作者 |  百度MEG离线优化团队 导读  近些年移动互联网的高速发展驱动了数据爆发式的增长，各大公司之间都在通过竞争获得更大的增长空间，大数据计算的效果直接影响到公司的发展，而这背后其...

序 我本身的账号之前就升级为plus了，但是昨天 朋友找我说，现在升级plus 以前的套路不行了。。。。我当时很疑惑，难道又被封了？ 我就问他，你是什么办法升级的plus，他说百度的。。。我当时心...

深度学习应用篇-计算机视觉-目标检测[4]：综述、边界框bounding box、锚框（Anchor box）、交并比、非极大值抑制NMS、SoftNMS 1.目标检测综述 对计算机而言，能够“看到”的是图像被编码之后的...

深度学习应用篇-计算机视觉-图像分类[3]：ResNeXt、Res2Net、Swin Transformer、Vision Transformer等模型结构、实现、模型特点详细介绍 1.ResNet 相较于VGG的19层和GoogLeNet的22层，ResNet可...

前言        强化学习有一个问题，就是它很慢，怎么提高训练的速度呢？在动漫《火影忍者》中，有一次鸣人想要在一周之内打败晓，所以要加快修行的速度，鸣人的老师就教他一个方法：用影...

循环神经网络（RNN）在NLP中的应用 在自然语言处理（NLP）中，处理和理解序列数据是一个重要的问题。例如，要理解句子或段落的含义，我们需要考虑单词的顺序和它们之间的关系。循环神经网络（Re...

随着汽车行业的迅速发展，车型识别在交通管理、智能驾驶和车辆安全等方面变得越来越重要。基于深度学习的车型识别技术为实现高效准确的车辆分类和检测提供了强大的工具。本文将介绍如何利用深度...

Midjourney是一个基于深度学习的AI系统,它可以根据文字描述生成照片级的视觉图像。而红外摄影技术可以让我们看到普通摄影无法捕捉的世界。 当这两种技术结合,AI就可以根据红外摄影的文字prompt,...

当涉及海洋生物的识别和研究时，基于深度学习的方法已经展现出了巨大的潜力。深度学习模型可以利用大量的图像和标记数据来自动学习特征，并实现高准确度的分类任务。本文将介绍如何使用深度学习...

闲来无事研究了百度图像识别 API，发现该功能还算强大，在此将其使用方法总结成教程，提供大家学习参考 首先预览下效果 从以上预览图中可看出，每张图片识别出5条数据，每条数据根据识别度从高...

资料集合 B站入口： www.bilibili.com/video/BV1sc… 文档: github.com/godly-devot… 下载: github.com/godly-devot… 模型: huggingface.co/coreml#mode… 模型在网盘：pan.baidu.com/s/1fpZ0...

实训手册：生成1010格式规律 引言 1.1 项目概述 本实训项目旨在通过生成1010格式规律的数据，训练生成对抗神经网络（GAN）。GAN是由生成器和判别器组成的对抗模型，通过交替训练生成器和判别器...

摘要：基于深度学习的高精度动物检测识别系统可用于日常生活中或野外来检测与定位动物目标（狼、鹿、猪、兔和浣熊），利用深度学习算法可实现图片、视频、摄像头等方式的动物（狼、鹿、猪、兔和...

公众号｜沐洒（ID：musama2018）关注我 带你学点有用的 今天是2023年高考第一天，刚过中午，坐在办公室里就收到了关于今年高考作文题的新闻推送。 要知道，高考作文题，历来都是能引发全国人民...

?日报&周刊合集 | ?生产力工具与行业应用大全 | ? 点赞关注评论拜托啦！ ? 独立开发者必看，出海应用开发者合规手册 这是 @JourneymanChina 多年出海经验教训的总结，适用于Google Play 以...

关于Transformer笔记，预计出以下系列： Positional Encoding Self-attention Batch Norm & Layer Norm ResNet，残差连接 subword，子词分词器 组装：Transformer 在transformer中，数据过A...

一、Transformer中的三种Attention 关于Transformer笔记，预计出以下系列： Positional Encoding Self-attention Batch Norm & Layer Norm ResNet，残差连接 subword，子词分词器 组装：Tra...

大模型的能力最另人惊讶的，一个是强大的能力，另一个就是时不时一本正经地胡说八道。如果你用的是小一点的模型，可能还见过输出循环内容之类的情况。我们将这种生成不良内容的现象称为幻觉-hal...

自从2017年transformer模型被提出以来，它已经从论文最初的machine translation领域，转向images，audio，video等等方面的应用（实现作者们在论文conclusion里的大同之梦）。原论文的篇幅很紧密...