- 三维坐标点 旋转矩阵 推导流程
点云三维坐标点 旋转矩阵 推导流程
0 4002浏览免费 - AI 翻唱必备神器！So-VITS-SVC 一键安装包下载
最近AI孙燕姿大火，网上出现了很多高清的翻唱歌曲，可以说翻唱效果和原唱一模一样，其实就是so-vits-svc这个工具的产物，它可以将一首歌的音色换成另外一个人的音色，就像这首歌被别人翻唱了一样。大致实现原理就是，使用so-vits-svc这个工具先提取出你的声音的音色训练成模型，然后提取某个歌曲去音效的人声，通过so-vits-svc将原歌曲人声转换成你的人声，再配上音效，这样这首歌就翻唱完成了。下面讲一下本地部署so-vits-svc实现AI孙燕姿翻唱歌曲的具体操作流程。 5 3664浏览免费 - pycharm连接autodl服务器（yolov8训练自己的数据集）
里面没写怎么配置yolov8环境，这个参考官方文档就行很简单一行代码即可 1 7367浏览免费 - 汽车充电协议DIN70121中英版本
汽车充电协议DIN70121中英版本 5 1226浏览免费 - 基于jetson平台使用tensorRT加速推理yolov5的两种方法 pytorch大小：10MB由于大多数深度学习模型部署在嵌入式平台均出现推理速度过慢的情况，因此引用到tensorRT来加速推理深度学习模型，以yolov5为例，本文介绍了两种方式将yolov5在pytorch框架下训练出的.pt权重抓换成tensorRT的推理引擎。从而实现深度学习模型在嵌入式平台的部署与加速。本文实验平台为jetson nano及jetson TX2.加速效果明显由于大多数深度学习模型部署在嵌入式平台均出现推理速度过慢的情况，因此引用到tensorRT来加速推理深度学习模型，以yolov5为例，本文介绍了两种方式将yolov5在pytorch框架下训练出的.pt权重抓换成tensorRT的推理引擎。从而实现深度学习模型在嵌入式平台的部署与加速。本文实验平台为jetson nano及jetson TX2.加速效果明显 5 2912浏览免费
- 人工智能文献综述
人工智能相关文献 4 3907浏览免费 - NLP自然语言处理的题目
NLP自然语言处理的经典题目，简单，基础，面试经常考的问题。 0 3240浏览免费 - Uooc《人工智能行业与创新创业对接范式》慕课答案
全课后测验答案 0 1011浏览免费 - yolov5 目标检测算法使用教程
包括：CUDA版本说明，标注样例说明与标注准则；训练流程说明；测试流程说明；训练与测试均有需要修改的地方的代码截图 0 1550浏览免费 - Python新闻等文本情感分析实战源码分享
本项目通过textcnn卷积神经网络实现对文本情感分析识别，由python 3.6.5+Pytorch训练所得。 0 509浏览免费 - install.docx
实时视频动作检测的安装文档 0 662浏览免费 - ChatGPT应用场景与Prompt提示词工程汇总.docx
ChatGPT应用场景与Prompt提示词工程汇总。应用场景包括：01自然语言理解和生成、02写作辅助、03机器翻译、04智能客服、05金融风险控制、06智能广告投放、07智能推荐系统、08情感分析、09语音识别和合成、10数字营销。以及汇总的各种写作、推理等场景下的ChatGPT Prompt提示词工程。 0 1265浏览免费 - pytorch3d全套安装流程
用0开始安装，一直到能跑通pytorch3d官网上的案例为止，所需的全部环境，包含各种软件插件的安装地址、方法、版本对应关系，还有遇到的一些问题及解决方案，一文从0直到跑通全流程 0 1532浏览免费 - 预测模型-线性回归分析
预测模型--线性回归分析的简介，分析，以及python实现； 预测模型--线性回归分析的简介，分析，以及python实现； 预测模型--线性回归分析的简介，分析，以及python实现； 预测模型--线性回归分析的简介，分析，以及python实现； 预测模型--线性回归分析的简介，分析，以及python实现； 回归分析 0 827浏览免费 - 超详解- Yolov8模型手把手调参
| 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！ 1 2800浏览免费 - 2016年国科大NLP（自然语言处理）期末考试题-宗老师
2016年国科大NLP（自然语言处理）期末考试题，重点包括汉语分词的歧义问题，文法与自动机转换，机器翻译评价指标，Chart算法进行句法分析，朴素贝叶斯文本分类等等。 0 1351浏览免费 - NIPS-2017-attention-is-all-you-need-Paper-中文翻译版本.docx
Attention is all you need 0 681浏览免费 - 第十二节 图像处理之霍夫检测圆
