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
【文本检测与识别白皮书】第三章第三节:算法模型
!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/6f68a7c0d520c8ae042946d1a24e51bc.png)3.1.3常用的文本检测模型RCNN、Fast RCNN、Faster RCN
谷歌AudioLM :通过歌曲片段生成后续的音乐
AudioLM是Google的新模型,能够生成与提示风格相同的音乐。该模型还能够生成复杂的声音,例如钢琴音乐或人的对话。结果是它似乎与原版没有区别,这是十分让人惊讶的。为什么生成音乐如此困难?创作音乐并不是一件容易的事。生成音频信号(音乐、环境声音、人的讲话)需要多尺度的抽象
Attention机制与算子学习
前言之前的系列里提到Attention机制在算子学习中的应用前景,今年的机器学习顶刊JMLR就发表了一篇相关的论文,利用Attention机制对时空耦合数据进行耦合,实现了超分辨率的插值方法,在各种各样的复杂场景下有广泛利用,为算子学习理论提供了坚实的基础。<blockquote
【技术白皮书】第三章-第二节:基于分割的场景文本检测方法
3.1.2基于分割的场景文本检测方法基于分割的自然场景文本检测方法主要是借鉴传统的文本检测方法的思想,先通过卷积神经网络检测出基本的文本组件,然后通过一些后处理的方式将文本组件聚集成一个完整的文本实例。此类方法可以进一步划分为像素级别的方法(基于分割的方法)和文本片段级别的方法。
R语言LDA、CTM主题模型、rjags 吉布斯gibbs采样文本分析论文摘要、通讯社数据
摘要主题模型允许对文档中的术语频率发生进行概率建模。拟合模型可用于估计文档之间以及一组指定关键字之间的相似性,这些关键字使用称为主题的额外潜在变量。R包主题模型提供了基于文本挖掘包tm中的数据结构拟合主题模型的基本基础结构。关键词:吉布斯采样,R,文本分析,主题模型
EasyNLP发布融合语言学和事实知识的中文预训练模型CKBERT
作者:汝贤、秋兮、熊兮、临在导读预训练语言模型在NLP的各个应用中都有及其广泛的应用;然而,经典的预训练语言模型(例如BERT)缺乏对知识的理解,例如知识图谱中的关系三元组。知识增强预训练模型使用外部知识(知识图谱,字典和文本等)或者句子内部的语言学知识进行增强。我们发现,
AiTrust下预训练和小样本学习在中文医疗信息处理挑战榜CBLUE表现
项目链接:https://aistudio.baidu.com/aistudio/projectdetail/4592515?contributionType1(https://link.segmentfault.com/?encZBi4tJoVvgmvQBXON2nWdA%3D%3D.WM
【一】ERNIE:飞桨开源开发套件,入门学习,看看行业顶尖持续学习语义理解框架,如何取得世界多个实战的SOTA效果?
参考文章:深度剖析知识增强语义表示模型——ERNIE_财神Childe的博客CSDN博客_ernie模型(https://link.segmentfault.com/?encHHBLyrkNKTeutcCB7VX0nQ%3D%3D.d5ilCdwvwZ3%2Fhe6ZZitfT6pRH
【YOLOv5】LabVIEW+OpenVINO让你的YOLOv5在CPU上飞起来
前言上一篇博客给大家介绍了使用opencv加载YOLOv5的onnx模型,但我们发现使用CPU进行推理检测确实有些慢,那难道在CPU上就不能愉快地进行物体识别了吗?当然可以啦,这不LabVIEW和OpenVINO就来了嘛!今天就和大家一起看一下如何在CPU上也能感受丝滑的实时物体识别。
持续学习常用6种方法总结:使ML模型适应新数据的同时保持旧数据的性能
持续学习是指在不忘记从前面的任务中获得的知识的情况下,按顺序学习大量任务的模型。这是一个重要的概念,因为在监督学习的前提下,机器学习模型被训练为针对给定数据集或数据分布的最佳函数。而在现实环境中,数据很少是静态的,可能会发生变化。当面对不可见的数据时,典型的ML模型可能会性能下降。这种现象被称为灾难
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。


