- 博客(124)
- 收藏
- 关注
RSS订阅
原创 世界上应用最广泛的算法之一的卡尔曼滤波算法原理-从放弃到精通-无人机/机器人应用
导读：随着传感技术、机器人、自动驾驶以及航空航天等技术的不断发展，对控制系统的精度及稳定性的要求也越来越高。卡尔曼滤波作为一种状态最优估计的方法，其应用也越来越普遍，如在无人机、机器人等领域均得到了广泛应用。需要卡尔曼滤波相关视频学习资料的可以扫码联系小助理即可还有500G的全套人工智能学习资料可以领取卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优...
2021-12-14 17:30:21
7229
原创 知识图谱是什么？一文了解其技术与应用场景案例
导读：悟已往之不谏，知来者之可追。小编整理了各种关于人工智能的学习资料库（图像处理opencv\自然语言处理、机器学习、数学基础等），还有AI大礼包：Pytorch、实战框架视频、图像识别、OpenCV、计算机视觉、深度学习与神经网络等视频、代码、PPT以及深度学习书籍均可以免费分享给大家学习，大学生均实用！我们有免费的计算机博士大佬的免费直播课可以听，免费咨询学习问题——扫码加我就行人工智能常用的十大算法 人工智能数学基础（一） 人工智能数学基础(二)人工智能数学...
2021-11-10 21:03:15
8388
2
原创 人工智能学习路线
相关资料下载加助教小姐姐的威信即可免费获取：第一、人工智能必备数学基础数学基础知识蕴含着处理智能问题的基本思想与方法，也是理解复杂算法的必备要素。今天的种种人工智能技术归根到底都建立在数学模型之上。一、数据分析1）常数e 2）导数 3）梯度 4）Taylor 5）gini系数 6）信息熵与组合数 7）梯度下降 8）牛顿法 二、概率论 1）微积分与逼近论 2）极限、微分、积分基本概念...
2021-10-29 15:36:52
2073
原创 图像分割的方法
导读：数字图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却引起各方面人士的广泛关注。为了方便大家学习交流，我建了一个扣裙：966367816另外我还整理了整整python人工智能学习笔记、课程视频、面试宝典一并可以无套路免费分享给大家！扫描文末二维码加V免费咨询学习问题领取资料定义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图..
2021-10-22 19:34:45
16688
原创 十大经典算法（图像处理）
导读：随着现代社会的发展，信息的形式和数量正在迅猛增长。其中很大一部分是图像，图像可以把事物生动地呈现在我们面前，让我们更直观地接受信息。这是小编的其他文章,希望对大家有所帮助,点击即可阅读人工智能常用的十大算法 人工智能数学基础（二）为了方便大家学习交流，我建了一个扣裙：966367816（学习交流、大牛答疑、大厂内推）另外我还整理了整整200G的人工智能学习笔记、课程视频、面试宝典一并可以无套路免费分享给大家！定义图像处理（image processing）又...
2021-09-29 15:41:02
10836
原创 人工智能的常用十种算法
导读：人工智能是科技研究中最热门的方向之一。整理了一份关于python基础，图像处理opencv\自然语言处理、机器学习、数学基础等资源库，想学习人工智能或者转行到高薪资行业的，大学生都非常实用，无任何套路免费提供,，加我裙966367816也可以领取的内部资源，人工智能题库，大厂面试题 学习大纲 自学课程大纲还有200G人工智能资料大礼包免费送哦~1、决策树根据一些feature(特征）进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，.
