- AI绘画效率提升5倍:用ChatGPT来生成提示词prompt0 282浏览免费
- 实验报告采用四种算法(PCA,IF,OCSVM,MD)构造故障检测模型,报告中包含完整的实验步骤、算法介绍与实验代码(MATLAB)。 包括数据背景、数据介绍、问题分析、数据预处理、特征提取、多机器学习算法构建模型0 218浏览免费
- WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信ChatGPT机器人WechatBot:微信Chat0 932浏览免费
- 太原理工大学人工智能实验0 156浏览免费
- CHatGPT的150个prompts提示词0 294浏览免费
- 5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件5款非常好用的ChatGPT插件0 1127浏览免费
- AI绘画教程 Stable Diffusion中如何控制人像的姿势?0 489浏览免费
- 什么是AI大模型? AI大模型是指通过大量训练数据和大规模参数进行训练,能够适应一系列下游任务的模型,如自然语言处理、图像识别、语音识别等。这类模型已成为主流的AI范式,通过巨量化可以提高人工智能的通用属性,并降低人工智能的应用门槛。 以下是一个AI大模型的测试案例: 一、明确测试目的: AI大模型的测试目的是确保模型在不同场景下都能够表现良好 二、明确测试需求: 为了测试AI大模型的效果,需要准备大量的测试数据,包括不同领域的文本数据集 三、准备测试数据: 在测试过程中,需要准备大量的测试数据 四、测试流程: 在测试过程中,需要遵循标准的测试流程 五、测试结果分析: 在测试结束后,需要对测试结果进行分析,以评估AI大模型的效果和性能。 六、改进意见: 根据测试结果的分析,可以提出针对AI大模型的改进意见。 以下是AI大模型学习笔记,记录重点、难点和所学内容: 一、AI大模型概述 二、AI大模型的训练方法 三、AI大模型的训练流程 四、AI大模型的应用场景 AI大模型调研报告 一、AI大模型概述 二、AI大模型的训练方法 三、AI大模型的训练流程 四、AI大模型的应用场景及案例分析0 174浏览免费
- AI绘画教程:如何在stable diffusion中生成高清大图?0 823浏览免费
- 本文主要是对线性SVM分类器的原理进行分析,着重于对优化问题以及寻找超平面的原理进行解析,在基本的SVM的思想方面没有多做解释,如果对那一部分有疑问可以直接参考下面参考资料第二条。希望大家读完本文后能对SVM有更深的理解。 另外对于非线性SVM分类器以及核方法,本人之后会补上,写不动了,要躺一会。0 278浏览免费
- pca降维原理步骤讲解及matlab代码 在这个示例中,我们首先创建一个样本矩阵 X,然后对数据进行标准化。接下来,我们计算协方差矩阵并进行特征值分解,得到特征向量和特征值。然后,我们选择前两个主成分作为降维后的维度,并将数据投影到这两个主成分上,得到降维后的数据。0 121浏览免费
- 软件工程专业课《人工智能导论》(高等教育出版社,王万良著)期末复习练习题(选择+填空+大题),适合期末考试备考0 547浏览免费
- 对应b站讲解视频【NLP基于情感词典的产品评价情感分析系统】 https://www.bilibili.com/video/BV1es4y1v7Di/?share_source=copy_web&vd_source=02a25643769385bbb79a8d4ccd24c683,只是跑了一个项目而已,项目开源地址:https://github.com/YZYFZ2H/INTREREST.git,请务必先看看readme,里面有些路径问题都有说到,否则代码可能运行失败!感谢各位支持!还有问题可以和我私信聊聊,已在两台电脑测试程序运行正常了。0 185浏览免费
- 谭院士认为,已过“花甲之年”的人工智能当前的发展具有“四新”特征:以深度学习为代表的人工智能核心技术取得新突破、“智能+”模式的普适应用为经济社会发展注入新动能、人工智能成为世界各国竞相战略布局的新高地、人工智能的广泛应用给人类社会带来法律法规、道德伦理、社会治理等方面一系列的新挑战。 他指出,目前通用人工智能还有很多问题,无法像人一样进行联想和判断,同时必须意识到,人工智能可能会带来社会问题。例如就业的影响,有可能拉大贫富差距。1 1674浏览免费
- AI绘画教程:如何用stable diffusion制作儿童绘本插画?0 329浏览免费
