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
有效延缓痴呆症:延世大学发现梯度提升机模型能准确预测 BPSD 亚综合征
<blockquote<p<strong内容一览:</strong随着人口老龄化程度不断加剧,痴呆症已经成为公共健康问题。目前医学界治疗该病还只能通过药物缓解,尚未发现治愈的有效方法,因此,预防痴呆症尤为紧迫。在这一背景下,延世大学的研究人员开发了多个预测BPSD的机器学习模型,并对这
轻松调试,让报错无处遁形 |昇思MindSpore报错调试宝典(五):网络构建与训练类报错之算子执行错误
上一期讲解了由于输入参数不符合要求、算子功能不支持等算子编译错误问题该如何定位解决,那么在算子执行的时候也会遇到很多报错,比如输入数据异常、算子实现错误、功能限制、资源限制等问题,遇到这类情形我们正常可以采用类比的分析方法,本期以mindspore.ops.ResizeBicubic算子内部数据没有
算子编译没烦恼,Debug线性提升| 昇思MindSpore报错调试宝典(四):网络构建与训练类报错之算子编译错误
上一期讲解了语法错误问题,本期给大家介绍遇到算子编译错误问题应该如何分析和解决,当算子参数值、类型、shape不满足要求时,或者是算子功能受到限制这些都属于算子编译错误,本期以构建ReduceSum单算子网络时输入超过该算子支持维度为例来分析讲解如何定位与调试。具体内容请看海报~!图片(http
定位调试两手抓,报错真的不可怕 | MindSpore报错调试宝典(二):网络构建与训练类报错之context配置问题
上一期我们讲解了数据加载与处理类报错如何调试解决,今天给大家继续带来网络构建与训练类报错中的context配置问题,本期仍将以案例的形式展开,详细讲解mindspore.set_context算子的使用方法以及配置方法,希望大家在后续使用context算子过程中可以轻松解决相关的报错问题!同时也欢迎
昇思 MindSpore 报错调试宝典(一):数据加载与处理类
相信大家在使用昇思MindSpore时,会在不同情况下遇到不同类型的报错,为了帮助各位在遇到报错时可以自行定位调试解决,发布昇思MindSpore报错调试宝典系列文章,供大家学习参考!作为第一篇,我们以数据处理类型报错开始,从PythonCallStack、DatasetPipeline
浅谈API安全与人工智能生态
随着人工智能技术的不断发展,API接口安全问题也日益凸显。API接口是现代互联网服务的核心组成部分,它提供了网络应用程序之间相互通信的方法,使得不同的软件和系统能够无缝地集成在一起,这为业务的快速部署和实现带来了巨大的便利性。然而,由于API接口开放性和易于使用的特点,同时也给黑客攻击者提供了可乘之
Segment-Anything的一些相关论文总结
1、SegmentAnythingModel(SAM)EnhancedPseudoLabelsforWeaklySupervisedSemanticSegmentationTianleChen,ZhedaMai,RuiwenLi,WeilunCha
想要更好地理解大模型架构?从计算参数量快速入手
<blockquote<p编者按:要理解一种新的机器学习架构(以及其他任何新技术),最有效的方法就是从头开始实现它。然而,还有一种更简单的方法——计算参数数量。</p<p通过计算参数数量,读者可以更好地理解模型架构,并检查其解决方案中是否存在未被发现的错误。</p<p该文章提供了精确的T
常用的表格检测识别方法-表格内容识别方法
常用的表格检测识别方法3.3表格内容识别方法表格识别的研究主要涉及两个方面,一方面是对单元格内的文本进行识别,这一步通常是在确定单元格区域后,利用较为稳定的光学字符识别方法(OCR)来实现,这一方面不是表格识别研究的重点,不在此展开;另一方面是基于整个表格内容进行的表格分类、单元格分类、以
深度学习应用篇-计算机视觉-视频分类[8]:时间偏移模块(TSM)、TimeSformer无卷积视频分类方法、注意力机制
深度学习应用篇计算机视觉视频分类8:时间偏移模块(TSM)、TimeSformer无卷积视频分类方法、注意力机制1.时间偏移模块(TSM)视频流的爆炸性增长为以高精度和低成本执行视频理解任务带来了挑战。传统的2DCNN计算成本低,但无法捕捉视频特有的时间信息;3D
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。


