HelloWorld 开发者社区
科技资讯
微软 MAI Code 2 系列进入 Copilot:按工程任务选择编程模型
OpenAI 发布 GPT-6.2 Astra 与 Sol:专业交付、编程效率与团队选型
Qwen4-Max 发布:百万 Token 上下文、多模态与长任务如何落地
Jync 2.2.1 发布:完善告警通知,修复 CDC 与 ETL 可靠性问题
phimint 0.10.0 发布:终端智能体加入交互输入处理
Cursor 更新安全事件调查:扩展分发、历史凭据与团队排查
SoduWork 开源,尝试用独立审查与插件治理组织智能体交付
百度世界提出智能组织思路,关注 AI 从个人工具进入业务闭环
openKylin 全球生态推广会举行,推进本地化与社区合作
光船 1.1.0 尝鲜版二更新,探索 AI 会话与代码生成结合
开源项目
全部项目推荐好文
RDMA:远程直接存取数据,国产网卡
各式各样的数据在网络介质中通过网络协议(如TCP/IP)进行传输时,如果信息量过大而不加以限制的话,那么超额的网络流量就会导致设备反应缓慢,由此就造成了网络延迟。延迟越低越好,效率越高越好,这不仅仅是数据中心网络的要求,我们平常使用的内部网络同样也希望如此。当前的网络速度有万兆、2.5万兆、4万
离开 FB 两年后,Instagram 创始人干嘛去了?
<blockquote<strong场景描述:</strong截至目前,美国新冠肺炎累计确诊病例已经超过79万,科技公司们也一直都在积极提供各种帮助。Instagram的两位创始人,最近开发出一个网站,将新冠肺炎平均感染人数进行可视化实时显示,让人们对各州的疫情传播情况尽收眼底。<p
亚马逊和脸书发布 TorchServe 解决Pytorch 模型的部署问题
!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/a8574ee0eac3b93ec2ec286dc2521ad1.png)4月21日官方发布,PyTorch用户可以使用TorchServe(PyTorch生态新的模型服务
腾讯推出超强少样本目标检测算法,公开千类少样本检测训练集FSOD | CVPR 2020
<blockquote论文提出了新的少样本目标检测算法,创新点包括AttentionRPN、多关系检测器以及对比训练策略,另外还构建了包含1000类的少样本检测数据集FSOD,在FSOD上训练得到的论文模型能够直接迁移到新类别的检测中,不需要finetune<br/ <br/来源:
化繁为简,弱监督目标定位领域的新SOTA - 伪监督目标定位方法(PSOL) | CVPR 2020
<blockquote论文提出伪监督目标定位方法(PSOL)来解决目前弱监督目标定位方法的问题,该方法将定位与分类分开成两个独立的网络,然后在训练集上使用Deepdescriptortransformation(DDT)生成伪GT进行训练,整体效果达到SOTA,论文化繁为简,值得学习<br/
拓端tecdat|HAR-RV-J与递归神经网络(RNN)混合模型预测和交易大型股票指数的高频波动率
原文链接:http://tecdat.cn/?p5277(https://link.segmentfault.com/?enctDDEuqapSOQCAtRN5ZRM1w%3D%3D.rN75FH2jzuDy%2FatjQ4MLsWMwoQrBFN7vqo53ZsV6GTQ%3D)
拓端tecdat|HAR-RV-J与递归神经网络(RNN)混合模型预测和交易大型股票指数的高频波动率
原文链接:http://tecdat.cn/?p5277(https://link.segmentfault.com/?encsVDmr53NFlyDTAFUgqsAzw%3D%3D.1QbNYZQusXWEy7o78%2BEAa2nZU1FIOmIWsQ0lJ8%2BJ%2FH8%3
深度学习领域资源汇总清单【框架、数据集、期刊】
大多数时候,人们使用不同的深度学习框架和标准开发工具箱。(SDKs),用于实施深度学习方法,具体如下:框架Tensorflow:https://www.tensorflow.org/(https://link.segmentfault.com/?encTE
论文阅读:u-net
引言本论文介绍了一种U型网络结构,用于语义分割。它其实基于一种编码与解码的思想,可以有效的结合低分辨率的信息和高分辨率的信息,能够更好的分割图像边缘。它与FCN同一年提出,在思想上上也类似,但是unet用了完全对称的结构,以及在拼接图像时用的不是像素的相加,而是通道的叠加,在我实际
BERT系列之详解ALBERT
自BERT出现之后,NLP领域取得了很大的进展,并且随着加大模型的容量,BERT模型的进度也在各个数据集上都有一些提升,但虽然提升模型的大小是能对下游任务的效果有一定的提升,但是如果进一步提升模型规模,势必会导致显存或者内存出现OOM1的问题,长时间的训练也可能是导致模型出现退化的情况。那么如何在大
正在加载更多文章…
加载更多已加载文章中没有匹配内容,可继续加载更多。


