabulary 文件夹3.在CMakeLists.txt中取消编译器的一些设置4.编译5.运行TUM数据集6.实时查看彩色点云地图1）2）7.保存彩色点云地图三、编译 ./build_ros
AI风暴 ：文心一言 VS GPT-4
AI风暴 ：文心一言 VS GPT-4
yolov7数据集格式用于目标识别与实例分割
解释yolov7目标识别与实例分割使用的数据集格式
音频（一）时域图、 频谱图 Spectrum
梅尔频率 倒谱 系数为了理解 梅尔频率 倒谱系数 ， 我们需要先理解以下基本概念：mel frequency cepstrum coefficient1. 频谱1.1 声音信号是一维的时域信号，无法观察出频率随时间的变化规律。1.2 频谱： 如果通过傅里叶变换把它变到频域上，可以看出信
经典神经网络论文超详细解读（七）——SENet（注意力机制）学习笔记（翻译＋精读＋代码复现）
SENet论文（《Squeeze-and-Excitation Networks》）超详细解读。翻译＋总结。文末有代码复现
Pointpillars三维点云实时检测
实现实时检测的pointpillars
NLP学习笔记——情感分析一 (简介)
情感分析的研究现状、技术方法、存在问题等简单介绍。
Apollo开放平台8.0发布：多维升级“为开发者而生”
Apollo开放平台8.0重磅发布：多维升级“为开发者而生”
详解：yolov5中推理时置信度，设置的conf和iou_thres具体含义
详解：yolov5中推理时置信度，设置的conf和iou_thres具体含义
深入探讨YOLOv8 网络架构
我们的基准测试是在英特尔的支持下开发的，是计算机视觉从业者的基准测试，旨在为以下问题提供更好的答案：“该模型在我的自定义数据集上的表现如何？由于我们知道这个模型会不断改进，我们可以将最初的 YOLOv8 模型结果作为基线，并期待随着新迷你版本的发布而进行未来的改进。下面的箱线图告诉我们，当针对 Ro
【个人笔记】UNet使用自己数据集训练（多分类）
参考链接：Pytorch下实现Unet对自己多类别数据集的语义分割_brf_UCAS的博客-CSDN博客_pytorch unet多类分割一、UNet代码链接UNet代码：二、开发环境Windows、cuda :10.2 、cudnn:7.6.5 pytorch1.6.0 python 3.7pyt
使用Chatgpt 如何提问回答方法介绍
使用chatgpt 来提问，搜寻高质量答案
【YOLOV5-6.x讲解】数据增强方式介绍+代码实现
数据增强的作用：分割需要在像素级别进行标签标注，一些专业领域的图像标注，依赖于专业人士的知识素养，在数据集规模很小的情况，如何提高模型的表现力迁移学习：使得具有大量标注数据的源域帮助提升模型的训练效果数据增强 学习到空间的不变形，像素级别的不变形特征都有限，利用平移，缩放，旋转，改变色调值等方法，让
【修改huggingface transformers默认缓存文件夹】
huggingface transformers; 默认缓存目录
Pytorch—模型微调（fine-tune）
对于不同的层可以设置不同的学习率，一般情况下建议，对于使用的原始数据做初始化的层设置的学习率要小于（一般可设置小于10倍）初始化的学习率，这样保证对于已经初始化的数据不会扭曲的过快，而使用初始化学习率的新层可以快速的收敛。
NLP进阶，Bert+BiLSTM情感分析实战
Bert+BiLSTM做情感分析情感分析情感分析一类的任务比如商品评价正负面分析，敏感内容分析，用户感兴趣内容分析、甚至安全领域的异常访问日志分析等等实际上都可以用文本分类的方式去做，情感分析的问题本质是个二分类或者多分类的问题。什么是Bert？BERT的全称为Bidirectional Encod
2021年电赛F题智能送药小车（国二）开源分享
2021电赛F题智能送药小车设计并制作智能送药小车，模拟完成在医院药房与病房间药品的送取作业。使用ArduinoMega2560主控，Openmv4 Plus作视觉处理。
毕业设计-基于机器学习的股票预测
毕业设计-基于机器学习的股票预测：越来越多的学者投入到股市预测的研究中，探求股市发展规律，也不断有新的科学技术应用到股市预测，以求能够预先掌握其发展趋势。股市如今已成为中国经济发展不可或缺的重要组成部分，由于其高回报率，一直是备受欢迎的投资之一。然而股票价格波动率取决于诸多因素，如股票政策、恐慌情绪
聊聊关于图像分割的损失函数 - BCEWithLogitsLoss
目录1. sigmoid + BCELoss2. BCEWithLogitsLoss3. gossip本篇文章是在做图像分割任务，关于损失函数的一些内容。这里需要的损失函数是：BCEWithLogitsLoss() 就是：sigmoid + BCELoss接下来通过例子来讲解，例如图像分割的时候，网
