526互联

尾部 模型 损失 费用

HarmonyOS：使用MindSpore Lite引擎进行模型推理

场景介绍 MindSpore Lite是一款AI引擎，它提供了面向不同硬件设备AI模型推理的功能，目前已经在图像分类、目标识别、人脸识别、文字识别等应用中广泛使用。 本文介绍使用MindSpore Lite推理引擎进行模型推理的通用开发流程。 基本概念 在进行开发前，请先了解以下概念。 张量：它与数 ......
HarmonyOS MindSpore 模型 引擎 Lite

模型放置到3D场景中后模型位置与鼠标选中的位置不一致怎么办？

在线工具推荐：3D数字孪生场景编辑器 - GLTF/GLB材质纹理编辑器 - 3D模型在线转换 - Three.js AI自动纹理开发包 - YOLO 虚幻合成数据生成器 - 三维模型预览图生成器 - 3D模型语义搜索引擎 1、问题 从事3D建模相关工作的朋友们在工作中经常会遇到以下几种问题： 1、 ......
模型 位置 场景 鼠标 怎么办

如何创建逼真的3D模型

要实现逼真的 3D 视觉效果，需要关注细节并了解照明、纹理和材质的原理。要使 3D 场景看起来更逼真，请专注于精确的照明设置，使用高分辨率纹理和凹凸贴图来增加表面的深度，并合并逼真的着色器和材质。此外，请注意构图、摄像机角度和后期处理效果，以增强 3D 渲染的整体真实感。 ......
模型

如何删除/替换3D模型的材质贴图

GLTF 编辑器 -NSDT 不仅可以设置3D模型纹理贴图，还可以设置模型的几何原点、以及对有相同材质属性的mesh进行合并，实现模型轻量化，是一款不可多得的实用型在线模型编辑工具。 ......
材质 模型 贴图

GLB/GLTF 模型压缩轻量化

Draco 是用于网格压缩的 glTF 扩展，以及由 Google 开发的开源库，用于压缩和解压缩 3D 网格以显着减小 3D 内容的大小。它压缩顶点位置、法线、颜色、纹理坐标和任何其他通用顶点属性，从而提高通过 Web 传输 3D 内容的效率和速度。 ......
模型 GLTF GLB

ChatGLM2-6B模型的微调

概述 GLM模型底层还是基于Transformer，因此其设计、优化都是围绕Transformer的各个组件的。从注意力层的掩码、位置编码等方面优化与设计。 ChatGLM3/ChatGLM2的源码中，比如finetune、trainer等代码，其实是copy自HuggingFace，而且其使用流程 ......
ChatGLM2 模型 ChatGLM 6B

最强Pose模型RTMO开源 | 基于YOLO架构再设计，9MB+9ms性能完爆YOLO-Pose

https://mp.weixin.qq.com/s/4EJAKBcqlCzDXib1_TKJxw 点击下方卡片，关注「AI视界引擎」公众号 AI视界引擎 「AI视界引擎」公众号不仅致力于分享AI视觉与大语言模型的前沿科技，还将成为连接业界专家、学术界和广大读者的桥梁。我们将提供最新的研究进展、技术 ......
Pose YOLO 架构 YOLO-Pose 模型

三维模型的顶层合并构建的模型层级和块大小划分规则浅析

三维工厂K3DMaker是一款三维模型浏览、分析、轻量化、顶层合并构建、几何校正、格式转换、调色裁切等功能专业处理软件。可以进行三维模型的网格简化、纹理压缩、层级优化等操作，从而实现三维模型轻量化。轻量化压缩比大，模型轻量化效率高，自动化处理能力高；采用多种算法对三维模型进行几何精纠正处理，精度高，... ......
模型 层级 顶层 大小 规则

金牌导航-费用流

费用流 例题A题解 将每天拆成月初和月底，然后再月初买卖，月底存进仓库，按照题意进行连边即可。 例题A代码 #include<bits/stdc++.h> using namespace std; inline int read(){ int x = 0, f = 1;char ch = getch ......
金牌 费用

常用损失函数

常用损失函数 目录 损失函数的意义 均方误差(MSE) 计算方法 适用场景 代码 均方根误差(RMSE) 计算方法 使用场景 代码 平均绝对误差(MAE) 计算方法 适用场景 代码 交叉熵损失 计算方法 适用场景 代码 对数似然损失 计算方法 适用场景 代码 余弦相似度损失(CSL) 计算方法 推理 ......
函数 损失 常用