2021-09-18 15:07:42
19402
原创 Meta强势推出分割一切新工作的视觉大模型！SAM2对比YOLOV8
SAM 2 是 Meta 的Segment Anything Model (SAM) 的后续产品，是一款专为图像和视频中的综合对象分割而设计的尖端工具。它采用统一、可提示的模型架构，支持实时处理和零镜头泛化，在处理复杂的视觉数据方面表现出色。
2024-08-26 17:32:12
905
原创 SAM 2最新应用落地！牛津大学团队发布Medical SAM 2，刷新医学图像分割SOTA榜
2023 年 4 月，Meta 公司发布了 Segment Anything Model (SAM)，号称能够「分割一切」，犹如一颗重磅炸弹震荡了整个计算机视觉领域，甚至被很多人看作是颠覆传统 CV 任务的研究。时隔 1 年多，可想而知，强大的实力使得业界开始加速探索 SAM 在不同领域的应用，尤其是在医学图像分割领域，不少实验室和学术研究团队已经将其视为医学图像分割模型的不二之选。所谓医学图像分割，就是将医学图像中具有特殊含义的部分分割出来，并提取相关特征，进而为临床诊断、病理学研究等提供可靠依据。
2024-08-26 17:15:31
860
原创 浙大李玺团队：指代表达理解新方法，ScanFormer粗到细迭代消除视觉冗余
然后构造图像金字塔并从金字塔顶层依次往下迭代，在每次迭代中，输入当前尺度被选择的 patch，Encoder1 用于预测每个 patch 对应的下一个尺度的细粒度 patch 的选择情况，特别地，顶层图像的 patch 全部被选上，以保证模型能获得粗粒度的全图信息。如左图所示，随着尺度的增加，细粒度的图像特征被加入，模型精度逐步提升。另外，根据由被选择的 patch 重建的图像，可以看出模型对于背景区域只关注了粗尺度的信息，对于相关的前景区域，模型能够关注细粒度的细节信息。基于以上分析，我们提出了。
2024-08-21 16:43:36
578
原创 Nature子刊，上智院、复旦、中国气象局研发次季节AI大模型「伏羲」，突破「可预报性沙漠」
它能够改变气候科学的研究范式，突破传统模式的局限性，实现更精细的空间分辨率和更长时间尺度的精准气候风险预报。目前，「伏羲」次季节气候预测大模型仍有提升空间，例如其空间分辨率为 1.5 度，与 ECMWF 次季节模式的 36 公里的空间分辨率相比仍相对粗糙，目前预报的是日均气温、缺少日最高温度和日最低温度等。「伏羲」次季节气候预测大模型有效提升了对 MJO 的预测技巧，将 MJO 的预测技巧达到了 36 天，大幅超过了 ECMWF 的 S2S 模式的 30 天时长。
2024-08-19 15:30:00
459
原创 登Nature子刊｜北航、清华团队用AI在多空间组学平台上高分辨率表征组织，比原始分辨率高36倍
通过对 Visium、Xenium、spatial-CUT&Tag、slide-DNA/RNA-seq 等多种空间组学平台的综合评估，soScope 提高了识别具有生物学意义的肠道和肾脏结构的性能，揭示了无法以原始分辨率解决的胚胎心脏结构，并纠正了测序和样本处理中出现的样本和技术偏差。在这里，北航和清华的研究团队引入了空间组学范围（soScope），这是一个完全生成的框架，它模拟来自不同空间组学技术的点级概况的生成过程，旨在提高它们的空间分辨率和数据质量。组织是由具有不同分子状态和空间组织的细胞构成的。
2024-08-16 16:11:33
807
原创 ECCV 2024 | 南洋理工三维数字人生成新范式：结构扩散模型，用于 3D 人类生成
StructLDM 是一个从图像、视频中学习的前馈三维生成模型（Feedforward 3D Generative Model），相比于已有 3D GAN 方法可生成高质量、多样化且视角一致的三维数字人，并支持不同层级的可控生成与编辑功能，如局部服装编辑、三维虚拟试衣等部位感知的编辑任务，且不依赖于特定的服装类型或遮罩条件，具有较高的适用性。值得注意的是，StructLDM 支持不同级别的可控 3D 人体生成和编辑，包括姿势/视图/形状控制，以及高级任务，包括构图生成、部分感知服装编辑、3D 虚拟试穿等。
2024-08-15 17:00:50
957
