ChatGPT详解
ChatGPT详解
中文ChatGPT平替——ChatGLM：全新对话模型内测，手把手调教开源单卡版本
ChatGLM是一个具备问答和对话功能的语言模型，目前处于内测阶段，已经开启邀请制，并且将逐步扩大内测范围。此外，ChatGLM也已经开源了最新的中英双语对话模型ChatGLM-6B，结合模型量化技术，用户可以在消费级显卡上进行本地部署。ChatGLM-6B共经过约1T标识符的中英双语训练，辅以监督
手把手教你进行安全帽的佩戴检测（附数据集+代码演示+实验结果）
一起来进行安全帽的佩戴检测
GELU激活函数
GELU激活函数简介
AI画图 Disco-diffusion 本地搭建测试
Disco Diffusion图像生成网络，输入文字输出美图。
微信小程序 | 人脸识别的最终解决方案
不要再看那些乱七八糟的教程了，一文总结了小程序人脸识别的全部方案！只求最优解！
Torchtext快速入门（一）——Vocab
深入解读torchtext.vocab.Vocab
chatGPT 使用场景
chatGPT 应用场景介绍
Blender 物理属性 （四）流体
1 流体用于模拟水流，烟雾等效果2 流体一共有三种类型，域，流，效果器。
（Note）优化器Adam的学习率设置
从统计的角度看，Adam的自适应原理也是根据统计对梯度进行修正，但依然离不开前面设置的学习率。如果学习率设置的过大，则会导致模型发散，造成收敛较慢或陷入局部最小值点，因为过大的学习率会在优化过程中跳过最优解或次优解。同时神经网络的损失函数基本不是凸函数，而梯度下降法这些优化方法主要针对的是凸函数，所
face_recognition库的使用
face_recognition库基于dlib的使用，包含dlib的安装，及face_recognition库各个方法的使用
MFCC特征提取
在语音识别方面，最常用到的语音特征就是梅尔倒谱系数（Mel-scaleFrequency Cepstral Coefficients，简称MFCC）。 MFCC的提取过程包括预处理、快速傅里叶变换、Mei滤波器组、对数运算、离散余弦变换、动态特征提取等步骤。
人工智能前沿——深度学习热门领域（确定选题及研究方向）
人工智能前沿——深度学习热门领域（确定选题及研究方向）
[YOLOv7/YOLOv5系列算法改进NO.15]网络轻量化方法深度可分离卷积
前 言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效
【Timm】create_model所提供的ViT模型概览
【Timm】create_model所提供的ViT模型概览，⚪结合vision transformer理解
opencv调用yolov7 yolov7 c++ yolov7转onnx opencv调用yolov7 onnx
在项目部署过程中，为了脱离pytorch而只使用C++调用，我参考了市面上N多解决办法，最终把程序调试通过，调用过程是先把yolov7.pt转化为yolov7.onnx，之后再通过opencv dnn来调用onnx。注意：之前我安装的pytorch gpu版本一直没有通过，后来把 requireme
Kaggle，上传，GPU，下载
Kaggle的基本使用
传统目标跟踪——光流法
简单来说，光流就是瞬时速度，在时间间隔很小时，也等同于目标的位移，光流场是灰度图像的二维矢量场，它反映了图像上像素的变化趋势，可看成是带有灰度的像素点在图像平面上运动而产生的瞬时速度场，它包含的信息即是各像素点的瞬时运动速度矢量信息，既可以表现为物体运动的运动方向也可表现为物体运动的速率。为了避免大
MobileNet系列论文
传统CNN，内存需求量大、运算量大，导致无法在移动设备以及嵌入式设备上运行。MobileNet是Google团队在2017年提出，专注于移动端或者嵌入式设备中的轻量级CNN网络。相比于传统的CNN，在准确率下幅度下降的前提下大大减少了模型参数与运算量。（相比于VGG16准确率下降了0.9%，但模型参
池化（Pooling）
在图像处理中，由于图像中存在较多冗余信息，可用某一区域子块的统计信息（如最大值或均值等）来刻画该区域中所有像素点呈现的空间分布模式，以替代区域子块中所有像素点取值，这就是卷积神经网络中池化(pooling)操作。池化操作对卷积结果特征图进行约减，实现了下采样，同时保留了特征图中主要信息。比如：当识别
