机器之心专栏机器之心编辑部当前，大模型正凭借其强大的能力和无限的潜力引领着新一轮技术革命，众多科技巨头纷纷围绕大模型进行布局，进一步推动大模型不断向前发展。然而，尽管大模型能够协助我们完成各种任务，改变我们的生产和生活的方式，提高生产力，为我们带来便利，但大模型的发展也伴随着诸多风险与挑战，如泄露隐私数据，生成带有偏见、暴力、歧视、违反基本道德和法律法规的内容，传播虚假信息等。不仅如此，随着大模型

作者：limzero，西安交通大学，Datawhale原创作者比赛介绍工业缺陷检测是当前深度学习落地的热门项目，其中瓷砖生产过程中的“质量检测环节”需要检测出瓷砖表面的瑕疵，目前比较依赖于人工，效果和效率都层次不齐。最近天池上线的广东工业赛事针对瓷砖表面瑕疵进行智能检测，要求选手们相应的算法，尽可能快与准确的给出瓷砖疵点具体的位置和类别，主要考察疵点的定位和分类能力。在本篇文章中，主要为大家介绍选

【导读】今天带来的这篇文章，提出了一种基于Transformer的用于长期时间序列预测的新方法PatchTST，取得了非常显著的效果。希望这篇文章能对你有所帮助，让你在学习和应用AI技术的道路上更进一步！自从时间序列预测论文Are Transformers Effective for Time Series Forecasting?（2022）以一个简单模型（DLinear）打败了复杂的Tran.

1. 前言随着 Stable Diffusion 在 AI 绘图领域取得巨大成功，扩散模型 (Diffusion Model) 作为当下最强大的一类生成模型，引起了 AI 研究者广泛的兴趣。扩散模型最早可追溯到 ICML'15 的一篇论文《Deep Unsupervised Learning using Nonequilibrium Thermodynamics》，在这篇论文中，作者首次将扩散模.

神经网络可视化是指通过图形化的方式展示神经网络的结构、参数、输入、输出、中间结果等信息，可以帮助用户更好地神经网络的内部工作原理和特征提取过程，以优化神经网络模型。扩展阅读：神经网络学习到的是什么？机器学习可视化技术概览(Python)本文汇总了全网最为全面的26款神经网络可视化工具，可以帮助大家了解神经网络的结构组成、工作原理和性能表现，从而更好地进行模型调整和优化。也可以画出酷炫的模型图方..

作者：安晟、袁明坤，Datawhale成员在CV领域中，transformer除了分类还能做什么？本文将采用一个单词识别任务数据集，讲解如何使用transformer实现一个简单的OCR文字识别任务，并从中体会transformer是如何应用到除分类以外更复杂的CV任务中的。全文分为四部分：一、数据集简介与获取二、数据分析与关系构建三、如何将transformer引入OCR四、训练框架代码讲解注：

对于抠图(matting)大家可能不太熟悉，但我说几个功能，你定用过，微信视频通话中的背景虚化功能，B站视频播放过程中的弹幕蒙版，直播过程中的背景替换，它们背后的技术原理都与抠图有着密切的关系。什么是抠图？抠图（Matting）是一种图像处理技术，它的目标是从图像中准确地提取出前景对象，并将其与背景进行分离。抠图的结果是一个具有透明度通道的图像，其中前景对象的像素值表示其在合成或叠加时应具有的透明

一、注意力机制和自注意力机制的区别Attention机制与Self-Attention机制的区别传统的Attention机制发生在Target的元素和Source中的所有元素之间。简单讲就是说Attention机制中的权重的计算需要Target来参与。即在Encoder-Decoder 模型中，Attention权值的计算不仅需要Encoder中的隐状态而且还需要Decoder中的隐状态。Self

在很多的时间序列预测任务中，利用卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合模型是目前常见的深度学习解决方案之一。CNN和LSTM各自有不同的特长，CNN擅长局部模式的捕捉，LSTM擅长捕捉序列的长依赖关系。通过混合这两种网络，可以非常好地学习时间序列数据中的复杂模式。核心原理CNN 部分：CNN 的优势在于能够从输入数据中提取局部特征。对于时间序列预测问题，时间序列可以看作一维数据序

说到Python可视化库，你可能会很容易想到matplotlib，因为它是Python中最底层的绘图库，支持二维、三维、交互式等各种图表，而且通过元素化的模式能设计图表的任何细节，定制化程度非常高，很多可视化库都是基于matplotlib做二次开发的。如果你想更轻松的绘制可视化图表，推荐一定要试试Seaborn，它是在matplotlib的基础上进行了更高级的API封装，它一般用于统计分析，是数据