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
卷积神经网络在深度学习中新发展的5篇论文推荐
!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/612fc96cac5dd3151798ec41c9c3851f.png)1、DeformableCNNandImbalanceAwareFeatureL
CA:用于移动端的高效坐标注意力机制 | CVPR 2021
<blockquote<p论文提出新颖的轻量级通道注意力机制coordinateattention,能够同时考虑通道间关系以及长距离的位置信息。通过实验发现,coordinateattention可有效地提升模型的准确率,而且仅带来少量的计算消耗,十分不错</p<p来源:晓飞的算法工
ArgMiner:一个用于对论点挖掘数据集进行处理、增强、训练和推理的 PyTorch 包
论点挖掘(ArgumentMining)是一项从文本中提取论点成分的任务,通常作为自动写作评估系统的一部分。这是自然语言处理中一个非常热门的领域。一个好的AM模型可以将一段原始将一段原始文本的序列标记为它们所属的论点内容。虽然历史上这一问题被视为一个语义分割问题,最先进的(SOTA)AM技术
GID:旷视提出全方位的检测模型知识蒸馏 | CVPR 2021
<blockquote<p论文提出的GID框架能够自动选择可辨别目标用于知识蒸馏,而且综合了featurebased、relationbased和responsebased知识,全方位蒸馏,适用于不同的检测框架中。从实验结果来看,效果十分不错,值得一看</p<p来源:晓飞的算法工程
零样本和少样本学习
在本篇文章中,我们将讨论机器学习和深度学习的不同领域中的一个热门话题:零样本和少样本学习(ZeroandFewShotlearning),它们在自然语言处理到计算机视觉中都有不同的应用场景。少样本学习在监督分类器中,所有的模型试图学习的是区分不同的对象的的特征,无论数据是什
GWD:基于高斯Wasserstein距离的旋转目标检测 | ICML 2021
<blockquote<p 论文详细描述了当前旋转目标检测的主要问题,提出将旋转回归目标定义为高斯分布,使用Wasserstein距离度量高斯分布间的距离用于训练。目前,常规目标检测也有很多将回归转化为概率分布函数的做法,本文有异曲同工之妙,值得阅读</p<p来源:晓飞的算法工程笔记
【MindSpore易点通】让我们谈谈MindSpore安装这点事儿~
引言:MindSpore易点通是易用性SIG打造的技术交流专区,致力于提升MindSpore易用性,帮助开发者打通使用MindSpore的“最后一公里”万事安装起,今天和大家来掰扯掰扯MindSpore安装这点事儿,当前MindSpore支持在Ascend(910和310)、GPU(CUDA1
【MindSpore易点通】深度学习系列-卷积神经网络
小Mi前天一不留意瞄了眼公众号,发现竟然已经有了YOLOv7,顿时感觉自己落后的不是一星半点,印象中还是YOLOv5来着,怎么大伙的科研速度跟火箭有的一拼?吓得小Mi赶紧补功课。废话不多说(是不是还是熟悉的配方),今天开始先跟大家从CNN开始复习吧~鼻祖来了好了,首先详细解释下,为什么要先从CN
【MindSpore易点通】深度学习系列-经典卷积神经网络
上周小伙伴说我们卷积神经网络讲的太简单了,基础嘛,当然要先打好()。这不,更加复杂的卷积神经网络来了~经典CNN之LeNet手写字体识别模型LeNet5诞生于1994年,是最早的卷积神经网络之一。LeNet5利用卷积、参数共享、池化等操作提取特征,避免了大量的计算成本,最后使用全连接神经网络进行
【MindSpore易点通】分布式并行经验总结
1简单介绍现如今数据的存储越来越多,想要提高算力的话,其实我们可以提高分布式计算。所谓分布式计算就是在两个或多个软件互相共享信息,这些软件既可以在同一台计算机上运行,也可以在通过网络连接起来的多台计算机上运行。分布式并行训练,可以降低对内存、计算性能等硬件的需求,是进行训练的重要优化手段。而我
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。