import cv2 as cv import numpy as np def hough_circle(image): #因为霍夫检测对噪声很明显，所以需要先滤波一下。 dst =cv.pyrMeanShiftFiltering(image,10,100) cimage=cv.cvtColor(dst,cv.COLOR_BGR2GRAY) circles = cv.HoughCircles(cimage,cv.HOUGH_GRADIENT,1,40,param1=40,param2=29,minRadius=30,maxRadius=0) #把circles包含的圆心和半径的值变为整数 circles = np.uint16(np.around(circles)) for i in circles[0]: cv.circle(image,(i[0],i[1]),i[2],(0,255,0),3) cv.imshow("circle",image) src = cv.imread("E:/opencv/picture/coins.jpg") cv.imshow("inital_window",src) hough_circle(src) cv.waitKey(0) cv.destroyAllWindows() 霍夫圆变换的基本思路是认为图像上每一个非零像素点都有可能是一个潜在的圆上的一点， 跟霍夫线变换一样，也是通过投票，生成累积坐标平面，设置一个累积权重来定位圆。 在笛卡尔坐标系中圆的方程为： 其中（a,b）是圆心，r是半径，也可以表述为： 即 在笛卡尔的xy坐标系中经过某一点的所有圆映射到abr坐标系中就是一条三维的曲线： 经过xy坐标系中所有的非零像素点的所有圆就构成了abr坐标系中很多条三维的曲线。 在xy坐标系中同一个圆上的所有点的圆方程是一样的，它们映射到abr坐标系中的是同一个点，所以在abr坐标系中该点就应该有圆的总像素N0个曲线相交。 通过判断abr中每一点的相交（累积）数量，大于一定阈值的点就认为是圆。 以上是标准霍夫圆变换实现算法。 问题是它的累加到一个三维的空间，意味着比霍夫线变换需要更多的计算消耗。 Opencv霍夫圆变换对标准霍夫圆变换做了运算上的优化。 它采用的是“霍夫梯度法”。它的检测思路是去遍历累加所有非零点对应的圆心，对圆心进行考量。 如何定位圆心呢？圆心一定是在圆上的每个点的模向量上，即在垂直于该点并且经过该点的切线的垂直线上，这些圆上的模向量的交点就是圆心。 霍夫梯度法就是要去查找这些圆心，根据该“圆心”上模向量相交数量的多少，根据阈值进行最终的判断。 bilibili： 注意： 1.OpenCV的霍夫圆变换函数原型为：HoughCircles(image, method, dp, minDist[, circles[, param1[, param2[, minRadius[, maxRadius]]]]]) -> circles image参数表示8位单通道灰度输入图像矩阵。 method参数表示圆检测方法，目前唯一实现的方法是HOUGH_GRADIENT。 dp参数表示累加器与原始图像相比的分辨率的反比参数。例如，如果dp = 1，则累加器具有与输入图像相同的分辨率。如果dp=2，累加器分辨率是元素图像的一半，宽度和高度也缩减为原来的一半。 minDist参数表示检测到的两个圆心之间的最小距离。如果参数太小，除了真实的一个圆圈之外，可能错误地检测到多个相邻的圆圈。如果太大，可能会遗漏一些圆圈。 circles参数表示检测到的圆的输出向量，向量内第一个元素是圆的横坐标，第二个是纵坐标，第三个是半径大小。 param1参数表示Canny边缘检测的高阈值，低阈值会被自动置为高阈值的一半。 param2参数表示圆心检测的累加阈值，参数值越小，可以检测越多的假圆圈，但返回的是与较大累加器值对应的圆圈。 minRadius参数表示检测到的圆的最小半径。 maxRadius参数表示检测到的圆的最大半径。 2.OpenCV画圆的circle函数原型：circle(img, center, radius, color[, thickness[, lineType[, shift]]]) -> img img参数表示源图像。 center参数表示圆心坐标。 radius参数表示圆的半径。 color参数表示设定圆的颜色。 thickness参数：如果是正数，表示圆轮廓的粗细程度。如果是负数，表示要绘制实心圆。 lineType参数表示圆线条的类型。 shift参数表示圆心坐标和半径值中的小数位数。 0 2384浏览免费 - YOLOv5的商品识别
YOLOv5的商品识别 0 647浏览免费 - 垂直起降固定翼无人机（简称垂起）
