qq_27815483的博客

GLM-4V-9B 具备 1120 * 1120 高分辨率下的中英双语多轮对话能力，在中英文综合能力、感知推理、文字识别、图表理解等多方面多模态评测中，GLM-4V-9B 表现出超越 GPT-4-turbo-2024-04-09、Gemini 1.0 Pro、Qwen-VL-Max 和 Claude 3 Opus 的卓越性能。

Conformer模型是一种结合了Transformer的自注意力机制和卷积神经网络的模型结构，用于语音识别和自然语言处理任务，具有时域和频域特征的建模能力。

VGG模型是2014年ILSVRC竞赛的第二名，第一名是GoogLeNet。但是VGG模型在多个迁移学习任务中的表现要优于GoogLeNet。而且，从图像中提取CNN特征，VGG模型是首选算法。

YOLOV7是2022年最新出现的一种YOLO系列目标检测模型，该模型的网络结构包括三个部分：input、backbone和head。

codeformer可用于人脸修复

Vision Transformer先将图像用卷积进行分块以降低计算量，再对每一块进行展平处理变成序列，然后将序列添加位置编码和cls token，再输入多层Transformer结构提取特征，最后将cls tooken取出来通过一个MLP（多层感知机）用于分类。

Vision Transformer先将图像用卷积进行分块以降低计算量，再对每一块进行展平处理变成序列，然后将序列添加位置编码和cls token，再输入多层Transformer结构提取特征，最后将cls tooken取出来通过一个MLP（多层感知机）用于分类。

YOLOV7是2022年最新出现的一种YOLO系列目标检测模型，该模型的网络结构包括三个部分：input、backbone和head。

YOLOV7是2022年最新出现的一种YOLO系列目标检测模型，该模型的网络结构包括三个部分：input、backbone和head。

本文主要介绍在GPU环境中如何安装tensorflow框架及使用框架提交推理和训练任务

（Encoder，用于压缩原始图像），Base T2I（文本生成图像模型，如Stable Diffusion），Motion Modeling Module（运动模型模块），Personalized T2I（个性化图像生成模型，如使用DreamBoth训练得到的模型），（Decoder，用于恢复/生成图像）。

YOLOV3是由Joseph Redmon和Ali Farhadi在2018年提出的单阶段目标检测模型，主要用于自然场景的目标检测。

本文主要介绍pytorch的作用、优势等，源码编译的几种方式以及安装完成使用框架提交训练或推理任务，

本文主要对人工智能AI相关概念做简单介绍以及常用软件在国产化平台的支持情况

本文主要介绍CUDA安装、CUDA编译流程、CUDA程序Makefile的编写、CUDA程序Makefile的编写、整体流程、CUDA线程模型、编程举例等内容

本文主要介绍MIGraphX框架如何在国产海光DCU 深算AI集群上部署与使用

本文主要介绍百度PaddlePaddle深度学习框架平台在国产海光DCU AI 并行计算集群的部署安装

在英伟达市值猛涨、各家科技巨头囤芯片的热潮中，我们往往会忽视GPU芯片是如何转变为数据中心算力的。最近，一篇SemiAnalysis的技术文章就深入解读了10万卡H100集群的构建过程。

Yi系列模型结构与llama结构基本一致，以 Transformer 架构为基础：

该模型主要包含Image Encoder用于对图像进行编码以获取相应的Embedding，在CLIP的Image Encoder基础上增加了额外的映射层，用于改变Embedding的维度；Text Encoder用于对Prompt进行编码以获取相应的Embedding；MLP用于融合class word embedding（图中蓝色方块）与每一个Image Embedding；Stacked ID Embedding由MLP生成的Embedding拼接得到；Updated Text Embedding是将c

该模型主要结构为Stable Diffusion，并使用IdentityNet（提取面部特征），IPA（Porjection + FaceEmbedding + Cross Attention，获取面部prompt）以及Text Encoder + Text Embedding + Cross Attention（获取文字prompt）的输出作为Unet的控制条件。

FLAVR是一种用于视频插值的深度学习模型，可以通过插值技术将低帧率视频转换为高帧率视频。它通过对低帧率视频进行逐帧处理，并使用深度学习网络来推断丢失的帧，以生成更平滑的高帧率视频。相

ChatGLM3 是智谱AI与清华大学KEG实验室联合发布的新一代对话预训练模型

RepViT在iPhone 12上以1ms的延迟实现了超过80%的top-1准确率，本算法基于RepViT进一步优化后准确率超过82%。

RepViT在iPhone 12上以1ms的延迟实现了超过80%的top-1准确率，为当前多个SOTA实例分割算法的backbone。

WeNet是一种hybird连接主义时间分类（CTC）/注意力架构，以transformer或conformer作为编码器和注意力解码器来重新存储CTC假设。为了在统一的模型中实现流和非流，以及使用了一种基于动态块的注意力策略，该策略允许自注意力以随机长度集中在正确的上下文上。

ViT是一种新的基于Transformer应用于计算机视觉领域的神经网络模型,基于PyTorch实现测试，Vision Transformer先将图像用卷积进行分块以降低计算量，再对每一块进行展平处理变成序列，然后将序列添加位置编码和cls token，再输入多层Transformer结构提取特征，最后将cls tooken取出来通过一个MLP（多层感知机）用于分类。

YoloX由旷视科技开源，通过对检测头解耦，样本匹配，训练策略等多个方面进行了改进，从而提升了模型性能和收敛速度

YoloV5是一种单阶段目标检测算法，该算法在YOLOV4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。

yolov5是一种基于深度学习的目标检测算法,可以广泛应用于各种计算机视觉和人工智能领域的应用中

yolov7-tiny triton是用triton框架进行的推理

YOLOv5s是一种目标检测模型，是YOLOv5系列中的一个较小版本,基于TVM进行优化

YOLOV7是2022年最新出现的一种YOLO系列目标检测模型。

YoloV8是一种单阶段目标检测算法，该算法在YOLOV5的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。

模型由4部分构成，分别是Auxiliary Latent Module，Text Embedding Module，Text-control Diffusion Pipeline以及Text Preceptual Loss。其中，Auxiliary Latent Module可产生3种附加信息用以生成，其中表示字形信息，表示文字的位置信息，表示被遮盖的图像（保留背景信息）。Text Embedding用于生成，表示待生成的文字，表示待生成文字的图像信息，表示OCR识别模型（用于提取文

ResNet50使用了多个具有残差连接的残差块来解决梯度消失或梯度爆炸问题，并使得网络可以向更深层发展。

ChatGLM-6B 是清华大学开源的开源的、支持中英双语的对话语言模型，基于 General Language Model (GLM) 架构，具有 62 亿参数。ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 已经能生成相当符合人类偏好的回答。ChatGLM-6B采用Transformer模型结构：

​DCU常见问题汇总：硬件产品端适配(cpu、加速卡、服务器)虚拟化hyqua/k8s/docker等工具运行环境dtk底层库性能调优深度学习框架/三方库​

FastSAM基于YOLACT方法的实例分割分支的目标检测器YOLOv8-seg，通过仅在SA-1B数据集的2%（1/50）上直接训练该CNN检测器，它实现了与SAM相当的性能。

HRNet是一种新的人体姿态估计模型