HanLP — HMM隐马尔可夫模型 -- 训练和预测

训练的过程，就是求三个矩阵的过程 初始概率矩阵 转移概率矩阵 发射矩阵 每个字有4种可能性，上图中有7个字，就是 4^7 种可能性 维特比算法，从众多路径中，挑出最优的那条，他和隐马尔可夫没有强关联 初始概率矩阵 根据频率得到概率 今天 天气 真 不错。 麻辣肥牛 好吃 ！ 我 喜欢 吃 好吃 的！ ......
模型 HanLP HMM

Diffusion Model扩散模型

1、扩散模型基本原理： 扩散模型包括两个步骤： 固定的（或预设的）前向扩散过程q：该过程会逐渐将高斯噪声添加到图像中，直到最终得到纯噪声。 2.可训练的反向去噪扩散过程pθ：训练一个神经网络，从纯噪音开始逐渐去噪，直到得到一个真实图像 。 正向过程首先，对于一张原始图片，我们给加一个高斯噪声，图片由 ......
Diffusion 模型 Model

一文带你了解LoRa微调语言大模型的实用技巧

微调定制化的大型语言模型需要投入大量时间和精力，但掌握恰当的微调方法和技巧能显著提高效率。比如用LoRa（LLM的低秩适配Low-Rank Adaptation）微调大模型，能够利用少量显卡和时间对大模型进行微调，降低成本。 ......
实用技巧 模型 语言 技巧 LoRa

大模型-向量数据库

向量数据库很多，先试试milvus。 1、安装：通过docker pull没搞定。使用官网的docker-compose搞定了。 2、运行：需要启动3个容器： docker start milvus-etcd docker start milvus-minio docker start milvus ......
向量 模型 数据库 数据

HanLP — HMM隐马尔可夫模型 -- 语料库

BMES => B:词语开始、M：词语中间、E：词语结束、S:单独成词 并非所有中文任务都需要分词 语料库 每行是一篇“文章” 每篇文章用空格分开 语料库的准确性，严重影响分词结果 理论上，语料库越大越好 每个字都有一个标识（隐藏状态），可以根据语料库得到所有标识 中文分词就是为了得到状态 麻 辣 ......
语料库 语料 模型 HanLP HMM

大语言模型LLM的核心技术及应用场景案例的分析

自注意力机制、位置编码和激活函数共同提高了模型对序列数据中重要信息的关注程度。通过自注意力机制，模型可以自动学会为序列中的关键部分分配更高的权重…… ......
模型 场景 核心 案例 语言

【论文解读】System 2 Attention提高大语言模型客观性和事实性

本文简要介绍了论文“System 2 Attention (is something you might need too) ”的相关工作。基于transformer的大语言模型（LLM）中的软注意很容易将上下文中的不相关信息合并到其潜在的表征中，这将对下一token的生成产生不利影响。为了帮助纠正... ......
事实性 客观性 Attention 模型 客观

训练一个目标检测模型

博客地址：https://www.cnblogs.com/zylyehuo/ （一）识别背景/目的 第十八届全国大学生智能汽车竞赛室外 ROS 无人车赛（高教组） 无人车在室外运行中， 需要探索未知环境， 识别障碍物， 停车标志牌、红绿灯等标志物。 比赛场地为不规则环形场地， 由红蓝两色锥桶搭建而成 ......
模型 目标

拆解全景，解锁未来——深度分析大模型六大领域及五大应用解决方案

在本篇文章中，将带您首先通过解读 LLM 的全景图，深入探讨了 LLM 的六个关键领域，随后提出五种主要方案以解决企业在这一技术领域面临的挑战。从商业模型到开源模型、微调、自定义构建，再到与 AI 提供商的合作，本文将引领您深入了解 LLM 的技术脉络，为探索和应用这一技术提供一些思考与指导。 ......
深度分析 深度 模型 解决方案 领域

倾斜摄影三维模型重建高程偏差的因素及解决方法分析

三维工厂K3DMaker是一款三维模型浏览、分析、轻量化、顶层合并构建、几何校正、格式转换、调色裁切等功能专业处理软件。可以进行三维模型的网格简化、纹理压缩、层级优化等操作，从而实现三维模型轻量化。轻量化压缩比大，模型轻量化效率高，自动化处理能力高；采用多种算法对三维模型进行几何精纠正处理，精度高，... ......
高程 偏差 模型 因素 方法

WPF限制字符串的最长显示长度，超出后尾部显示...

