随机挑战Part4 - 程序员宅基地

【数据结构与算法】Part02——线性表(C++)

线性表：顺序表；链式表：单链表，循环链表，双向循环链表；线性表的应用；案例分析与实现；顺序表和链式表的比较

论文翻译 || openpose -- Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields

该方法运用了非参数表示（non-parametric representation），我们称之为部分亲和域（PAFs：Part Affinitu Fields）,用它来学习怎样将身体部分和个体联系起来。这个结构编码了全局信息，并允许一个贪婪的从底向上的...

[中奖]第九届“泰迪杯”挑战赛A题

问题概述题目1如下：赛题有2个点，分别是：确定数据指标即确定哪些特征是决定财务造假与否的关键特征预测造假公司训练模型，然后跑测试数据即可 ...首先使用missingno2，对全局数据进行观测，看一看缺失值等...

深度卷积网络，多孔卷积和全连接条件随机场的图像语义分割

标签： FCN DeepLab

深度卷积网络，多孔卷积和全连接条件随机场的图像语义分割DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFsTaylor Guo, 2017年5月03日星期三...

详解各种LLM系列｜（2）LLaMA 2模型架构、预训练、SFT、RLHF内容详解（PART-2）

标签：人工智能 llama nlp

这一篇继续详细深入Llama 2的 RLHF内容，以及其实现的实验结果

AIGC：ChatGPT(一个里程碑式的对话聊天机器人)的简介(意义/功能/核心技术等)、使用方法(七类任务)、案例...

标签：人工智能 ChatGPT

AIGC：ChatGPT(一个里程碑式的对话聊天机器人)的简介(意义/功能/核心技术等)、使用方法(七类任务)、案例应用(提问基础性/事实性/逻辑性/创造性/开放性的问题以及编程相关)之详细攻略目录爆火的原因：免费+好用+随时...

智能体AI Agent的极速入门：从ReAct、AutoGPT到AutoGen、QwenAgent、XAgent、MetaGPT

标签：智能体 AI Agent ReAct

ReAct其实不是一个刚出来的概念，它于2022年10月份便由Google Research 的 Brain Team 通过此篇论文《》提出来了，没错，又是Google的建设性工作之一，曾一度感觉，没有Google(毕竟transformer、指令微调、CoT等哪个...

从 A 到 Z 的 HTTP/3: 核心概念(part 1)

标签： http java servlet

经过近五年的开发，新的 HTTP/3协议已接近最终形式。...如何使用或应该使用它？特别是，它是如何提高网络性能的？我们去看看。你可能读过一些关于这个话题的博客文章或者听过一些会议演讲，并且认为你知道答案。...

构建数码产品知识图谱：从数据采集到知识融合

标签：计算科学神经计算深度学习

构建数码产品知识图谱：从数据采集到知识融合 1. 背景介绍 1.1 知识图谱的重要性在当今的数字时代,数据已经成为了企业和组织的关键资产。然而,简单地积累海量数据是远远不够的,我们需要有效地组织和利用这些数据,将...

TPM 2.0规范解读系列——Part 1体系结构第（七）读：主种子

标签：系统安全安全架构安全

本文介绍了主种子（Primary Seeds），Primary Seed是一个大的随机值，它长期存储在TPM中；永远不会以任何形式存储在TPM之外；主种子用于生成对称密钥、非对称密钥、其他种子和证明值。每种不同的层级结构对应一个主...

kaggle之皮肤癌数据的深度学习测试

标签： tensorflow

模型对基底细胞癌的错误预测最多，编码...黑素细胞痣编码为0，光化性角化病编码为4，误分率最低。还可以进一步调整我们的模型，使之更容易达到80%以上的精度。不过77.0344%的预测结果与人眼相比，该模型仍然是有效的。

模仿学习的集中爆发：从Dobb·E、Gello到斯坦福Mobile ALOHA/UMI、FMB、DexCap

标签：大模型机器人 Google RT2 Berkeley Gello

且一年前，因为对ChatGPT背后技术原理巨大的「好奇心」，加之极高的「分享热情」、以及想写一篇关于其原理最全面最深入最细致文章的「决心」，彻底改变了过去一年的轨迹博客证明了技术研究能力，课程证明了教学...

Sora之前的视频生成发展史：从Gen2、Emu Video到PixelDance、SVD、Pika 1.0

标签：文生视频 Gen2 Emu Video

第一种是基础模式（Basic Mode），用户只需要提供一张指导图片+文本描述，PixelDance 就可以生成有高度一致性且有丰富动态性的视频，其中指导图片可以是真实图片，也可以利用现有的文生图模型生成。...

如何制作营养膳食计算器_如何创建随机膳食生成器

如何制作营养膳食计算器Last week I decided to take on a new challenge.... 上周，我决定接受一个新的挑战。我称之为：＃100Days100Projects挑战。 The purpose of the challenge is to create one ...

深度学习网络篇——ZFNet（Part1 从AlexNet到ZFNet）

标签：深度学习 ZFNet 网络

一、引言上回说到 · AlexNet 参见我们的文章：深度学习网络篇... · AlexNet性能举世瞩目 top-1和top-5错误率分别为37.5%和17.0%。...· 由下面的原因，人们也对卷积网络空前关注： ... 大量有标签的数据集Image...

Object Detection with Discriminatively Trained Part Based Models（使用判别训练的部件模型进行目标检测...

