- Sora文生视频模型深度剖析：全网独家指南，洞悉98%关键信息，纯干货 Sora文生视频模型深度剖析：全网独家指南，洞悉98%关键信息，纯干货
- Base64编码Base64编码是一种将二进制数据转换为可打印字符的方式，以便在文本格式中传输或存储。它通常用于将二进制数据编码为ASCII字符串，以便在电子邮件、网页或XML文件中传输。Base64编码的原理是将3个8位字节的数据（即24位二进制数据）转换为4个6位二进制数据（即24位二进制数据），然后使用64个可打印字符来表示这4个6位二进制数据。这些可打印字符通常包括大小写字母和数字... Base64编码Base64编码是一种将二进制数据转换为可打印字符的方式，以便在文本格式中传输或存储。它通常用于将二进制数据编码为ASCII字符串，以便在电子邮件、网页或XML文件中传输。Base64编码的原理是将3个8位字节的数据（即24位二进制数据）转换为4个6位二进制数据（即24位二进制数据），然后使用64个可打印字符来表示这4个6位二进制数据。这些可打印字符通常包括大小写字母和数字...
- 错误Can't call numpy() on Tensor that requires grad. Use tensor.detach().numpy() instead. 原因变量带有梯度，直接将其转换为numpy数据将破坏计算图，因此numpy拒绝进行数据转换，实际上这是对开发者的一种提醒。如果自己在转换数据时不需要保留梯度信息，可以在变量转换之前添加detach()调用。 解决方法... 错误Can't call numpy() on Tensor that requires grad. Use tensor.detach().numpy() instead. 原因变量带有梯度，直接将其转换为numpy数据将破坏计算图，因此numpy拒绝进行数据转换，实际上这是对开发者的一种提醒。如果自己在转换数据时不需要保留梯度信息，可以在变量转换之前添加detach()调用。 解决方法...
- @[toc] 摘要https://arxiv.org/pdf/2005.12872.pdf本文提出一种新方法，将目标检测视为直接的集合预测问题。该方法简化了检测管道，有效地消除了对许多手工设计组件的需要，如非最大抑制程序或锚点生成，这些组件显式编码了我们关于任务的先验知识。新框架称为检测TRansformer或DETR，其主要成分是基于集合的全局损失，通过二分图匹配强制进行独特的预测，以及T... @[toc] 摘要https://arxiv.org/pdf/2005.12872.pdf本文提出一种新方法，将目标检测视为直接的集合预测问题。该方法简化了检测管道，有效地消除了对许多手工设计组件的需要，如非最大抑制程序或锚点生成，这些组件显式编码了我们关于任务的先验知识。新框架称为检测TRansformer或DETR，其主要成分是基于集合的全局损失，通过二分图匹配强制进行独特的预测，以及T...
- 基于BiLSTM-CRF模型的分词、词性标注、信息抽取任务的详解，侧重模型推导细化以及LAC分词实践 基于BiLSTM-CRF模型的分词、词性标注、信息抽取任务的详解，侧重模型推导细化以及LAC分词实践
- @[toc]如果我能看得更远一点的话，那是因为我站在巨人的肩膀上。 —牛顿 存内计算的背景存内计算是一种革新性的计算范式，旨在克服传统冯·诺依曼架构的局限性。随着大数据时代的到来，传统的冯·诺依曼架构由于处理单元和存储器互相分离，带来了巨大的延时和能耗，承受着高昂的数据传输成本，即所谓的“冯·诺依曼瓶颈”。为了解决这个问题，存内计算应运而生。存内计算架构在功能和物理上合并了数据处理和存储单元... @[toc]如果我能看得更远一点的话，那是因为我站在巨人的肩膀上。 —牛顿 存内计算的背景存内计算是一种革新性的计算范式，旨在克服传统冯·诺依曼架构的局限性。随着大数据时代的到来，传统的冯·诺依曼架构由于处理单元和存储器互相分离，带来了巨大的延时和能耗，承受着高昂的数据传输成本，即所谓的“冯·诺依曼瓶颈”。为了解决这个问题，存内计算应运而生。存内计算架构在功能和物理上合并了数据处理和存储单元...
- 前言大模型旨在解决人类面临的各种问题，提高人类的生产力和生活质量。是一门涉及计算机科学、数学、哲学、心理学等多个领域的交叉学科，旨在研究如何使计算机能够像人类一样思考、学习、推理和创造。大模型的出现，让很多产业人士认为这项技术会改变信息产业格局，即基于数据的互联网时代、基于算力的云计算时代之后，将进入基于大模型的AI时代。一 基本概念大模型是指包含超大规模参数（通常在十亿个以上）的神经网络模... 前言大模型旨在解决人类面临的各种问题，提高人类的生产力和生活质量。是一门涉及计算机科学、数学、哲学、心理学等多个领域的交叉学科，旨在研究如何使计算机能够像人类一样思考、学习、推理和创造。大模型的出现，让很多产业人士认为这项技术会改变信息产业格局，即基于数据的互联网时代、基于算力的云计算时代之后，将进入基于大模型的AI时代。一 基本概念大模型是指包含超大规模参数（通常在十亿个以上）的神经网络模...
- 1.学习总结摘要：Transformer是一种神经网络结构，由Vaswani等人在2017年的论文“Attention Is All You Need”中提出，用于处理机器翻译、语言建模和文本生成等自然语言处理任务。 1.1注意力机制注意力机制（Attention Mechanism）是深度学习中一种模拟人类视觉或听觉系统的工作方式的技术。它的灵感来自于人类的感知过程，即根据输入的信息，有... 1.学习总结摘要：Transformer是一种神经网络结构，由Vaswani等人在2017年的论文“Attention Is All You Need”中提出，用于处理机器翻译、语言建模和文本生成等自然语言处理任务。 1.1注意力机制注意力机制（Attention Mechanism）是深度学习中一种模拟人类视觉或听觉系统的工作方式的技术。它的灵感来自于人类的感知过程，即根据输入的信息，有...
