登录社区云,与社区用户共同成长
邀请您加入社区
本文探讨了生成对抗网络(GAN)在工业界的核心应用,重点分析了超分辨率、人脸合成与数据增强三大领域。文章首先梳理了超分辨率技术的发展历程,从传统插值方法到基于GAN的SRGAN、ESRGAN和Real-ESRGAN,并介绍了感知损失函数如何解决传统MSE损失导致的模糊问题。在人脸合成方面,文章讨论了DeepFake技术原理及其检测方法。此外,还展示了GAN在医疗影像增强和数据稀缺场景中的应用价值。
目标: 从最基础的门电路出发, 用 sympy 的SOPform工具验证 CMOS 数字电路设计的"晶体管数估算"方法, 并把这一思路逐级扩展, 最终用于27B 参数 LLM 推理芯片的规模与速度估算。研究方法3-to-8 译码器↓ (1 输入对应 1 输出, 8 位最小案例验证)2×2 → 3×3 → 4×4 乘法器↓ (用 SOP 最小化, 确认增长趋势)8×8 (sympy 超时失败)↓16
本文从神经风格迁移的原理出发,深入浅出地讲解了如何利用OpenCV DNN 模块轻松实现静态图像和实时摄像头的风格迁移。全部代码不超过 30 行,却展现了人工智能与艺术的奇妙结合。无论你是计算机视觉的初学者,还是想快速开发一个创意应用,这都是一份极佳的参考。未来,随着等轻量级网络的出现,风格迁移将变得更加高效,甚至可以运行在微型设备上。而结合GAN的CycleGANAnimeGAN等技术,更是让实
摘要 本期专栏聚焦农业遥感AI技术,针对耕地与作物识别的行业痛点,提出双分支网络解决方案。方案通过地块分割与作物分类双任务协同,融合时序、纹理、光谱特征,有效解决裸地与耕地混淆、地块粘连、作物错分等核心难题。关键技术包括边界感知U-Net优化、干扰剔除模块和批量后处理,支持耕地精准提取、非农干扰自动剔除、多作物分类及批量制图。代码提供完整模型架构与干扰净化实现,可适配全国不同地貌的耕地监测需求,满
本文是Python高性能编程系列的收官篇,通过一个图像处理流水线的综合实战案例,展示了从纯Python实现到最终120倍性能提升的完整优化过程。案例处理1000张512×512灰度图像,包含归一化、高斯滤波、边缘检测、直方图均衡化和特征提取五个步骤。作者首先建立纯Python基准实现,然后逐步应用系列前九篇介绍的优化技术:NumPy向量化、内存优化、Numba JIT编译、多进程并行和流水线架构优
虹膜识别 MATLAB 代码,涵盖图像预处理、虹膜定位、特征提取、BPN 训练与识别全流程。
*视觉语言模型(Vision Language Model, VLM)**是一类能够同时处理视觉信息(图像、视频)和文本信息,并在两种模态之间建立深度语义关联的人工智能模型。核心本质:VLM通过在共享的语义嵌入空间中对齐视觉特征和语言表示,实现"看图说话"、"听文生图"的跨模态理解与生成能力。理解图像内容并用自然语言描述遵循涉及视觉的复杂文本指令推理跨越视觉和语言的多模态信息泛化到训练时从未见过的
本项目设计了一个基于改进VGG卷积神经网络的车牌识别系统,主要包含车牌定位、字符分割和字符识别三个核心模块。系统能够自动识别蓝牌、黄牌和新能源绿牌,通过颜色分割与几何分析定位车牌区域,并结合垂直投影法实现字符分割。针对32×32灰度字符图像,设计了轻量化VGG网络结构,采用Conv-BN-ReLU模块和全局平均池化提升分类性能。
本文详细介绍了在个人开发者环境下,使用 **vLLM + Docker** 部署 **Qwen3.5-9B-INT8 量化多模态大模型** 的完整流程。文章从模型选型出发,分析了 INT8 量化版本的显存优势(仅需 8-10GB),并逐步讲解了 GPU 环境检查、数据盘永久挂载(开机自动挂载)、vLLM 容器化部署等核心操作,提供了完整的 docker run 启动命令及参数详解。同时,针对部署过
我们为什么需要用PyTorch,它到底香在哪里?又怎么用?看完这篇文章,相信你会有答案~本文来自:https://zhuanlan.zhihu.com/p/271659551读完这篇文...