标签： Pedro F. Felzenszwal Ross B.Girshick David McAllester and

使用判别训练的部件模型进行目标检测 Pedro F. Felzenszwalb, Ross B.Girshick, David McAllester and Deva Ramanan ... 本文介绍了一个基于混合多尺度可变形部件模型(mixtures of multiscale deformablepart...

【ChatGPT核心原理实战】手动求解 Transformer：分步数学示例 | Solving Transformer by Hand: A Step-by-...

标签： transformer 深度学习人工智能

手动求解 Transformer：分步数学示例Understanding Transformers: A Step-by-Step Math Example — Part 1了解 Transformer：分步数学示例 — 第 1 部分I understand that the transformer architecture may seem ...

LLM高效参数微调方法：从Prefix Tuning、Prompt Tuning、P-Tuning V1/V2到LoRA、QLoRA(含对模型量化的解释)

标签：大模型微调方法 Prefix Tuning P-Tuning V1/V2

常规部分的正向传播由transformers所定义，而LoRA部分的正向传播则由LinearLayer_LoRA(nn.Module)的forward()所定义，即“LoRA层的两条分支结果进行加和”，如下图所示『一般用随机高斯分布初始化，当然实际代码实现...

基于YOLOv8/YOLOv7/YOLOv6/YOLOv5的的商品标签识别系统（Python+PySide6界面+训练代码）

标签： YOLOv7/v6/v5 YOLOv8 深度学习

开发商品标签识别系统对零售效率和顾客体验至关重要。本博客介绍了利用深度学习构建此系统的完整代码资源，提供了基于YOLOv8算法的代码实现。系统与YOLOv7、YOLOv6、YOLOv5性能对比，包括mAP、F1 Score分析。...

Cassandra在海量数据存储及大型项目案例介绍-part1

标签： big data 架构网络爬虫

具体来说，项目团队需要处理大量的消息副本、消息的反向索引等不同形式的数据，需要处理很多随机读和并发随机写操作。在2009年3月，Cassandra 被转移到 Apache 孵化器项目，并在2010年2月17日，它被投票成为一个...

【CV】高被引行人重识别（Person Re-ID）综述论文

标签：计算机视觉行人重识别 Re-ID

论文年份：TPAMI 2021，论文被引：448（2022/05/17）

Part 3.2

Part 3.2: image preprocessing 在我们尝试训练CNN之前，对图像进行预处理以去除其平均值。它也通过应用标准偏差3个像素的高斯核进行平滑：% Pre-smooth the image im = vl_imsmooth(im,3) ;% Subtract median ...

数字孪生中的人工智能——技术现状、挑战和未来研究课题

标签：大数据 toa 机器学习

作者：吕志涵、谢淑轩（音译）摘要随着数字化进程的推进，...本文从航空航天、生产车间智能制造、无人驾驶汽车、智慧城市交通四大领域探讨了数字孪生体的应用现状，并回顾了当前面临的挑战和未来需要期待的话题。研...

有关可变形部件模型(Deformable Part Model)的一些说明

标签： DPM Pedro.Felzenszwalb 中文翻译

（1）可变形部件模型可变形部件模型(DeformablePart Model)由三部分组成： (1) 一个较为粗糙的，覆盖整个目标的全局根模版(或叫做根滤波器)。 ... (2) 几个高分辨率的部件模版(或叫做部件滤波器)。...

深入理解内存映射：mmap映射的背后原理以及和共享内存的差异

标签： c++ 嵌入式数据结构

`mmap` 是实现内存映射的关键系统调用。它创建了文件内容和进程地址空间之间的直接映射，使得文件的一部分或全部可以直接映射到进程的地址空间中。这样，文件的读写就变得像内存访问一样高效。

【AI人工智能】用于代码生成的大型语言模型 Large Language Models for Code Generation

标签：人工智能

大型语言模型通常采用Transformer等注意力机制架构,能够有效捕获输入序列中长程依赖关系。具体而言,编码器将输入序列映射为上下文表示,解码器则根据上下文和已生成的部分序列预测下一个token。代码生成任务中的输入...

VGM之Sora：OpenAI重磅发布一款“炸天”的视频生成模型—《Video generation models as world simulators...

标签：人工智能大语言模型计算机视觉

VGM之Sora：OpenAI重磅发布一款“炸天”的视频生成模型—《Video generation models as world simulators视频生成模型作为世界模拟器》翻译与解读目录《Video generation models as world simulators视频生成...

图像分割的大变革：从SAM(分割一切)到FastSAM、MobileSAM

标签：图像分割 SAM分割一切 FastSAM

SAM就是一类处理图像分割任务的通用模型。与以往只能处理某种特定类型图片的图像分割模型不同，SAM可以处理所有类型的图像。在SAM出现前，基本上所有的图像分割模型都是专有模型。比如，在医学领域，有专门分割核磁...

【多模态】14、Segment Anything | Meta 推出超强悍可分割一切的模型 SAM

标签：人工智能计算机视觉深度学习

本文主要介绍 segment anything

[OpenPose翻译] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields ∗原文翻译（注释...

标签： openpose win7 深度学习

论文原文地址：https://arxiv.org/abs/1611.08050（在网页右上角附近，有“PDF”字样，... ... 关于文章理解或者翻译问题的，都可联系本人。 ...为了方便各位阅读与理解，翻译尽量将长句子拆分（如摘要开头第一句）...

”随机挑战Part4“ 的搜索结果