垂直起降固定翼无人机（简称垂起）是近些年出现的新型无人机，指固定机翼无人机可以垂直起飞和降落或在无跑道情况下正常起飞和降落。 无人机发展经历四个阶段：固定翼—单旋翼—多旋翼—垂直起降固定翼。 垂起无人机相对于固定翼无人机优势： 1、有固定翼和旋翼两种飞行模式，固定翼飞行中突发故障时，旋翼系统自动进入自救模式。 2、实用高效：具有固定翼无人机航时长、速度快、距离远、载荷大的特点； 3、垂直起降：具有旋翼无人机的起降方式，大幅降低起降场地和空域要求； 4、使用成本低：无需复杂笨重的发射和回收设备 5、操作简便：集成专门的飞控与导航系统，全程全自主飞行，操作人员只需发送飞行计划，无需遥控器进行多余参与。最大限度的降低了对飞控手培训的要求，从而增强了产品的可操作性，推广性，稳定性等。 0 454浏览免费 - Windows搭建yolov5史诗保姆级教程
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 1222浏览免费 - 安装pycharm详细步骤.docx(免费分享)
pycharm、anaconda安装教程以及pytorch安装教程 0 725浏览免费 - 预测模型总结(适用范围、优缺点)【灰色预测模型、插值与拟合、时间序列预测法、马尔科夫预测、差分方程、微分方程模型、神经元网络】
数学建模-预测模型总结(适用范围、优缺点)【灰色预测模型、插值与拟合、时间序列预测法、马尔科夫预测、差分方程、微分方程模型、神经元网络】.docx 0 688浏览免费 - 推荐系统(RS)与大模型(LLM)的结合
推荐系统(RS)与大模型(LLM)的结合 0 683浏览免费 - AI大模型的资源整理库
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 0 236浏览免费 - 在Linux远程服务器上，通过终端部署Anaconda和TensorFlow 1.13 GPU版本
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/118497935 0 629浏览免费 - 基于卷积神经网络的手写数字识别课程设计报告
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，MNIST 0 154浏览免费 - 2019，nature 综述，脉冲神经网络
机器翻译的脉冲综述：Towards spike-based machine intelligence with neuromorphic computing 0 768浏览免费 - tsk-90A操作说明
tsk-90A操作说明 0 394浏览免费 - 深度学习、anaconda安装、环境配置
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 0 540浏览免费 - LLM在电商多模态内容推荐系统的探索与实践
LLM在电商多模态内容推荐系统的探索与实践 0 302浏览免费 - 构建预测模型的七大步骤简述
构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型的七大步骤简述构建预测模型 0 390浏览免费 - 华为杯数学建模题：关于空气质量预报的二次建模
建立空气质量预报模型对于减少大气污染对人体健康和环境的危害具有重要作用，如何建立准确的空气质量预报模型，提前获取可能发生的大气污染和采取相关措施具有重要意义。 本文针对WRF-CMAQ模拟体系预测模型进行改进研究，主要解决了在污染物排放不变的情况下，将不同特征的气候条件进行分类并得出不同特征气候条件对污染物浓度的影响程度的问题，针对A、B、C三个监测点建立合适的二次预报数学模型用以预测未来几天6种常规污染物单日浓度值，同时根据相邻区域的污染物浓度相关性，建立四个临近区域内的协同预报模型以提升对观测点污染物浓度预测的准确性。 针对问题一，我们根据《环境空气质量指数（AQI）技术规定（试行）》（HJ633-2012）来计算空气质量指数（AQI）用以判别空气质量等级。首先根据公式1.1计算得到各项污染物的空气质量分指数（IAQI），公式1.1如下： IAQI_P=(IAQI_Hi-IAQI_Lo)/(BP_Hi-BP_Lo )⋅(C_P-BP_Lo )+IAQI_Lo (1.1) 空气质量指数（AQI）取各分指数中的最大值，即 AQI=ma 0 187浏览免费 - superglue论文内算法框架图（可修改）docx版本的
用画布组合的superglue和superpoint算法框图，附带一个单应性自适应图 0 382浏览免费 - 互联网信息服务算法备案承诺书
我方承诺： 1.备案过程中填写的有关内容和提交的资料均准确、真实、合法、有效，并愿为此承担有关法律责任。 2.备案信息发生变更的，在变更之日起十个工作日内办理变更手续。终止服务的，在终止服务之日起二十个工作日内办理注销备案手续，并作出妥善安排。 3.充分理解履行备案手续不代表备案部门对企业、算法、产品、功能等的认可，不应将备案审核结果或备案系统信息用于安全许可、商业宣传及其他用途，并愿为此承担有关法律责任。 算法安全责任人（签名）: 企业名称（盖章）: 0 193浏览免费 - yolo2_training