在WPF中，如果你想要限制一个字符串的显示长度，并在超出后用省略号（...）表示，你可以使用TextBlock控件和设置它的TextTrimming属性。这种方法可以自动截断文本并在末尾添加省略号。 <TextBlock Text="{Binding YourString}" TextTrimmin ......
尾部 字符串 长度 字符 WPF

【matlab混沌理论】1.5.洛伦兹模型的分析

洛伦兹方程用于生成y变量的图。这是对三种y初始条件敏感依赖的一个例子。 1.洛伦兹吸引子的y敏感依赖的着色图 input: % 洛伦兹方程用于生成y变量的图。x和z的初始条件保持不变，但y的初始条件在1.001、1.0001和1.00001之间变化 % 定义洛伦兹方程 sigma = 16; bet ......
模型 理论 matlab

【matlab混沌理论】1.4.双摆杆的不同参数模型

双摆杆运动模型。初始条件的微小差异，会导致千差万别的运动现象，这是混沌理论重要体现。主要考虑初始条件有两摆杆长度、质量、初始摆杆角度、重力加速度。 input: % 参数定义 L1 = 1; % 第一根摆长 L2 = 0.5; % 第二根摆长 m1 = 1; % 第一根摆质量 m2 = 0.5; % ......
模型 参数 理论 matlab

windows使用YOLO训练模型

1：安装Nvidia显卡驱动、cuda和cuDNN 1.1下载安装Navida显卡驱动 NAVIDIA驱动下载地址：https://www.nvidia.cn/Download/index.aspx 下载完成后，在CMD中输入 nvidia-smi 验证是否安装成功 如果有错误 2：下载CUDA（本 ......
模型 windows YOLO

机器学习-线性回归-损失函数+正则化regularization-06

目录1. 为什么要加上正则项2 L1稀疏 L2平滑3. 代码1--L2正则4 代码2--L2正则25. 代码3--l1正则 1. 为什么要加上正则项 防止模型的过拟合 需要在损失函数LOSS(MSE或者交叉熵)再加上正则项 常用的惩罚项有L1正则项或者L2正则项 其实L1和L2正则的公式数学里面的意 ......
正则 regularization 线性 函数 损失

MIT斯坦福Transformer最新研究：过度训练让中度模型「涌现」结构泛化能力

前言 过度训练让中度模型出现了结构泛化能力。 本文转载自新智元 仅用于学术分享，若侵权请联系删除 欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。 CV各大方向专栏与各个部署框架最全教程整理 【CV技术指南】CV全栈指导班、基础入门班、论文指导班 全 ......
Transformer 模型 能力 结构 MIT

物理地址模型 【ChatGPT】

https://www.kernel.org/doc/html/v6.6/mm/memory-model.html 物理内存模型 系统中的物理内存可以以不同的方式进行寻址。最简单的情况是物理内存从地址0开始，并延伸到最大地址的连续范围。然而，这个范围可能包含对CPU不可访问的小空洞。然后可能存在完全 ......
模型 物理 ChatGPT 地址

常用损失函数

损失函数的意义 衡量模型性能。损失函数提供了一种量化模型预测结果与实际结果之间差异的方法。通过这种量化，我们可以客观地评价模型的好坏。 模型优化的指导。模型训练实际上是一个优化过程，目的是最小化损失函数。 模型选择和调整。不同的问题可能更适合不同的损失函数。 处理不平衡数据。在现实世界的数据中，常出 ......
函数 损失 常用

【matlab混沌理论】1.3.双摆杆基本模型

【matlab混沌理论】1.3.双摆杆基本模型 双摆杆是混沌理论的典型运动模型之一。涉及重力加速度、摆杆长度和质量。 1.双摆杆的摆角分析 input: % 已知物理参数 L1 = 5;L2 = 3; %两摆杆长度和质量 m1 = 3;m2 = 5; g = 9.80665; % 物理重力加速度m/ ......
模型 理论 matlab

数据分享|R语言用RFM、决策树模型顾客购书行为的数据预测|附代码数据

全文链接：http://tecdat.cn/?p=30330 最近我们被客户要求撰写关于RFM、决策树模型的研究报告，包括一些图形和统计输出。 团队需要分析一个来自在线零售商的数据 该数据包含了78周的购买历史。该数据文件中的每条记录包括四个字段。客户的ID（从1到2357不等），交易日期，购买的书 ......
数据 模型 顾客 行为 语言
共3525篇  :10/118页 首页上一页10下一页尾页