HelloWorld 开发者社区
科技资讯
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
Argus 0.5.0 发布:新增进程控制,完善原生 Windows 任务管理
MetaForge 2026.0.0 发布,整合数据库工作台与可视化分析
开源项目
全部项目推荐好文
使用机器学习创建自己的Emojis 表情
对于图像生成方向目前通常使用的方法是生成对抗网络或扩散模型。尽管这两种方法有的不同的特点,但是他们的一个共同点是模型训练对机器资源的要求很高,如果我们要以一种全新的风格创建一个图像,模型将需要从头开始训练,这可能需要更多的时间和资源,例如比较熟悉的StyleGan3是在拥有8个TeslaV10
GANs的优化函数与完整损失函数计算
生成对抗网络(GANs)近年来在人工智能领域,尤其是计算机视觉领域非常受欢迎。随着论文“GenerativeAdversarialNets”1的引入,这种强大生成策略出现了,许多研究和研究项目从那时起兴起并发展成了新的应用,我们现在看到的最新的DALLE22或GLIDE3(%E
使用扩散模型从文本生成图像
1代的DALLE使用VQVAE的改进版,2代的DALLE2通过使用扩散模型将图片的生成提升到了一个新的高度,但是由于其计算量很大而且没有开源,我们普通用户并没有办法使用,但是StableDiffusion的出现改变现状,可以让我们普通用户也可以直接使用,并且以前相对于DiscoDiff
向量数据库是如何检索的?基于 Feder 的 HNSW 可视化实现
从向量检索说起我们日常生活中常见的图片和声音都是非结构化数据,通过使用各种机器学习的模型,可以提取出不同的特征向量。每个非结构化的对象,都能够作为提取特征向量的集合,由一个高维向量进行表示。比如,苹果可以用圆球形,红色,水果,酸甜,...来表示。与标量数据查询不同,在向量数据
「曼孚科技」揭开计算机视觉的神秘面纱——物体检测技术
计算机视觉是当前人工智能最热门的领域之一,在其快速发展中,物体检测发展发挥了关键作用。本文旨在详解物体检测基本概念、衍生技术及其社会化应用,揭开计算机视觉的神秘面纱,深刻理解人工智能的独特魅力。什么是物体检测?简单来说,在图像中锁定目标便是物体检测。物体检测是一种图像分类技术
2022 全球 AI 模型周报
本周介绍了5个计算机视觉领域的SoTA模型,均于最近发表于2022年顶会CPVR和ECCV:RepLKNet特立独行专门研究大卷积核,PoolFormer表示Transformer的核心在于架构,ShuntedTransformer提出能够分流的新
论文推荐:使用带掩码的孪生网络进行自监督学习
最近自我监督学习被重视起来。昨天我通过LinkedIn发现了这项工作,我觉得它很有趣。kaiming大神的MAE为ViT和自监督的预训练创造了一个新的方向,本篇文章将介绍MaskedSiameseNetworks(MSN),这是另一种用于学习图像表示的自监督学习框架。MSN将包含随机掩码的图
机器学习中的“泛化”:模型过拟合与欠拟合,到底怎么回事?
“现实世界永远不会组成一个类分布均衡、没有噪声和异常值、数据分布均匀的完美数据集。”这是任何数据科学家都不想听到的话,但事实确是如此。人们训练机器时,最常出现的错误即是模型过拟合与欠拟合,这是机器学习难以逃脱的陷阱。而想知晓拟合不佳的缘由,就不得不提及一个新词汇“泛化”。什么是
使用Pytorch手写ViT — VisionTransformer
《TheAttentionisallyouneed》的论文彻底改变了自然语言处理的世界,基于Transformer的架构成为自然语言处理任务的的标准。尽管基于卷积的架构在图像分类任务中仍然是最先进的技术,但论文《Animageisworth16x16words:transf
mmdetection训练数据遇到的问题
原文链接(https://link.segmentfault.com/?encZjDpRBB8mlWgsMFYth6u2g%3D%3D.GHUwBlkNgE6QkelASiCRb0dZczGP84G0Kn5beXOoDq49BLZnRbXCoX3hDwi3nszK16qXEwaZJn9zRMR
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。