yolo2训练 1 215浏览免费 - 关于如何在少占用C盘空间的前提下安装ANACONDA和PyTorch，并在jupyter notebook中使用的综述
本文对发表在CSDN上的各种ANACONDA安装教程进行了综述，系统的总结归纳了如何在尽量不占用宝贵的C盘空间的前提下，安装ANACONDA和PyTorch，使PyTorch可以在jupyter notebook中被使用，并讲解了笔者在安装过程中遇到的问题和解决方式。 本文的主要目的有三点，第一：安装ANACONDA并避免ANACONDA占用大量的系统盘空间；第二：顺利安装PyTorch并使其可以成功调用GPU运行代码，第三：能够在jupyter notebook中使用PyTorch。 本文主要分为三部分，第一部分为ANACONDA的安装及路径设置，主要通过添加环境变量和设置envs、pkgs路径来改变文件的下载位置，达到节省C盘空间的目的。其中遇到了更改路径不成功，不可写入文件两个问题，均通过更改User权限得到了解决。第二部分为PyTorch的安装，重点在选择合适的PyTorch版本并顺利完成下载。其中遇到了默认通道下载过慢，其他通道如清华源等找不到相应文件的问题，均已得到了解决。第三部分为调整jupyter notebook的设置，使用户可以在其中使用创建的虚拟环境。 0 1743浏览免费 - 66个ChatGPT全网最热话题
66个ChatGPT全网最热话题都在这里了 0 260浏览免费 - DFDNet [人脸幻构] [人脸超分] [ECCV2020] 论文翻译
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。 0 970浏览免费 - AI系统量化评价-模型评估方法、网络评价指标
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） 0 612浏览免费 - CNN笔记：通俗理解卷积神经网络
CNN笔记：通俗理解卷积神经网络 0 689浏览免费 - 运用cnn+lstm神经网络模型制作的瓦斯浓度预测技术
主要介绍了运用深度学习来预测煤矿井下瓦斯浓度的技术，通过预测结果有效避免因为瓦斯浓度过高而导致的煤矿事故。本项目通过构建CNN-LSTM神经网络模型，结合多站点多传感器数据，提取数据特征的空间关系以及进行时序处理，从而对瓦斯浓度做出预测。所包含的技术有数据清洗，数据筛选，深度学习网络搭建，模型训练和预测，以及数据可视化等。在数据清洗过程中，对原数据使用pandas技术进行处理，提取所需列存入新的文件，去除异常值的同时也保留了所需要的含有时间序列和空间序列的数据，再对含有时间序列和空间序列的数据进行处理以及设置瓦斯浓度为标签数据，然后对数据进行了分类，包括训练集，验证集以及测试集。在网络模型中先运用CNN卷积神经网络对特征之间所存在的空间关系进行提取，然后在卷积神经网络后通过添加LSTM长短时记忆模型来对时间序列进行处理，并且使用全连接层学习输入特征与输出存在的非线性关系。在CNN-LSTM神经网络模型中不断对参数进行调整，防止出现过拟合现象，以此提高预测的精度，从而能够更准确地对瓦斯浓度进行预测。 0 238浏览免费 - RPA 办公自动化 第一讲：RPA及课程简介.docx
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。 0 252浏览免费 - 人工智能标准化白皮书.docx
根据学习模式将机器学习分类为监督学习、无监督学习和强化学习等，根据学习方法可以将机器学习分为传统机器学习和深度学习。此外，机器学习的常见算法还包括迁移学习、主动学习和演化学习等。 知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关“属性—值”对。 自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，涉及的领域较多，主要包括机器翻译、机器阅读理解和问答系统等。 人机交互主要研究人和计算机之间的信息交换，主要包括人到计算机和计算机到人的两部分信息交换，是人工智能领域的重要的外围技术。 计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。自动驾驶、机器人、智能医疗等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。 0 225浏览免费 - 翻译——Transferred Deep Learning for Anomaly Detection in Hyperspectral Imagery
