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
PyTorch中的多GPU训练:DistributedDataParallel
在pytorch中的多GPU训练一般有2种DataParallel(DP)和DistributedDataParallel(DDP),DataParallel是最简单的的单机多卡实现,但是它使用多线程模型,并不能够在多机多卡的环境下使用,所以本文将介绍DistributedDataParallel
基于积分自编码器网络的离散不变学习
前言最近机器学习顶刊JournalofMachineLearningResearch发表了很多关于PDE深度学习的理论基础,可以看出这个领域将会焕发出生命力,该领域与数学结合较紧密。PDE的深度学习方法很难避开的就是离散化。如何去学习离散过程中产生的不变量是一个重要的话题,这篇文
PaddleNLP通用信息抽取技术UIE【一】产业应用实例:信息抽取{实体关系抽取、中文分词、精准实体标。情感分析等}、
相关文章:1.快递单中抽取关键信息【一】基于BiGRUCR预训练的词向量优化(https://link.segmentfault.com/?enc6tOEpRqAGP9cg%2FgigqnS4Q%3D%3D.%2FoWKeLxuKDjSrRxYOQHVM1bd6TvOYV4
【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。
PaddleNLP--UIE(二)--小样本快速提升性能(含doccona标注
相关文章:1.快递单中抽取关键信息【一】基于BiGRUCR预训练的词向量优化(https://link.segmentfault.com/?encUZNv7jn8yE6njy6ns7OhGw%3D%3D.ji2fdtYfwJ9yMOY73UgGDRcfPGcSZpYclLl
训练深度学习神经网络的常用5个损失函数
神经网络在训练时的优化首先是对模型的当前状态进行误差估计,然后为了减少下一次评估的误差,需要使用一个能够表示错误函数对权重进行更新,这个函数被称为损失函数。损失函数的选择与神经网络模型从示例中学习的特定预测建模问题(例如分类或回归)有关。在本文中我们将介绍常用的一些损失函数,包括:回归
NLP+对话机器人技术峰会
基于硅谷最新一代NLP对话机器人技术提取而成,NLP顶级专家提供内容内容交付;一站式打通NLP企业级实战、技术服务及学术研究的核心NLP及对话机器人技术内核;不仅仅是企业级及学术强度的技术分享,更是全程源码及综合性案例驱动实战;所有的内容均基于Google、Rasa、Pearson、Amazon
使用PyG进行图神经网络的节点分类、链路预测和异常检测
图神经网络(GraphNeuralNetworks)是一种针对图结构数据(如社交图、网络安全网络或分子表示)设计的机器学习算法。它在过去几年里发展迅速,被用于许多不同的应用程序。在这篇文章中我们将回顾GNN的基础知识,然后使用PytorchGeometric解决一些常见的主要问题,并讨论一些算
生成模型VAE、GAN和基于流的模型详细对比
在IanGoodfellow和其他研究人员在一篇论文中介绍生成对抗网络两年后,YannLeCun称对抗训练是“过去十年里ML最有趣的想法”。尽管GANs很有趣,也很有前途,但它只是生成模型家族的一部分,是从完全不同的角度解决传统AI问题,在本文中我们将对比常见的三种生成模型。生成算法
2021KDD论文解读:外卖配送服务中路径预测与时间预测的深度学习方法
美团配送2021KDD论文:ADeepLearningMethodforRouteandTimePredictioninFoodDeliveryService背景配送系统存在一些关键预测环节。ETA:用户下单前,系统会给用户一个承诺的预计送
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。