- 步骤超详细,亲测,成功!0 269浏览免费
- PLC与数控技术、工业机器人并为工业自动化三大支柱,PLC既保留了原来可编程序逻辑控制器的所有优点,又吸收和发展了其他控制装置的优点,在许多场合, PLC可以构成各种综合控制系统,例如构成逻辑控制系统、过程控制系统等。【大专学生论文—平凑版】 {文献检索课}0 175浏览免费
- 基于python的决策树莺尾花代码实现 讲解何为决策树莺尾花 适用于广大人群 学习机器学习掌握基础莺尾花案例 更加深刻理解决策树原理 决策树莺尾花代码基于python实现0 184浏览免费
- 机器学习中的成员推断攻击和防御 ML-Leaks: Model and Data Independent Membership Inference Attacks and Defenses on Machine Learning 中文翻译0 871浏览免费
- 第一章 设备微架构 1.0 CUDA设备 1.0.0 核心微架构 1.0.1 指令编码格式 1.0.2 寄存器文件结构 1.0.3 指令流水线 1.0.4 Pascal架构(待续) 1.1 GCN设备 1.1.0 核心微架构 1.1.1 指令编码格式 1.1.2 寄存器文件结构 1.1.3 指令流水线 1.2 GPU设备上的条件分支 第二章 GPU矩阵乘法的高效实现 2.0 前言 2.1 指令级并行和数据预取 2.2 双缓冲区 2.3 宽数据内存事务 2.4 二级数据预取 2.5 细节调优 第三章 基于GPU的大规模稀疏矩阵直接求解器 3.0 简介 3.1 基于quotient graph的符号分析 3.1.1 顶点重排序 3.1.2 构建消去树 3.1.3 寻找超结点 3.1.4 符号分解 3.2 多波前法 3.3 超节点方法 3.4 多波前+超节点方法的并行分解算法 小结 参考资料 第四章 CNN中的卷积计算 前言 1 基于矩阵乘法的卷积算法 2 类矩阵乘法的卷积算法 小结 第五章 基于GPU的LU分解(待续) 5.0 一般实现 5.1 分块实现 5.2 使用动态并行 5.3 多GPU版本 第六章 GPU上的光线追踪(待续) 6.1 kd-tree算法介绍及内核实现 6.2 less-分支版本的kd-tree算法及内核实现 6.3 ropes-kdtree算法及内核实现 第七章 LBM流体计算(待续) 尾章 GPU编程优化技术总结 4.1.0 CUDA设备上的优化技术 4.1.1 访存优化 4.1.2 指令优化 4.1.3 内核调用优化 4.2.0 GCN设备上的优化技术 4.2.1 访存优化 4.2.2 指令优化 4.2.3 内核调用优化 4.3 构建性能可移植的程序0 347浏览免费
- 实现最小损失函数或最小错误率的贝叶斯决策0 557浏览免费
- 客户画像大小:2MB用户画像定义使用标签来量化用户特性属性,达到描述用户的目的。用户画像的难点就是数据源,因为你拿要拿到足够多足够全的数据很不容易,所以要与业务结合,比如说这个人在30天内购买了你的商品,这就是一个标签,但是如果你不参与开发这个系统,你不会想到有这个标签。然后是动态更新,一个人是不断变化的,就像梵高一样,他不同时期的自画像也是不一样的用户画像定义使用标签来量化用户特性属性,达到描述用户的目的。用户画像的难点就是数据源,因为你拿要拿到足够多足够全的数据很不容易,所以要与业务结合,比如说这个人在30天内购买了你的商品,这就是一个标签,但是如果你不参与开发这个系统,你不会想到有这个标签。然后是动态更新,一个人是不断变化的,就像梵高一样,他不同时期的自画像也是不一样的0 197浏览免费
- 推荐系统(RS)与大模型(LLM)的结合0 410浏览免费
- 这个资源将为您提供在Windows操作系统上搭建Yolov5目标检测模型的详细指导。通过本教程,您将学习如何在Windows环境下安装所需的软件和库,配置环境变量,并逐步构建Yolov5模型。无论您是初学者还是有一定经验的开发人员,本教程都将以保姆级的方式引导您完成整个过程。跟随本教程,您将轻松掌握在Windows平台上搭建Yolov5模型的技能,为您的目标检测项目提供强大支持。1 500浏览免费
- 本课程设计旨在通过使用卷积神经网络(CNN)来实现手写数字识别,并使用SVM、决策树和朴素贝叶斯等算法对模型进行对比。通过本课程设计的学习,了解了卷积神经网络的基本原理和结构,学习了Python编程语言和PyTorch深度学习框架的使用,提高了使用SVM、决策树和朴素贝叶斯等算法对模型进行对比和评估的能力。 关键词:CNN,手写数字识别,PyTorch,MNIST0 91浏览免费
