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
如何查看一个 pytorch 的 tensor 占用了多少字节
可以使用<codetorch.numel()</code方法来计算一个PyTorch张量占用的总字节数,以及<codeelement_size()</code方法来计算一个元素所占的字节数。将这两个方法返回的结果相乘即可得到PyTorch张量占用的总字节数。例如,假设有一
Chai 3D :组件工具
推荐:将 NSDT场景编辑器(https://link.segmentfault.com/?encG2L9Z5deRDLQQ6zvhpbvbQ%3D%3D.DDhoFmHTMrNl7UIn162pJX2OMKggWvn36CY9UFPaxEY%3D) 加入你的3D开发工具链介绍
SDG,ADAM,LookAhead,Lion等优化器的对比介绍
本文将介绍了最先进的深度学习优化方法,帮助神经网络训练得更快,表现得更好。有很多个不同形式的优化器,这里我们只找最基础、最常用、最有效和最新的来介绍。优化器首先,让我们定义优化。当我们训练我们的模型以使其表现更好时,首先使用损失函数,训练时损失的减少表明我们的模型运行良好。而优化是
【保姆级教程】猫狗识别不再难!手把手教你用PaddlePaddle构建卷积神经网络
大家好,我是eriktse,最近在学习计算机视觉。对cv稍微有点了解的小伙伴都知道,猫狗识别是一个入门的项目,虽说这是入门级项目,但是要自己写一个神经网络还是没那么简单的。在这篇文章中,我将从数据处理、网络模型构建、模型训练、模型评估四步来带你亲自动手制作一个准确率达70%以上的可以实现猫狗识别
博睿数据入选中国高科技高成长企业系列榜单
在数字中国建设的大背景下,近年来,各行各业大力推动数智化转型,以数据驱动企业数字化转型和现代化发展,已成为各大企业提质增效的重要手段。近日,【第一新声】X【天眼查】颁发“数字中国”系列之2022年度中国高科技高成长企业系列榜单,展现被资本市场关注、受客户认可的高科技、好口碑的优秀企业。博睿数据入围I
书籍推荐-《卡尔曼滤波与信息融合》
!图片(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/db8a8f5e3b8a3c4a0339ffcd9d79caaf.png)书籍:KalmanFilteringandInformationFusion作者
resnet50 一共有多少层?层数计算
ResNet50卷积神经网络简介(https://link.segmentfault.com/?encInaUJYmzVAEiMCyou%2BR6DA%3D%3D.WsuJbiDrEFWtlpBhBw92dMjDAE9Ax%2BVMbRpemwoIHYTvayide8PJHiue3d%2FW
冯思远:Apache TVM 与机器学习编译发展
下午好,欢迎大家今天来参加2023MeetTVM。作为ApacheTVMPMC,由我来给大家做关于TVM的发展以及TVM未来Unity框架的分享。ApacheTVMEvolution首先为什么会有MLC(MachineLearningCompi
机器学习算法——支持向量机
支持向量机(SVM)toc一、什么是支持向量机支持向量机在高纬或无限维空间中构造超平面或超平面集合,其可以用于分类、回归或其他任务。直观来说,分类边界距离最近的训练资料点越远越好,因为这样可以缩小分类器的泛化误差。<blockquote<a
不同 batch_size 生成的 vector 不一样
之前发现,在不同设备上,推理生成的向量会不一样比如在同一台电脑是,使用CPU生成的向量和GPU生成的向量换一台电脑,这台电脑的CPU生成的向量和另一台电脑CPU生成的向量也不一样现在我还发现,一样的电脑,一样的CPU,但是batch_size不一样,生成的向量也可以
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。


