- 博客(346)
- 资源 (4)
- 收藏
- 关注
RSS订阅
原创 YOLO系列算法精讲：从yolov1至yolov8的进阶之路（2万字超全整理）
全网YOLO最详讲解，从v1到v10！从小白到大佬！
2020-07-30 17:16:43
334087
123
原创 MiniMax-M1开源！支持超长上下文大模型！
MiniMax-M1，是全球第一个开放权重、大规模混合注意力的推理模型。MiniMax-M1 采用了混合专家（MoE）架构，并结合了闪电注意力机制（Lightning Attention Mechanism）。该模型基于之前的 MiniMax-Text-01 模型 开发， 总共包含 4560 亿个参数，每个 token 激活 459 亿个参数。支持超长上下文：与 MiniMax-Text-01 一致，M1 模型原生支持 1 百万个 token 的上下文长度，是 DeepSeek R1 上下文大小的 8 倍。
2025-06-21 16:02:20
946
原创 一文读懂 Qwen3 最新开源的 Embedding 和 Rerank 模型优势！
Qwen3 Embedding 与 Rerank 模型开源，助力搜索、排序技术革新！
2025-06-15 00:50:16
1407
转载 一文带你入门AI智能体（AI Agent）
AI小镇开源，含25个Agent，构建"西部世界"AI Town，模拟文明演进。OpenAI创始人Karpathy称AI Agent将颠覆未来。Agent源自拉丁语，意为“行动”，在LLM中指自主执行复杂任务的程序。Agent并非ChatGPT升级版，它不仅告诉你“如何做”，更会帮你去做。如果CoPilot是副驾驶，那么Agent就是主驾驶。一个精简的Agent决策流程，用函数表达式：感知(Perception)、规划(Planning)和行动(Action)。
2025-05-31 23:48:58
160
原创 阿里千问系列：Qwen大模型API调用（Python版）
官方参考链接：https://help.aliyun.com/zh/model-studio/vision?界面，找到需要授权的子业务空间后，单击其右侧的模型权限流控设置。3、选择需要的模型，编辑权限，并保存。，单击创建我的API-KEY。
2025-05-10 17:43:08
3005
原创 YOLOv11 解读
结构上的创新：引入了如C3k2模块、SPPF和C2PSA等新元素，增强了其特征提取和处理能力。这些改进使得模型能够更好地分析和解释复杂的视觉信息，在各种场景中可能提高检测精度。增强了注意力机制：集成了复杂的空域注意力机制，特别是C2PSA组件。使模型能够更有效地聚焦图像中的关键区域，增强了其检测和分析物体的能力。改进的注意力能力对于识别复杂或部分遮挡的物体尤为有利，解决了物体检测任务中常见的难题。多功能模型：YOLO11的多功能性超越了物体检测，包括实例分割、图像分类、姿态估计和定向物体检测等任务。
2025-04-12 21:06:05
2012
原创 ImportError: libGL.so.1: cannot open shared object file: No such file or directory 报错处理
OpenCV的某些依赖库缺失，比如libGL.so.1，而OpenCV在处理图像或视频时可能需要它。
2025-04-10 19:22:54
1174
原创 【DeepSeek系列】04 DeepSeek-R1：带有冷启动的强化学习
DeepSeek-R1-Zero的提出，展现了其强大的推理能力，但是它也有一些缺点，例如可读性差和语言混用。为了解决这些问题并进一步提升推理性能，进一步推出了 DeepSeek-R1，它在 RL 之前引入了多阶段训练和冷启动数据。DeepSeek-R1 在推理任务上的表现与 OpenAI-o1-1217 相当。
2025-02-19 23:55:07
1076
原创 【DeepSeek系列】03 DeepSeek-R1-Zero：在基础模型上进行纯强化学习
DeepSeek-R1-Zero 是一个通过大规模强化学习（RL）训练的模型，而无需先进行有监督的微调（SFT），展示了显著的推理能力。通过强化学习，DeepSeek-R1-Zero 自然地涌现出许多强大且有趣的推理行为。
2025-02-19 02:01:22
851
原创 【DeepSeek系列】01 DeepSeek-R1 快速入门
2024年底，DeepSeek 相继推出了其第一代推理大模型：DeepSeek-R1-Zero 和 DeepSeek-R1。是一个通过大规模强化学习（RL）训练的模型，训练过程中没有使用监督微调（SFT）作为初步步骤。该模型在推理任务上表现出色，通过强化学习，自然涌现出许多强大且有趣的推理行为。然而，DeepSeek-R1-Zero 也面临一些挑战，例如无休止的重复、可读性差以及语言混杂等问题。为了解决这些问题并进一步提升推理性能，进一步推出了，该模型在强化学习之前引入了冷启动数据。
2025-02-06 00:06:52
3294
原创 《多模态大型语言模型（MM-LLMs）的最新进展》解读
这本系统性总结了目前多模态大语言模型(MM-LLMs)的研究进展，不管是对于这个领域的初探者，还是“局中人”，我觉得这篇论文都是一个很值得学习的资料！
2024-11-29 01:13:05
1349
原创 SMOTE 过采样，解决正负样本不均衡问题
通过SMOTE过采样，可以使得模型更好地学习到少数类别的特征，从而提高模型的泛化能力和准确性。此外，SMOTE过采样方法还可以减少模型的过拟合倾向，提高模型的稳健性（Robustness）。为了解决这个问题，一种常用的方法是过采样，其中SMOTE（SyntheticMinority Over-sampling Technique）是一种被广泛应用的技术。准备原始数据集: 假设你有一个包含特征和标签的PyTorch张量 X 和 y，其中 X 的形状是 (样本数, 特征数)，y 的形状是 (样本数, )。
2023-12-12 22:12:48
3530
原创 【扩撒模型之DDPM】Denoising Diffusion Probabilistic Models论文解读
AI绘画初探：扩散概率模型（DDPM）
2023-09-23 18:42:01
2393
Fashion-MINIST.zip
2020-04-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人