- 这是我写的算法设计与分析结课论文,用的蒙特卡洛算法搜索树,写的是一个虽然代码简易但是下棋能力强大的四子棋AI,你们可以用pycharm运行我的代码,玩下试试,如果你们电脑可以并行处理的话,只要模拟次数够大,只要不是世界顶尖选手,基本上这个AI没有敌手,我也是在编写这个程序的过程中,感受到了人工智能的魅力,未来总会到来,希望届时我们都能做好准备,网上有关的完整代码很少,要么要购买价格昂贵要么需要自己东拼西凑,我由于之前说的实验室考核以及刚好有一门算法设计课程结课,便写下了这篇拙作,希望大家可以通过这篇文章有所收获,未来的路还很漫长,大家一起加油!!!为中华之崛起!!!!!!(这部分是下部分,结合起来是完整的一篇小论文,后续还有代码,同样会发表,想继续了解的可以点击主页查看)0 167浏览免费
- yolo2训练1 174浏览免费
- 2022成都信息工程大学人工智能导论复习归纳0 621浏览免费
- tsk-90A操作说明0 212浏览免费
- 摘要:利用传感器采集数据,然后对不同数据源得到的数据进行融合,再把生成的数据输入神经网络等算法进行处理,最终的结果用于指导机器的动作。这是现代人工智能一般会采取的方式,可将其概括地分为感知层、控制层和执行层。自动驾驶是人工智能的一大应用领域,离不开这三层的相互配合。对于感知层,摄像头、雷达等传感器获取图像、距离、速度等信息,扮演眼睛、耳朵的角色。所以,研究自动驾驶感知层的设备和实现方式——传感器应用情况和数据融合算法——有着重要的意义。人工智能时代,智能传感器和基于AI的数据融合将成为主流。本文将着重在自动驾驶系统领域中,探讨传感器技术和数据融合算法的现状。 关键词:自动驾驶;传感器;融合算法;人工智能;0 350浏览免费
- 目录 1.1 anaconda安装 1.2 tensorflow1.13-gpu安装 1.1 anaconda安装 租了一个远程2080ti的远程服务器,个人喜欢用Xshell+Xftp,Xshell终端控制,Xftp用于传送文件,这个比较方便。 首先进入界面,输入nvidia-smi查一下显卡配制是不是对的 ———————————————— 版权声明:本文为CSDN博主「bug生成中」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。 原文链接:https://blog.csdn.net/qq_34904125/article/details/1184979350 209浏览免费
- | 配置 | 模型训练 | 验证 | 推理 YOLOv8是一款前沿、最先进(SOTA)的模型,基于先前YOLO版本的成功,引入了新功能和改进,进一步提升性能和灵活性。 然而,要充分发挥Yolov8的潜力,合理的参数配置是至关重要的。本文将带您深入了解Yolov8调参的每一个细节。无论您是初学者还是有经验的研究者,本文都将为您提供实用技巧和深入解读,帮助您在Yolov8的世界中取得更出色的成果。让我们一起开始这个令人激动的调参之旅吧!0 422浏览免费
- ChatGPT的原理分析 这两天,**ChatGPT模型**真可谓称得上是狂拽酷炫D炸天的存在了。一度登上了知乎热搜,这对科技类话题是非常难的存在。不光是做人工智能、机器学习的人关注,而是大量的各行各业从业人员都来关注这个模型,真可谓空前盛世。 我赶紧把 OpenAI 以往的 GPT-n 系列论文又翻出来,重新学习一下,认真领会**大规模预训练语言模型(Large Language Model)**的强大之处。 可能很多深度学习相关从业人员的感受和我一样,大家之前对 LLM 的感受依然是,预训练+finetune,处理下游任务,依然需要大量的标注数据和人工干预,怎么突然间,ChatGPT 就智能到如此地步? 接下来,我简要梳理一下 OpenAI 的 GPT 大模型的发展历程。0 998浏览免费
- 文件比较详细的说明了anaconda的安装及其配置,适合对python,pycharm以及Anaconda不熟悉刚入门的小白使用0 346浏览免费
- SDAE程序 matlab版本0 109浏览免费
- 66个ChatGPT全网最热话题都在这里了0 226浏览免费
- DFDNet [人脸幻构] [人脸超分] [ECCV2020] 论文的全文翻译,用的DeepL作为翻译工具。整体上看上去还是蛮通顺的,基本有一些基础的,看这个翻译读一遍就能看明白论文了。0 936浏览免费