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 of 0 217浏览免费 - ChatGPT是一款基于GPT-3.5架构的大型语言模型，它能够进行自然语言处理和生成对话ChatGPT搭建AI网站实战.doc
ChatGPT是一款基于GPT-3.5架构的大型语言模型，它能够进行自然语言处理和生成对话等任务。作为一款智能化的聊天机器人，ChatGPT有着广泛的应用场景，如在线客服、智能助手、个性化推荐等。今天笔者给大家分享一下如何使用ChatGPT的API模型快速搭建一个AI网站。 0 832浏览免费 - 模糊神经网络预测水质评价
水质评价是指对水体的化学、物理和生物学特性进行量化或程度评价，从而判断水体质量的方法。水质预测可以帮助我们更好地了解水体质量状况，并能够在一定程度上协助进行水质监控和环境保护工作。而模糊神经网络则是一种适用于复杂系统建模与分析的方法，既能处理非线性问题，又能处理不确定性。 0 107浏览免费 - caffe学习笔记 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。 0 227浏览会员免费
- 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）.docx
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） 0 251浏览免费 - 基于改进W-DCGAN-ResNet滚动轴承诊断方法.docx
DCGAN的提出为故障诊断的进一步研究提供了新的思路和方法。尽管最初版本的DCGAN采用了基于JS散度的方法以衡量生成的样本与其初始样例之间的相似性和差距，然而其缺点在于当对模型进行了优化后可能会导致产生器的梯度衰减或波动过大等问题。为了克服这些挑战并提升神经网路的学习过程中的稳健性能，可以选择用具有更好光滑特性的欧几里得空间距 (也被称为 Wasserman 或者 EM 距离 )替代 JS 散度作为测量新旧两组资料间差别的指标从而增强了学习过程中产生的稳定的输出结果的可能性。提出了一种基于W-DCGAN-Resnet的滚动轴承故障诊断方法。该方法搭建了一种基于传统Resnet的改进模型DCGAN-Resnet。首先，模型通过把残差块中的bn层和relu激活层放到卷积层前面，增强了对残差块特性的获取能力。同时，在深度残差网络中引入卷积注意机制也进一步加强了模型的特征提取效果。然后利用上章搭建的W-DCGAN对两个滚动轴承数据集进行有效扩充构建新的数据集，最后对方法的有效性进行验证，实验结果表明，本章所提W-DCGAN-Resnet方法可以在小样本故障数据条件下，对多类别故障诊断具有更高 0 296浏览免费 - AI芯片作用，基本组成部件，原理介绍
AI 芯片的作用，什么是训练什么是推理。 NVIDIA A100，H100的主要架构和参数包括运算峰值，运行主频率，存储大小，通信带宽。 芯片片上网络，DMA 传输引擎，PCIE 接口，DDR/HBM 0 148浏览免费 - LLM在电商推荐系统的探索与实践
LLM在电商推荐系统的探索与实践 0 244浏览免费 - 目标检测常用IOU总结
目前缺少SIoU以及WIoU的介绍,后续应该会补上 0 943浏览免费 - 人工智能原理+合肥工业大学+设计报告
人工智能原理，合肥工业大学，李磊老师，高分（90+）设计报告 0 97浏览免费 - python基于卷积神经网络的手势动作识别.docx
python编程，深度学习，卷积神经网络，myo 0 256浏览免费 - 如何基于LLM做推荐系统
如何基于LLM做推荐系统 0 393浏览免费 - 在Linux远程服务器上设置PyTorch的GPU版本
一般租远程服务器的话，都是租linux系统的 本文就以在2080ti显卡服务器上安装pytorch-gpu版本为例。 首先输入python 0 680浏览免费 - BERT——2018NLP最强论文
申明：本资源来源于互联网，如有侵权，请联系本人或者CSDN进行删除，谢谢！ 《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》中，Jacob Devlin，Ming-Wei Chang， Kenton Lee， Kristina Toutanova等人提出的一种全新的深度学习架构，该架构在11项NLP任务中全面超越人类水平。 0 262浏览免费 - Miniconda安装包，对应Python3.9版本
Miniconda安装包，对应Python3.9版本 0 556浏览免费 - MapReduce在招聘数据清洗中的综合应用案例
mapreduce综合应用案例 — 招聘数据清洗 0 444浏览免费
CSDN会员
开通CSDN年卡参与万元壕礼抽奖
已订阅内容
我的课程
图文专栏
登录后即可查看
学习路径
七天热销榜 
下载资源
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
