clip这篇paper最大的贡献就是打破了之前固定类别标签的训练推理范式，不需要提前做类别限制了， 处理数据方便，训练模型方便，推理的时候也很方便，可以zero-shot的做各种分类任务。新意度100分，打破固定类别标签做法，放飞视觉模型的训练过程有效性100分， 泛化性能，准确性能问题规模100分，一个模型就能解决大部分的分类任务，而且是zero-shot解决，问题本身很大，利用好这个模型，在其

今天分享Llama3.0的论文，2024.7月来自Meta的Llama团队，2025年1月DeepSeek R1出现之后，其风头显然已经盖住了Llama3，这时候整理Llama3感觉有点赶不上潮流了，但是我还是想整理下Llama3.0，原因是刚好春节的时候读了下原论文(起源是节后在公司做分享)，另外一个是Llama3的技术比较成熟，很多大模型的语言部分都是Llama的架构，因此想做为入门大模型的第

远程连接GPU服务器上的jupyter notebook近期由于要跑一些cv方向的代码，自己的电脑GPU太垃圾，根本跑不动。正好实验室有GPU服务器，配了2块Nvidia Geforce RTX 2080 Ti。然后就涉及到需要在自己的笔记本上远程连接服务器上的jupyter notebook来使用GPU服务器上的算力。以下分为单用户和多用户的解决方案。单用户就是1个账号上运行1个jupyter

1. 写在前面今天在搭建模型的时候遇到了一个报错:ValueError: Graph disconnected: cannot obtain value for tensor Tensor(“input_14:0”,shape=(None, 24, 9, 1), dtype=float32) at layer “input_14”.The following previous layers wer

1. 写在前面今天分享的论文是2017年谷歌团队发表的一篇论文，这是一篇非常经典的自然语言处理领域的文章，基于这篇文章，才有了最近非常火的bert， Albert等模型，接触这篇文章是在一次直播中看到的，因为经典，所以就想着读了读（虽然不是搞nlp的，但总感觉知识这东西都有一定的通性，多学一些肯定没有坏处，万一以后要用到呢？）。但是这篇论文本身我读了一遍之后，感觉不太懂，感觉里面有些东西并不是说.

摘要 本文分享了特斯拉自动驾驶技术的最新进展，重点解析了其端到端（e2e）架构理念及应用。特斯拉AI副总裁Ashok在ICCV 2025的技术分享中指出，FSD V12后全面转向端到端架构，实现“Photon In, Control Out”的自动驾驶模式。该架构通过单一神经网络处理传感器输入至控制输出，减少中间规则环节，提升协同优化能力。 特斯拉采用端到端方案的核心原因包括：难以编码人类复杂价值

这段时间，会有系列真实的竞赛项目陪伴，我会通过修炼笔记的方式记录我这段时间学习数据竞赛的经历，希望每个竞赛都能给我们带来收获和成长！ 这个故事会很长，但我会坚持往下走，你看，天上太阳正晴，如果可以，我们一起吧…1. 写在前面终于下定决心涉足这个纠结很久的话题了，作为一个懵懂无知的竞赛小白，其实是非常渴望参加一场数据比赛的，因为数据比赛对于AIer来说真的很重要，不知道你是否遇到过这样的一些疑惑..

1. 写在前面如果是刚入深度学习的新手小白，可能有着只学习了一点深度学习的理论，也见识到了各种神经网络的强大而不能立马实现的烦恼，想学习TensorFlow，pytorch等出色强大的深度学习框架，又看到那代码晦涩难懂而有些想知难而退，这时候，我觉得有必要掌握一下Keras了，这是个啥？ Keras是高级神经网络API，因为Keras短小精悍，非常适合快速原型制作和神经网络的搭建。在很短的时间内.

1. 写在前面最近用深度学习做一些时间序列预测的实验， 用到了一些循环神经网络的知识， 而当初学这块的时候，只是停留在了表面，并没有深入的学习和研究，只知道大致的原理， 并不知道具体的细节，所以导致现在复现一些经典的神经网络会有困难， 所以这次借着这个机会又把RNN， GRU， LSTM以及Attention的一些东西复习了一遍，真的是每一遍学习都会有新的收获，之前学习过也没有整理， 所以这次也借

1. 写在前面最近用深度学习做一些时间序列预测的实验， 用到了一些循环神经网络的知识， 而当初学这块的时候，只是停留在了表面，并没有深入的学习和研究，只知道大致的原理， 并不知道具体的细节，所以导致现在复现一些经典的神经网络会有困难， 所以这次借着这个机会又把RNN， GRU， LSTM以及Attention的一些东西复习了一遍，真的是每一遍学习都会有新的收获，之前学习过也没有整理， 所以这次也借