- 用画布组合的superglue和superpoint算法框图,附带一个单应性自适应图0 257浏览免费
- 利用numpy 和tensorflow 、pytorch 搭建全连接神经网络。使用numpy 实现此练习需要自己手动求导,而tensorflow 和pytorch 具有自动求导机制。 ## 数据集: MNIST数据集包括60000张训练图片和10000张测试图片。图片样本的数量已经足够训练一个很复杂的模型(例如 CNN的深层神经网络)。它经常被用来作为一个新 的模式识别模型的测试用例。而且它也是一个方便学生和研究者们执行用例的数据集。除此之外,MNIST数据集是一个相对较小的数据集,可以在你的笔记本CPUs上面直接执行 ## 题目要求: 补全full_connection_numpy.ipynb 和 full_connection_tensorflow.ipynb中空缺的部分。0 121浏览免费
- 机器学习笔记word0 339浏览免费
- 10分钟打造自己的免费AI绘画工具Stable Diffusion0 420浏览免费
- AI绘画教程 Stable Diffusion中如何安装使用不同的模型?0 473浏览免费
- 本文代码均在装有Robotics Toolbox14.0工具箱的matlab环境下运行,主要涉及对指定六自由度机器人的正逆运动学分析,求解和仿真,以及对轨迹规划的仿真。0 215浏览免费
- 论文翻译。Abstract—In this letter, a novel anomaly detection framework with transferred deep convolutional neural network (CNN) is proposed. The framework is designed by considering the following facts: 1) a reference data with labeled samples are utilized, because no prior information is available about the image scene for anomaly detection and 2) pixel pairs are generated to enlarge the sample size, since the advantage of CNN can be realized only if the number of training samples is sufficient. A multilayer CNN is trained by using difference between pixel pairs generated from the reference image scene. Then, for each pixel in the image for anomaly detection, difference between pixel pairs, constructed by combining the center pixel and its surrounding pixels, is classified by the trained CNN with the result of0 205浏览免费
- 波士顿房价预测0 218浏览免费
- 你是否每天都面临一些比较机械的重复性工作?你的项目是否因为人力问题无法放大?那么,你可以了解一下 RPA 办公自动化。所谓 RPA 办公自动化,就是利用一些通用的 RPA 软件来搭建一些自动化流程,让其模仿我们人为在电脑上进行的一些针对于网页或者软件的操作,进而帮助我们自动完成一些无意义的重复性工作。 可能有一些朋友了解过 Python 办公自动化,但是在办公自动化领域,对于没有任何编程基础的普通人来讲,RPA 其实是比 Python 更好的一种选择。 不过,虽然 RPA 具备这些优势,但是想要完全掌握并用它来实现办公自动化,还是需要花费一些时间去学习的,而本套《零基础入门RPA办公自动化》课程就是我专门针对零编程基础的小白用户开发的,它可以帮助我们快速掌握 RPA,进而极大地提高我们的生产力。0 176浏览免费
- 唐宇迪物体检测视频,包含 教学视频,代码以及论文,讲解详细,适合初学者学习,网上买的录屏,大家下载这个更正版,上一个忘了视频也改不了,谢谢支持,有问题可以留言0 181浏览免费