原创 在计算机视觉领域，有哪些新兴技术值得关注？扩散模型、自监督学习、弱监督学习、视觉语言模型、NeRF编辑技术
扩散模型可以用于修复受损或有缺陷的图像，通过逐步去除噪声并恢复图像的原始内容。：扩散模型能够将低分辨率图像重建为高分辨率图像，同时保持图像的细节和纹理。：扩散模型可以执行图像翻译任务，即将图像从一个风格转换到另一个风格，或者对图像进行编辑，如内容替换等。：扩散模型可以辅助进行图像分割和目标检测任务，提供更加精准的分割边界和检测框。：扩散模型在无条件图像生成方面展现出了优异的性能，能够生成高质量、多样化的图像。：扩散模型可以根据文本描述生成相应的图像，这在创意设计和虚拟内容生成中非常有用。
2024-08-07 11:57:50
798
原创 现在投身于计算机视觉是否明智？新兴技术
投身于计算机视觉领域目前被认为是一个明智的选择。计算机视觉作为人工智能的一个重要分支，其技术的应用范围广泛，包括但不限于工业自动化、医疗影像分析、安全监控、智能交通和游戏开发等领域。随着技术的不断进步，尤其是深度学习技术的突破，计算机视觉在多个视觉任务上已经超越了人类，市场对计算机视觉专业人才的需求持续增长。当前，计算机视觉领域的就业前景非常广阔，市场上针对机器视觉检测的专业和课程相对较少，导致相关领域方面的人才短缺。此外，技术的快速更新和应用领域的扩展也为从业者提供了新的技能要求和发展方向。
2024-08-07 11:49:06
1103
原创 哈佛团队开发FairDomain：实现跨域医学图像分割和分类中的公平性
为了弥补现有偏见缓解工作的不足，我们引入了一种新的多功能公平身份注意力（FIA）机制，该机制设计为可以无缝集成到各种域适应和泛化策略中，通过人口统计属性（例如，种族群体）派生的自注意力来协调特征重要性，以促进公平性。本文介绍了 FairDomain，这是一项开创性的系统研究，旨在研究域偏移下的算法公平性，采用最先进的域适应 （DA） 和泛化 （DG） 算法进行医疗分割和分类任务，以了解偏差如何在不同域之间转移。在我们的实验中，我们首先分析了在域转移背景下的公平性，具体关注于杯盘分割任务。
2024-08-05 09:24:06
565
原创 2024 年将主导 AI 和机器学习的 6 大趋势
了解 2024 年流行的顶级，您必须了解这些趋势才能在您的取得成功，并了解它们如何有望改变行业。随着 2022 年 11 月 ChatGPT 的推出，人工智能在 2023 年发生了翻天覆地的变化。在过去的一年里，人工智能领域取得了令人振奋的巨大发展，其中包括复杂的多模态模型和蓬勃发展的开源领域。2024 年，人工智能将成为全球企业的游戏规则改变者。然而，随着组织开始更多地关注实时工作而不是实验，即使生成式人工智能继续吸引着科技界，观点也变得越来越成熟。
2024-07-24 16:42:08
905
原创 成为AI工程师的路线图（在2024年成为 AI 工程师的技能、学习资源和项目想法）
在确定 AI 工程师如何成为下一个大型技术角色之后，是时候学习如何成为一名重要角色了。让我们先揭开路线图的面纱！
2024-07-24 16:25:26
599
原创 生成式AI进入知识图谱时代？微软开源的GraphRAG爆火，Github Star量破万
这里，这两个答案都是准确的。近日，Neo4j 公司 CTO Philip Rathle 发布了一篇标题为《GraphRAG 宣言：将知识加入到生成式 AI 中》的博客文章，Rathle 用通俗易懂的语言详细介绍了 GraphRAG 的原理、与传统 RAG 的区别、GraphRAG 的优势等。现如今，RAG 是一种使用真实世界信息改进 LLM 输出的技术，是大多数基于 LLM 的工具的重要组成部分，一般而言，RAG 使用向量相似性作为搜索，称之为 Baseline RAG（基准RAG）。
2024-07-17 10:03:34
1010
原创 彻底理解 AdaBoost 自适应提升算法 | AdaBoost 的关键要点、基本原理、优缺点和实际应用
即自适应提升（）算法的缩写，是一种基于策略的集成学习方法，旨在。AdaBoost 的 “自适应” 二字意味着它能够在每一轮迭代后调整对训练数据实例的关注度（特别是那些之前被错误预测的样本）和更新弱学习器的权重。与随机森林类似，AdaBoost 也是集成学习中的代表性算法之一，并且适用于分类和回归任务。Boosting 方法在近年来的多项数据竞赛中均取得了卓越的成绩，其背后的概念却并不复杂。该方法通过简单、易于理解的步骤构建简单的模型，进而将这些简单模型组合成强大的学习器。
