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
【毕设】(r1.6)自定义算子(CPU) & SampleDistortedBoundingBox算子移植
1项目概述本项目开题时的目的是将TensorFlow框架下的SampleDistortedBoundingBox算子移植到MindSpore框架下,开题时MindSpore版本是r1.5向r1.6的过渡期,正式开发时MindSpore发行版本为r1.6,因此,本文主要讲述MindSporer1.
【毕设】CBAM应用于调制分类
在非合作通信中,识别敌方的信号参数是及其重要的一个环节。其中,信号的调制类型就是重要的参数之一,因此能对调制方式进行分类是通信系统检测、管理和控制的关键任务之一。近年来,注意力机制在图像处理领域表现出巨大的优势,因此实验使用空间注意力机制与通道注意力机制,结合ResNet网络架构,从通道和空间域的各
MindSpore 报错 Should not use Python in runtime
1报错描述1.1系统环境ardwareEnvironment(Ascend/GPU/CPU):CPUSoftwareEnvironment:–MindSporeversion(sourceorbinary):1.7.0–Pythonversion(e.g.,Python
就是越来越好用,MindSpore自动安装!Conda方式安装MindSpore CPU版本
Conda方式安装MindSporeCPU版本win10x641.先安装conda环境2.创建并进入Conda虚拟环境condacreateccondaforgenmindspore_py39ccondaforgepython3.9.0!图片(https://im
MindSpore报错 For ‘MirrorPad‘, paddings must be a Tensor with *
1报错描述1.1系统环境HardwareEnvironment(Ascend/GPU/CPU):CPUSoftwareEnvironment:–MindSporeversion(sourceorbinary):1.8.0–Pythonversion(e.g.,Pytho
MindSpore报错 Select GPU kernel op * fail! Incompatible data type
1报错描述1.1系统环境HardwareEnvironment(Ascend/GPU/CPU):GPUSoftwareEnvironment:–MindSporeversion(sourceorbinary):1.5.2–Pythonversion(e.g.,Pytho
MindSpore报错 StridedSlice这个算子在Ascend硬件上不支持input是uint8的数据类型
1报错描述1.1系统环境HardwareEnvironment(Ascend/GPU/CPU):CPUSoftwareEnvironment:–MindSporeversion(sourceorbinary):1.8.0–Pythonversion(e.g.,Pytho
MindSpore报错 For primitive[TensorSummary], the v rank 必须大于等于0
1报错描述1.1系统环境HardwareEnvironment(Ascend/GPU/CPU):AscendSoftwareEnvironment:–MindSporeversion(sourceorbinary):1.8.0–Pythonversion(e.g.,Py
MindSpore报错 Data type conversion of 'Parameter' is not supporte
1报错描述1.1系统环境HardwareEnvironment(Ascend/GPU/CPU):AscendSoftwareEnvironment:–MindSporeversion(sourceorbinary):1.8.0–Pythonversion(e.g.,Py
图神经网络的可解释性方法介绍和GNNExplainer解释预测的代码示例
深度学习模型的可解释性为其预测提供了人类可以理解的推理。如果不解释预测背后的原因,深度学习算法就像黑匣子,对于一些场景说是无法被信任的。不提供预测的原因也会阻止深度学习算法在涉及跨域公平、隐私和安全的关键应用程序中使用。深度学习模型的可解释性有助于增加对模型预测的信任,提高模型对与公平、隐私和
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。