戳我,查看GAN的系列专辑~!作者丨xiaopl@知乎 编辑来源 极市平台来源丨https://zhuanlan.zhihu.com/p/69294347PyTorch 作为一个深度学...
作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。对于没有安装过Ollama的朋友,可以直接进入Ollama的官网: https://ollama.com/ 进行安装和下载。如果要下载对应的模型,可以ollama pull llama3从Ollama的模型注册表中拉取指定的
用 AMD Radeon RX 7900 XTX 单卡,以 Qwen3-4B 为底座、LoRA 做参数高效微调,训练一个《绝区零》仪玄角色助手,再通过 vLLM 部署推理,配合 ChromaDB 向量检索和防 OOC 校验器,实现风格还原 + 知识准确 + 人设稳定。本文记录从环境配置、数据集构建、LoRA 微调、vLLM 部署到踩坑填坑的全流程,AMD ROCm 生态实战可复现。
vLLM 是一款专为大语言模型推理加速而设计的框架,实现了 KV 缓存内存几乎零浪费,解决了内存管理瓶颈问题。更多 vLLM 中文文档及教程可访问 →。
vLLM 是一款专为大语言模型推理加速而设计的框架,实现了 KV 缓存内存几乎零浪费,解决了内存管理瓶颈问题。
pytorch 张量入门与numpy的张量的关系pytorch 张量与梯度pytorch 神经网络(LeNet)pytorch 实现cifar10分类器pytorch 模型保存与重载https://github.com/yolochai/jupyternb/blob/master/pytorch_notebook.ipynb顺便抹把泪,conda安装pytorch和torchvisio...
本文介绍 TorchScript,它是 PyTorch 模型(nn.Module的子类)的中间表示,可以在 C++ 等高性能环境中运行。forward我们希望在您完成本教程后,您将继续 学习,该教程将引导您了解从 C++ 实际调用 TorchScript 模型的示例。
本文主要介绍PyTorch的基础知识,PyTorch的优点,案例,PyTorch和Tensorflow的对比,让我们对PyTorch的框架有一个基本的了解。
Pytorch安装目录前言1.配置虚拟环境2.下载pytorch3.完成测试目录前言最近代码的学习基本上都是需要啥用啥。整体来说基础特别的差。所以打算重新零基础的学习下Pytorch,基础学起,从安装开始,今后也一直更新。也好好学习一下csdn的排版。最近也是真的太浮躁了。急于求成,(。_。)参考文章:https://www.cnblogs.com/zhouzhiyao/p/11784055.ht
开源模型本地部署, 利用本地模型开发口语听力培训工具
如果你需要让局域网内的其他设备也能访问你的 Ollama 服务,可以配置 OLLAMA_HOST 环境变量。变量值可以设置为0.0.0.0:11434 (或者指定的端口号,默认端口是 11434)。可以像其他软件一样在电脑上完成一键安装,不同的是,建议按照实际需求配置下系统环境变量参数。当然不设置也可以,系统会自动下载到C盘。OLLAMA_ORIGINS也需要新建环境变量,表示HTTP 客户端的请
本文章采用AutoDL平台创建部署(感觉它比较方便,价格便宜),这个不是硬要求,按自己情况来(如公司自己有服务器就可以用自己的;【模型大小:(1.5b:1.1G) (7b:4.7G) (8b:4.9G) (14b:9G) (32b:20G) (70b:43G) (671b:404G)】安装完成后,在服务器平台复制链接地址,使用vscode链接ssh,链接的时候会提示输入密码,也是在服务器平台复制密
LLaMA-Factory是一个适合小白使用的训练平台。提供了基于Gradio的网页版工作台。
关于Anaconda中pytorch的安装 学习deeplearning 的第一步应该是安装主流的Pytorch, 主要是在Python 3 环境下更容易入手。对于初学python, 如果要向AI方向发展, 建议安装anaconda, 安装后如果Python没有激活conda, 需要安装一下步骤激活:学习deeplearning 的第一步应该是安装主流的Pytorch, 主要是在Python 3
1、python与pytorch的区别对pytorch来说怎么处理python中的string类型:pytorh没有控件来处理string类型,在pytorch中用数字编码来替代。第一,采用One-hot的形式来表示,[0,1,0,...]第二,采用Embedding的形式来表示,常用的编码器Word2vec和glove。2、pytorch的数据类型3、数据类型的判断a=torch.randn(2
我们选择排名第一位的deepseek-r1,我本地的显卡为3090,显存24,内存64,尝试下载32b的模型。国内使用这种方式你懂的,慢的想自杀,所以建议使用第二种。直接把下载链接复制,使用下载器下载。接下来就是漫长的等待...