2024-07-08 17:24:14
905
原创 全面解读视觉大模型-视觉Transformer原理、应用、优缺点以及未来发展趋势
视觉大模型，也称为视觉Transformer，是近年来计算机视觉领域的一大突破。这种模型在图像识别、目标检测、语义分割等任务中表现出色，成为深度学习领域的研究热点。本文将通过万字长文，对视觉大模型进行全面解读，包括其原理、应用、优缺点以及未来发展趋势。
2024-07-03 13:43:16
2508
原创 顶会宠儿：几何深度学习！将几何先验知识融入深度学习模型！读完这篇，小白也可以了解GDL！
几何深度学习的未来发展潜力巨大。随着深度学习技术的不断进步，结合几何学的深度学习模型有望在更多领域内实现突破。例如，结合无监督学习或半监督学习的几何深度学习模型可能会在不需要大量标注数据的情况下，依然能够实现高性能的学习和预测。几何深度学习以其独特的视角和方法，在机器学习领域内开辟了一条新的研究路径。它不仅丰富了深度学习的理论基础，也为解决实际问题提供了新的思路和方法。随着研究的深入，几何深度学习有望在未来的智能系统中扮演更加重要的角色。
2024-06-24 15:02:54
654
原创 基于深度学习的推荐系统
推荐系统是互联网时代的一项关键技术，它通过分析用户的兴趣和行为，为用户推荐个性化的内容和产品，从而提高用户的满意度和参与度。随着人工智能技术的迅速发展，特别是深度学习的广泛应用，推荐系统迎来了新的发展机遇。深度学习以其强大的特征提取和非线性建模能力，在推荐系统中扮演着越来越重要的角色。
2024-06-21 14:16:43
886
原创 2024年的顶级计算机视觉机遇和挑战
计算机视觉(CV)是人工智能的一部分，它使计算机能够分析和理解视觉信息，包括图像和视频。它超越了简单的“看到”图像，而是教会计算机根据它们看到的东西做出决定。人工智能驱动的计算机视觉市场正经历快速增长，从2023年的220亿美元增长到预期的2023年的220亿美元500亿美元到2030年，2024-2030年CAGR将达到21.4%。这项技术模仿人类的视觉，但使用复杂的算法、大量数据和相机工作得更快。计算机视觉系统可以快速分析大面积上的数千种物品，或者检测人眼看不见的微小缺陷。
2024-06-21 13:54:04
763
原创 直观理解小样本学习
小样本学习作为一种新兴的机器学习技术，在解决数据稀缺问题方面展现出巨大的潜力。随着研究的深入，小样本学习有望在众多领域实现更广泛的应用，并为人工智能的发展开辟新的道路。
2024-06-05 15:20:57
740
原创 中科院版「分割一切」Fast SAM模型 | 精度相当，速度提升50倍！目前GitHub6.9K+星
比Meta的「分割一切模型」(SAM)更快的图像分割工具，来了！中科院团队开源了FastSAM模型，能以50倍的速度达到与原始SAM相近的效果，并实现25FPS的实时推理。该成果在Github已经获得6.9K+次星标，在Twitter、PaperswithCode等平台也受到了广泛关注。
2024-04-30 16:47:57
1856
原创 YOLO-NAS | 新一代目标检测王者，性能比yolov8，yolov7更胜一筹！
综上所述，YOLO-NAS的训练数据集需要是格式正确、内容丰富、标注详尽的YOLO模型所支持的格式。这样的数据集不仅能为模型提供充分的训练信息，还能帮助模型在面对实际问题时展现出更好的性能和适应性。在准备数据集时，需要注意数据的质量和多样性，确保数据集能够满足YOLO-NAS训练的要求，从而让模型在实际应用中发挥出最佳的效果。
2024-04-30 16:30:23
868
原创 常见经典目标检测算法！R-CNN、YOLO、计算机视觉、自动驾驶、AI芯片
目标检测是计算机视觉领域的一个重要任务，它要求算法能够准确识别图像中的物体，并为其提供边界框（Bounding Box）以及类别标签。与图像分类任务不同，目标检测不仅要识别图像中的类别，还要定位物体的位置。因此，目标检测任务通常比图像分类更具挑战性。
2024-04-23 13:55:04
