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
深入了解 TabNet :架构详解和分类代码实现
Google发布的TabNet是一种针对于表格数据的神经网络,它通过类似于加性模型的顺序注意力机制(sequentialattentionmechanism)实现了instancewise的特征选择,还通过encoderdecoder框架实现了自监督学习。表格数据是日常中用到的最多的数据
PyTorch之Checkpoint机制解析
PyTorch之Checkpoint机制解析<blockquote本文已授权极市平台,并首发于极市平台公众号.未经允许不得二次转载.</blockquote原文链接:https://www.yuque.com/lart/ug...(https://link.segmen
Pytorch之Spatial-Shift-Operation的5种实现策略
Pytorch之SpatialShiftOperation的5种实现策略<blockquote本文已授权极市平台,并首发于极市平台公众号.未经允许不得二次转载.</blockquote原始文档(可能会进一步更新):https://www.yuque.com/lart
PyTorch之BN核心参数详解
PyTorch之BN核心参数详解原始文档:https://www.yuque.com/lart/ug...(https://link.segmentfault.com/?encz4PXuu4qnD0sN5UN1uG03A%3D%3D.aI54wBr8iIDzPvV0rb5iZL6w
论文推荐:在早期训练阶段预测下游模型性能
预训练大规模深度神经网络(NN),并针对下游任务进行微调已成为深度学习领域的现状。研究人员面临的一个挑战是如何为给定的下游任务有效地选择最合适的预训练模型,因为这个过程通常需要在模型训练中用于性能预测的昂贵计算成本。在新论文NeuralCapacitance:ANewPerspecti
2022 年 1 月推荐阅读的四篇深度学习论文
自举元学习到深度学习的时间序列预测,外推与泛化之间的关系与RidgeRider探索多样化最优‘BootstrappedMetaLearning’Flennerhagetal.(2021)|📝https://arxiv.org/pdf/2109.04...(
使用 LSTM 进行多变量时间序列预测
在本文中我们将使用深度学习方法(LSTM)执行多元时间序列预测。我们先来了解两个主题——什么是时间序列分析?什么是LSTM?时间序列分析:时间序列表示基于时间顺序的一系列数据。它可以是秒、分钟、小时、天、周、月、年。未来的数据将取决于它以前的值。在现实世界的案例中,
为什么小批量会可以使模型获得更大的泛化
批大小是机器学习中重要的超参数之一。这个超参数定义了在更新内部模型参数之前要处理的样本数量。!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/e75797acb6b1f40aa82730a43b4bae83.png)上图
Transformer 架构逐层功能介绍和详细解释
多年来,深度学习一直在不断发展。深度学习实践高度强调使用大量参数来提取有关我们正在处理的数据集的有用信息。通过拥有大量参数,我们可以更容易地分类/检测某些东西,因为我们有更多的可以清楚地识别的数据。目前为止深度学习中,特别是在自然语言处理领域的一个显着里程碑是语言模型的引入,它极大地提高了执行各
Pokémon AI,使用DALL-E生成神奇宝贝图鉴
还记得我们上次分享的使用DALLE生成神奇宝贝的文章吗,这次Reddit的网友又给出了效果更好的版本。每年数以百万计的人都热切地等待着新一代神奇宝贝的发布。尽管收藏不断增加,但目标始终如一——GottaCatch&39;EmAll!!(https://imghellowor
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。