人工智能

励志成为大佬的小杨

pytorch模型的进阶训练和性能优化接下来我来讲解一下上述的代码，在我的视角看来应该要将的东西使用 torchvision.transforms 模块中的 Compose 和 ToTensor 方法来定义一个图像预处理的转换操作，主要用于将图像数据转换为 PyTorch 张量（Tensor），以便用于深度学习模型的训练或推理。

OpenCV的基础操作这里我们读取一张企鹅图片，运行结果如下，左图为原图，右图为灰度图

果冻人工智能

打造 AI Agent 对于中产阶级来说就是场噩梦编辑我在 Canva 上自己做的图前言：作者认为，尽管 AI agent 看起来前景诱人，能够自动执行任务、提升效率，但对中产阶级创业者而言，这条路远没有想象中轻松。开发 AI agent 的过程不仅涉及高昂的模型调用费用、繁杂的技术整合、持续的运维成本，还隐藏着失败带来的巨大浪费风险。作者强调，AI agent 并非普通 AI 工具，而是一个复杂、脆弱且昂贵的系统。只有在有清晰规划、控制预算、具备技术能力的前提下，这条路才可能值得尝试，否则很容易演变为一场高投入、低回报的噩梦。

AI 文生图：提示词撰写技巧与示例（ChatGPT-4o 篇）要使用 ChatGPT-4o 进行“文生图” Text-to-Image生成照片级或绘画级图像，有效提示词 Prompt是关键。以下是一些撰写提示词的技巧和中英文示例，帮助你更好地实现创意视觉表达。

墨绿色的摆渡人

用 pytorch 从零开始创建大语言模型（三）：编码注意力机制本章内容包括：在上一章中，你学习了如何为训练LLM准备输入文本。这包括将文本划分为单词和子词的token，这些token可以被编码为向量表示，即所谓的嵌入（embeddings），供LLM使用。

zm-v-15930433986

ChatGPT 与 DeepSeek：学术科研的智能 “双引擎”在当今学术科研领域，人工智能的发展正以前所未有的速度重塑研究模式。ChatGPT 和 DeepSeek 等大语言模型，作为人工智能的前沿成果，为科研人员带来了全新的工具和思路，成为推动学术进步的强大动力。 ChatGPT 和 DeepSeek 在文献处理方面展现出卓越的能力。在文献检索时，它们凭借强大的语义理解技术，能精准解读科研人员的需求，从海量文献库中筛选出最相关的文献。比如，当研究人员输入 “人工智能在医学影像诊断中的应用进展”，模型可以快速定位到该领域的前沿研究和经典文献。同时，它们还能对多篇文献

果冻人工智能

美国狂奔，中国稳走，AI赛道上的龟兔之争?作者：恩里克·丹斯图片由Grok生成现在，世界上的两个超级大国正在竞逐人工智能的领导权。但他们的速度似乎不一样，走的路线也不同。

果冻人工智能

再谈AI与程序员： AI 写的代码越来越多，那我们还需要开发者吗？作者：Derek McBurney这会是你公司的下一个高级程序员吗？图源：EmilipothèseAnthropic 的 CEO 说，AI 在 3 到 6 个月内将写出 90% 的代码。他说出这种话是有很强的动机的——数字和时间线都这么惊人，这种说法很可能又是一个被炒作的噱头，在这个行业里这种现象太常见了。但我们也知道，这个数字绝对不是零，而且已经不是零有一阵子了。谷歌说它有 25% 的代码是由 AI 写的。可以安全地说，这些数字，无论目前是多少，肯定还会继续上涨，因为 AI 的使用越来越普遍。那如果

大脑探路者

【PyTorch】继承 nn.Module 创建简单神经网络在面向对象编程（OOP）中，继承是一种允许你创建一个新类的机制，新类可以继承已有类的特性（如方法和属性），并且可以对其进行修改或扩展。

如何使用AI去水印（ChatGPT去除图片水印）尽管AI去水印听起来复杂，但一旦理解其中的原理，其实并不难。在这篇文章中，我们将介绍如何利用ChatGPT生成去水印的代码，借助人工智能来帮助去除图片上的水印。

达柳斯·绍达华·宁

自动驾驶04：点云预处理03感知算法人员在完成点云的运动畸变补偿后，会发现一个问题：激光雷达发送的点云数据包中的点云数量其实非常少，完全无法用来进行后续感知和定位层面的处理工作。

吴恩达深度学习复盘(4)神经网络的前向传播神经网络的前向传播（Forward Propagation）是指输入数据从输入层经过各隐藏层传递到输出层，逐层计算激活值的过程。这一过程不涉及参数更新，主要用于生成预测结果或为反向传播提供中间值。如果觉得理解起来过于抽象，就把这个过程作为为了得到结果所需要做的必要过程好了。

神经网络知识前馈神经网络（Feedforward Neural Network, FNN）：输入层和输出层映射：前馈神经网络的结构通常包括输入层、隐藏层和输出层。输入层接收数据，通过隐藏层的神经元进行计算，最终通过输出层得到结果。

k近邻算法K-Nearest Neighbors（KNN）KNN算法的核心思想是“近朱者赤，近墨者黑”。对于一个待分类或预测的样本点，它会查找训练集中与其距离最近的K个样本点（即“最近邻”）。然后根据这K个最近邻的标签信息来对当前样本进行分类或回归。在分类任务中，通常是根据K个最近邻中出现次数最多的类别来确定待分类样本的类别；在回归任务中，则是根据K个最近邻的目标值的平均值来预测待预测样本的目标值。

AI绘画 | Stable Diffusion 图片背景完美替换今天分享 Stable Diffusion 图片背景完美替换功能，通过 Stable Diffusion 图生图重绘蒙版进行背景图的二次重绘。

阿里云大数据AI技术

阿里云 AI 搜索开放平台新发布：增加 QwQ 模型为了满足用户对更高效、更智能搜索功能的需求，阿里云 AI 搜索开放平台新增加 QwQ 模型，这一全新模型的加入将为企业和开发者带来更强大的搜索解决方案。

【文献阅读】Vision-Language Models for Vision Tasks: A Survey发表于2024年2月TPAMI大多数视觉识别研究在深度神经网络（DNN）训练中严重依赖标注数据，并且通常为每个单一视觉识别任务训练一个DNN，这导致了一种费力且耗时的视觉识别范式。为应对这两个挑战，视觉语言模型（VLM）最近受到了广泛研究，它从互联网上几乎无限可用的网络规模图像文本对中学习丰富的视觉语言相关性，并能够使用单个VLM对各种视觉识别任务进行零样本预测。本文对用于各种视觉识别任务的视觉语言模型进行了系统综述，包括：（1）介绍视觉识别范式发展的背景；（2）VLM的基础，总结广泛采用的网络架构、预训

Retinex 算法 + MATLAB 软件，高效率完成图像去雾处理在计算机视觉领域，图像去雾是一项重要的预处理任务，尤其是在自动驾驶、遥感图像分析以及监控系统中，去雾能够有效提升图像质量，使目标更加清晰可见。本项目采用 Retinex 算法进行图像去雾，并结合 GPU 加速以提高计算效率。 Retinex 算法原理： Retinex (Retina + Cortex) 是 Land 和 McCann 提出的图像增强算法，主要基于人眼视觉系统对亮度变化的适应性。Retinex 算法的核心思想是：