- 玩转字词句魔法：打造超强样本集的数据增强策略，句式变换揭秘同义句生成与回译在数据增强中的创新应用 玩转字词句魔法：打造超强样本集的数据增强策略，句式变换揭秘同义句生成与回译在数据增强中的创新应用
- 神经网络密态推断 1 整体架构说明 1.1 概述近年来神经网络模型性能得到快速发展，基于模型推断的在线智能服务成为具有潜力的人工智能应用范式，然而随着其应用于越来越多的隐私敏感领域，比如金融机构、政府部门、医疗健康等重要基础行业，数据的隐私安全正在成为人工智能大规模应用的关键挑战。神经网络密态推断旨在通过使用同态加密对推断数据进行加密，并针对原始模型密文计算中由于参数规模和复杂非线性算子等... 神经网络密态推断 1 整体架构说明 1.1 概述近年来神经网络模型性能得到快速发展，基于模型推断的在线智能服务成为具有潜力的人工智能应用范式，然而随着其应用于越来越多的隐私敏感领域，比如金融机构、政府部门、医疗健康等重要基础行业，数据的隐私安全正在成为人工智能大规模应用的关键挑战。神经网络密态推断旨在通过使用同态加密对推断数据进行加密，并针对原始模型密文计算中由于参数规模和复杂非线性算子等...
- 摘要本专栏是讲解如何改进Yolov8的专栏。改进方法采用了最新的论文提到的方法。改进的方法包括：增加注意力机制、更换卷积、更换block、更换backbone、更换head、更换优化器等；每篇文章提供了一种到N种改进方法。评测用的数据集是我自己标注的数据集，里面包含32种飞机。每种改进方法我都做了测评，并与官方的模型做对比。代码和PDF版本的文章，我在验证无误后会上传到百度网盘中，方便大家... 摘要本专栏是讲解如何改进Yolov8的专栏。改进方法采用了最新的论文提到的方法。改进的方法包括：增加注意力机制、更换卷积、更换block、更换backbone、更换head、更换优化器等；每篇文章提供了一种到N种改进方法。评测用的数据集是我自己标注的数据集，里面包含32种飞机。每种改进方法我都做了测评，并与官方的模型做对比。代码和PDF版本的文章，我在验证无误后会上传到百度网盘中，方便大家...
- 大规模语言LLaVA：多模态GPT-4智能助手，融合语言与视觉，满足用户复杂需求 大规模语言LLaVA：多模态GPT-4智能助手，融合语言与视觉，满足用户复杂需求
- 本文全面深入地探讨了胶囊网络（Capsule Networks）的原理、构建块、数学模型以及在PyTorch中的实现。通过本文，读者不仅能够理解胶囊网络的基础概念和高级数学原理，还能掌握其在实际问题中的应用方法。 本文全面深入地探讨了胶囊网络（Capsule Networks）的原理、构建块、数学模型以及在PyTorch中的实现。通过本文，读者不仅能够理解胶囊网络的基础概念和高级数学原理，还能掌握其在实际问题中的应用方法。
- 本文深入探讨了深度残差网络（ResNet）的核心概念和架构组成。我们从深度学习和梯度消失问题入手，逐一解析了残差块、初始卷积层、残差块组、全局平均池化和全连接层的作用和优点。文章还包含使用PyTorch构建和训练ResNet模型的实战部分，带有详细的代码和解释。 本文深入探讨了深度残差网络（ResNet）的核心概念和架构组成。我们从深度学习和梯度消失问题入手，逐一解析了残差块、初始卷积层、残差块组、全局平均池化和全连接层的作用和优点。文章还包含使用PyTorch构建和训练ResNet模型的实战部分，带有详细的代码和解释。
- 本文深入探讨了自编码器（AE）的核心概念、类型、应用场景及实战演示。通过理论分析和实践结合，我们详细解释了自动编码器的工作原理和数学基础，并通过具体代码示例展示了从模型构建、训练到多平台推理部署的全过程。 本文深入探讨了自编码器（AE）的核心概念、类型、应用场景及实战演示。通过理论分析和实践结合，我们详细解释了自动编码器的工作原理和数学基础，并通过具体代码示例展示了从模型构建、训练到多平台推理部署的全过程。
上滑加载中
推荐直播
-
华为云云原生FinOps解决方案，为您释放云原生最大价值2024/04/24 周三 16:30-18:00
Roc 华为云云原生DTSE技术布道师
还在对CCE集群成本评估感到束手无策？还在担心不合理的K8s集群资源申请和过度浪费？华为云容器服务CCE全新上线云原生FinOps中心，为用户提供多维度集群成本可视化，结合智能规格推荐、混部、超卖等成本优化手段，助力客户降本增效，释放云原生最大价值。
回顾中 -
鲲鹏开发者创享日·江苏站暨数字技术创新应用峰会2024/04/25 周四 09:30-16:00
鲲鹏专家团
这是华为推出的旨在和众多技术大牛、行业大咖一同探讨最前沿的技术思考，分享最纯粹的技术经验，进行最真实的动手体验，为开发者提供一个深度探讨与交流的平台。
正在直播 -
产教融合专家大讲堂·第①期《高校人才培养创新模式经验分享》2024/04/25 周四 16:00-18:00
于晓东 上海杉达学院信息科学与技术学院副院长；崔宝才 天津电子信息职业技术学院电子与通信技术系主任
本期直播将与您一起探讨高校人才培养创新模式经验。
去报名
热门标签