本文主要探讨了在预训练模型瓶颈显现的背景下,后训练和推理计算的重要性,并建议从模型服务(serving)入手,因为这是模型应用的第一步。文章比较了SGLang和vLLM两个框架,它们分别来自斯坦福和UC伯克利,功能相似,但各有特色。SGLang提供了丰富的服务功能,如chunkedprefill、speculativedecoding、radixattention和structured
本文介绍了PyTorch的一个基本用法,读完本问文,你可以用PyTorch实现一个简单的双层神经网络。
jupyterlab上安装pytorch如何在jupyterlab上安装pytorch创建pytorch环境安装pytorch在jupyter notebook上调用pytorch在jupyterlab上调用pytorch如何在jupyterlab上安装pytorch最近在看深度学习的一些书籍和代码,感觉需要准备的东西非常多。但万里长征第一步,还是需要搭建一个合适自己使用的深度学习环境。今天就总结
PyTorch介绍所有的伟大,源于一个勇敢的开始!1.Pytorch是什么?PyTorch既可以看作加入了GPU支持的numpy,同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外,它已经被Twitter、CMU和Salesforce等机构采用 Pytorch是torch的python版本,是由Facebook开源的神经网络框架,专门针对 GPU 加速的深度神经网络(
本文通过PyTorch代码详细拆解LSTM(长短期记忆网络)的输入门、遗忘门和输出门的工作原理,帮助读者直观理解三门的动态交互与记忆流转。文章包含完整代码示例和可视化方法,适合开发者深入掌握LSTM的核心机制,提升模型调试和优化能力。
本文详细介绍了如何使用PyTorch实现混合密度网络(MDN)解决传统神经网络在'一对多'预测问题中的局限性。通过构建概率分布模型而非单一预测值,MDN能够有效处理金融预测、自动驾驶等多模态场景。文章包含完整的PyTorch实现代码、训练技巧和实战应用案例,帮助开发者掌握这一强大工具。
本文通过PyTorch代码逐行拆解ResNet-34网络结构,帮助开发者从参数表到可运行模型实现实战指南。详细解析残差块设计、层级结构及代码实现,提供模型验证与调试技巧,并扩展至ResNet-18、ResNet-50等变体,助你深入理解ResNet精髓。
本文通过PyTorch实战解析全连接层与Softmax的概率转换,帮助读者快速理解神经网络分类任务的核心机制。详细介绍了`nn.Linear`构建的全连接层如何产生原始输出(logits),以及`nn.Softmax`如何将其转换为直观的概率分布,特别适用于MNIST手写数字识别等分类场景。
个人笔记链接:Pytorch简介以下是个人笔记的内容,推荐使用链接阅读1Pytorch简介1.1 Pytorch的大概Pytorch不是简单的封装 Lua Torch 提供Python接口,而是对当下tensor之上的模块进行重构,并增加了最先进的自动求导系统,成为当下最流行的动态图框架。PyTorch是一个基于Torch的Python开源机器学习库,用于自然语言处理等应用程序。它主要由Faceb
本文通过Python和PyTorch从零实现感知机,帮助读者深入理解神经网络的基础原理。从权重、偏置到激活函数,通过代码实践揭示深度学习核心概念,并展示如何可视化决策边界。适合初学者通过动手实践掌握神经网络基础知识。