1882
原创 多模态学习：多模态大模型（医疗影像分析）
多模态学习允许机器从多种不同的数据源学习，例如，可以从图像和文本中同时学习，这样可以让模型更好地理解世界。它的核心在于处理和分析多源异构数据，提取深层次的概念、语境和关联性。
2024-04-12 11:58:42
1967
原创 YOLO-World ：实时开放词汇对象检测，前沿开集目标检测器！YOLOV8/计算机视觉/深度学习
YOLO-World的实时开放词汇检测能力和优秀的性能使其成为了一个强大的工具，可用于各种需要快速准确对象检测的场景。YOLO在标准基准测试中，World 的速度和效率超过了现有的开放词汇检测器，包括 MDETR 和 GLIP 系列，展示了YOLOv8 在单个 NVIDIA V100 GPU 上的卓越性能。本节详细介绍了可用的模型及其特定的预训练权重、支持的任务以及与各种运行模式（如推理、验证、训练和导出）的兼容性，支持的模式用 ✅ 表示，不支持的模式用 ❌ 表示。可用型号、支持的任务和运行模式。
2024-04-08 14:50:56
1730
原创 打造你的专属大模型，学完即可使用上岗！技术人的大模型课程（人工智能/机器学习/深度学习）
在教学方面，Daniel指导的AI研究课题广泛且深入，包括图像分割、医疗报告生成、三维运动生成、多模态对话生成、视频理解及评论生成等，这些课题跨越计算机视觉、自然语言处理和多模态等多个研究方向。他在顶尖学术会议和期刊上发表了15篇以上的论文，包括但不限于ACM MM、CIKM、AAAI、ICLR和TOSEM等，并担任SOSP、ACL、EMNLP、MSR、ICSE、ICSME等多个会议的程序委员会成员或审稿人。4、社区支持与行业网络：加入我们，你将有机会接触行业大咖，参与热点话题的分享，拓宽你的职业网络。
2024-04-08 14:25:36
1084
原创 ICLR 2024 |冻结住的CLIP仍可作为教师模型！
不难发现，在UCF-101与HMDB-51数据集上，fine-tune模型的性能比Frozen CLIP更强，但是在Kinetics-600数据集上，fine-tune模型的实验性能却比frozen CLIP要更弱。而在与训练数据不那么相似的测试类别上，模型需要更多地依赖预训练的泛化性知识，但这些知识已经在fine-tune的过程中被逐渐抹去了（典型的灾难遗忘问题（catastrophic forgetting issue）），因此fine-tune模型性能更差。我们在两种场景下都达到了最优的识别性能。
2024-03-27 09:42:34
746
原创 Word2vec：词向量生成模型详解：Skip-gram和CBOW
Word2vec是一种常用的词嵌入算法，它能够将词语映射到一个连续的向量空间中，使得语义相近的词语在向量空间中的距离也相近。Word2vec包括两种模型：CBOW模型和Skip-gram模型，分别通过上下文词预测目标词和通过目标词预测上下文词。本文详细介绍了Word2vec的原理、模型结构、训练过程，并提供了Python代码实现示例。综上所述，Word2Vec是一种强大的词向量生成模型，能够为自然语言处理任务提供有力的支持。通过不断优化模型和改进训练方法，我们可以进一步提高词向量的质量和性能。
2024-03-21 14:28:31
1715
原创 自动驾驶方向Autonomous Driving的优质论文及其代码！PC-NeRF、3D三维重建、AoSRNet、无人驾驶技术
与精度高但重复计算的传统以代理为中心的方法以及精度和通用性受到影响的以场景为中心的方法不同，SIMPL 为所有相关交通参与者提供实时、准确的运动预测。为了提高准确性和推理速度，我们提出了一种紧凑而高效的全局特征融合模块，该模块以对称方式执行定向消息传递，使网络能够在单次前馈传递中预测所有道路使用者的未来运动，并减轻 视点移动导致的精度损失。非均匀成像介质中的光散射和衰减或光强度不一致会导致收集到的图像对比度不足和颜色失真，从而限制视觉驱动的智慧城市、自动驾驶汽车和智能机器人等领域的发展。
2024-03-15 14:02:08
729
原创 医学图像分割方向优质的论文及其代码【Medical Image Segmentation】UNet、transformer、计算机视觉
