Flow Matching生成模型：从理论基础到Pytorch代码实现
本文将系统阐述Flow Matching的完整实现过程，包括数学理论推导、模型架构设计、训练流程构建以及速度场学习等关键组件。通过本文的学习，读者将掌握Flow Matching的核心原理，获得一个完整的PyTorch实现，并对生成模型在噪声调度和分数函数之外的发展方向有更深入的理解。
鱼类AI数量检测代码分享
本代码基于深度学习实现鱼类数量检测，使用预训练的 Faster R-CNN 模型识别图像中的鱼类，并用边界框标注位置。支持单张图片检测、文件夹批量检测、结果可视化及统计分析。需安装 PyTorch、OpenCV 等依赖库。可微调模型提升鱼类检测精度。
Arctic长序列训练技术：百万级Token序列的可扩展高效训练方法
Arctic长序列训练(Arctic Long Sequence Training, ALST)技术能够在4个H100节点上对Meta的Llama-8B模型进行高达1500万token序列的训练，使得长序列训练在标准GPU集群甚至单个GPU上都能实现快速、高效且易于部署的执行。
MindIE-LLM ATB模型推理全流程解析
最近，有很多小伙伴问我，如果他们想自己基于MindIE镜像中的文件适配新模型，可以怎么做？
为了实现这个目标，首先需要了解MindIE-LLM模型在推理过程中的代码调用流程，然后根据新模型的算法进行适配。
Post-Training on PAI (1)：一文览尽开源强化学习框架在PAI平台的应用
Post-Training（即模型后训练）作为大模型落地的重要一环，能显著优化模型性能，适配特定领域需求。相比于 Pre-Training（即模型预训练），Post-Training 阶段对计算资源和数据资源需求更小，更易迭代，因此备受推崇。近期，我们将体系化地分享基于阿里云人工智能平台 PAI 在强化学习、模型蒸馏、数据预处理、SFT等方向的技术实践，旨在清晰地展现 PAI 在 Post-Training 各个环节的产品能力和使用方法，欢迎大家随时交流探讨。
人工智能算法python程序运行环境安装步骤整理
本教程详细介绍Python与AI开发环境的配置步骤，涵盖软件下载、VS2017安装、Anaconda配置、PyCharm设置及组件安装等内容，适用于Windows系统，助你快速搭建开发环境。