SiMBA：基于Mamba的跨图像和多元时间序列的预测模型
微软研究者提出了SiMBA，一种融合Mamba与EinFFT的新架构，用于高效处理图像和时间序列。SiMBA解决了Mamba在大型网络中的不稳定性，结合了卷积、Transformer、频谱方法和状态空间模型的优点。在ImageNet 1K上表现优越，达到84.0%的Top-1准确率，并在多变量长期预测中超越SOTA，降低了MSE和MAE。代码开源，适用于复杂任务的高性能建模。[[论文链接]](https//avoid.overfit.cn/post/c21aa5ca480b47198ee3daefdc7254bb)
阿里云百炼大模型：引领企业智能化升级的下一代 AI 驱动引擎
随着人工智能技术的快速发展，大规模预训练模型正在改变各行各业的智能化进程。阿里云百炼大模型（Ba-Lian Large Model）作为阿里云推出的企业级 AI 解决方案，通过深度学习、自然语言处理、计算机视觉等前沿技术，帮助企业实现智能化升级，提升业务效率和创新能力。本文将详细介绍阿里云百炼大模型的核心技术、应用场景及其优势，帮助企业更好地理解和利用这一革命性工具。
Pytorch迁移学习使用Resnet50进行模型训练预测猫狗二分类
深度学习在图像分类、目标检测、语音识别等领域取得了重大突破，但是随着网络层数的增加，梯度消失和梯度爆炸问题逐渐凸显。随着层数的增加，梯度信息在反向传播过程中逐渐变小，导致网络难以收敛。同时，梯度爆炸问题也会导致网络的参数更新过大，无法正常收敛。
为了解决这些问题，ResNet提出了一个创新的思路：引入残差块（Residual Block）。残差块的设计允许网络学习残差映射，从而减轻了梯度消失问题，使得网络更容易训练。