所提出的 WSL 策略融合了三种不同的架构但相同的对称编码器-解码器网络：用于详细局部特征提取的基于 CNN 的 UNet、用于全面全局上下文理解的基于 Swin Transformer 的 SwinUNet 以及用于高效长时长的基于 VMamba 的 Mamba-UNet。Weak-Mamba-UNet 的有效性在公开的 MRI 心脏分割数据集上进行了验证，该数据集具有经过处理的涂鸦注释，其性能超过了仅使用 UNet 或 SwinUNet 的类似 WSL 框架的性能。不方便下载的，我已整理好。
2024-03-13 14:47:17
1271
原创 多模态模型（图像-文本）的普遍训练方法
多模态模型的目标，都是致力于把两个模态的数据（图像数据-自然语言数据）编码到同一个语义空间。所以一般来说都会有两个模块，一个图像编码器，一个文本编码器。一些方法为了提升效果，会附加一些模块，比如 Albef 加了一个融合编码器。另一些方法为了让模型同时具有理解图像文本和生成文本的功能，加了生成模块。所有的损失函数都是为了让整个模型能同时理解图像和文本的语义。
2024-02-27 14:29:42
1508
原创 机器学习的正则化到底是什么意思？Regularization
虽然这不是正则化的直接缺点，但在实践中采用早停法（Early Stopping）作为一种正则化手段时，它依赖于验证集的表现，并且可能受随机性影响较大，尤其是在有限数量的迭代次数或小批次大小下。综上所述，正则化是机器学习中一种强大的工具，它不仅提高了模型的泛化能力和稳定性，还提供了特征选择的可能性，并有利于优化问题的解决，进而提升整个机器学习系统的性能和实用性。总的来说，正则化是一种有效的技术，可以降低模型的复杂度，提高模型的泛化能力，从而改善模型在测试数据上的表现。
2024-02-22 17:02:09
1457
原创 超强总结！十大聚类算法！机器学习算法K-means、层次聚类、DBSCAN、谱聚类、高斯混合模型、模糊C-means、K-medoids、Mean Shift、OPTICS、BIRCH
不过，选择合适的簇数量和协方差类型对于获得好的聚类结果至关重要。与传统的聚类算法（如K-means）不同，谱聚类依赖于数据的相似性矩阵，并利用数据的谱（即特征向量）来进行降维，进而在低维空间中应用如K-means的聚类方法。这种算法与著名的 K-means 算法相似，但主要区别在于 K-medoids 选择数据点中的实际点作为簇的中心，而 K-means 则使用簇内数据点的均值。K-means 是一种广泛使用的聚类算法，它的目标是将数据点分组到 K 个簇中，以使簇内的点尽可能相似，而簇间的点尽可能不同。
2024-02-19 17:34:59
4513
原创 2023年最具影响力的 10 篇AI论文（Llama2、SAM、LLM、 Pythia、QLoRA、BloombergGPT、DPO、Mistral 7B、Orca 2、transformer）
一、Pythia — 大模型该如何训练？2023 一年又过去，这一年，AI 圈子以一种“狂飙突进”的速度飞速发展，哪怕在这个领域深耕多年的学者们也开始感叹“从没有见过哪个领域在哪一年如同 AI 领域在 2023 年这样如此飞速的发展与不断的进化”，毫无疑问，这一年 AI，尤其是大模型的爆发将会深刻影响未来我们生活的方方面面。
2024-01-16 17:19:29
1342
原创 研究生话题：要基于Pytorch做深度学习，如何快速提升代码能力？ --人工智能/深度学习
在深度学习和计算机视觉领域，AlexNet、VGG、ResNet、Yolo和SSD都是极为重要的模型，各自代表了图像识别和对象检测领域的重要进展。为了深入理解这些模型的工作原理和应用，手写代码并亲自进行数据标记和训练是一个非常有效的学习方法。”， 其实就是一份非常有意思的 AI 大模型的介绍性入门课程，如果认真学了，你会学会关于大模型的相关知识，加薪、换工作大概率是个加分项。：这是一个强大的科学计算库，提供了大量的数学函数处理以及对大型多维数组和矩阵的支持，是深度学习中进行数学运算的基石。
2024-01-15 17:07:11
1105
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人