- 自媒体人员的新式秘密武器,用 ChatGPT写文章的20个技巧0 134浏览免费
- caffe大小:2MB此文档为小编在学习caffe过程中对caffe的整理训练流程、caffe自带mnist、cifar10实例、各个层参数讲解及对caffe可视化等总结的学习笔记,适用于caffe学习。此文档为小编在学习caffe过程中对caffe的整理训练流程、caffe自带mnist、cifar10实例、各个层参数讲解及对caffe可视化等总结的学习笔记,适用于caffe学习。0 163浏览免费
- 数学建模比赛论文,针对开放COVID-19的数据进行数学建模和数据分析。对参与数学建模比赛和相关课题的童鞋有一定的帮助。0 125浏览免费
- 【实验内容和要求】 1. 给定的房屋面积x和价格y X = [[40], [50], [80], [100],[130], [150],[170], [200], [250], [300]] y = [[100],[150],[170], [200],[230], [250],[270], [280], [310], [330]] 请合理指定二次多项式回归以及三次多项式回归的公式。 做最终效果预测的样本 X_test = [[120],[150],[250],[300]] # 用来做最终效果测试 y_test = [[220],[250],[310],[330]] # 用来做最终效果测试0 62浏览免费
- 4种方法利用ChatGPT快速生成精美的思维导图0 298浏览免费
- CNN笔记:通俗理解卷积神经网络0 427浏览免费
- AI绘画教程:Stable Diffusion如何利用图片反查提示词?0 640浏览免费
- google cartographer 论文翻译,slam 基本方法描述,scan to map + 闭环检测0 412浏览免费
- 人工智能原理及其应用概念总结0 106浏览免费
- 对深度学习模型的评估、目标检测评估、目标跟踪评估的方法做详细介绍。对于1 模型评估方法 1.1 偏差与方差分析 偏差是指模型与预测值之间的差异,反映的是预测结果是否准确;方差是指预测结果在均值附近的偏离程度,反映了预测结果的稳定程度,以及对训练集上数据波动的敏感程度。 1.1.1 偏差与方差........1.2 交叉验证 交叉验证是一种用来评价一个训练出的模型是否可以推广到另一个数据结构相同的数据集上的方法。主要用于PCR、PLS回归建模等建模应用中。一个交叉验证将样本数据集分成两个互补的子集,一个子集用于训练分类器或模型,被称为训练集(training set);另一个子集用于验证训练出的分类器或模型是否有效,被称为测试集(testing set)。测试结果作为分类器或模型的性能指标。而我们的目的是得到高度预测精确度和低的预测误差。为了保证交叉验证结果的稳定性,对一个样本数据集需要多次不同的划分,得到不同的互补子集,进行多次交叉验证。取多次验证的平均值作为验证结果。 1.2.1 随机子抽样验证(Hold-Out Method)0 411浏览免费
- 80+开源数据集资源汇总(包含目标检测、医学影像、关键点检测、工业检测等方向)0 152浏览免费
- AI工具合集网站汇总 AI工具合集 AI文本 ChatGPT:chat.openai.com NotionAl:www.notion.sc A.I. Data Sidekick:AI工具编写SQL、文档等的速 度提高10倍 www.airops.com Writesonic:人工智能写作辅助工具 writesonic.com copy.ai:使用 AI 编写更好的营销文案和内容 www.copy.ai Character.Al:Al人工交互 beta.character.ai Fireflies:该工具可插入Zoom、Teams 或Webex 等流行的视频会议工具,并自动执行做笔记和创建 转录的过程 fireflies.ai Jasper:AI文案写作工具 www.jasper.ai Outplay:outplayhq.com CoWriter:Al辅助写作 cowriter.org AI绘画 Midjourney:Al绘画神器 网站:www.midjourney.com 教程:www.uisdc.com PhotoRoom:擦除任0 1015浏览免费
- 吉林大学人工智能基础迁移学习报告0 75浏览免费