终结者最强大脑！谷歌发布史上最大「通才」模型PaLM-E，5620亿参数，看图说话还能操控机器人

Nature：AI模型越大越好吗?

在大数据开发中，计算机网络是一个非常重要的概念。了解计算机网络的体系结构和分层模型对于实现高效的大数据处理和传输十分关键。

请问怎么在stable diffusion里面添加大模型和其他的扩展。需要购买其他服务吗？

史上最全Transformer合集！LeCun力推：给60个模型建目录，哪篇论文你错过了？

从BERT到ChatGPT，北航等9大顶尖研究机构全面综述：那些年一起追过的「预训练基础模型」

两位谷歌华人研究员发布首个纯视觉「移动UI理解」模型，四大任务刷新SOTA

中国大模型时代新Linux初显！FlagOpen大模型技术开源体系发布

大脑分层预测让大模型更卷！Meta最新研究登Nature子刊

ImageNet零样本准确率首次超过80%，地表最强开源CLIP模型更新

ImageNet零样本准确率首次超过80%，地表最强开源CLIP模型更新

稀疏模型最新进展！马毅+LeCun强强联手：「白盒」非监督式学习｜ICLR 2023

让大模型的训练和推理，比更快还更快！谷歌2022年终总结第四弹

让大模型的训练和推理，比更快还更快！谷歌2022年终总结第四弹

Transformer再胜Diffusion！谷歌发布新一代文本-图像生成模型Muse：生成效率提升十倍

像Transformer一样思考！DeepMind发布全新模型设计工具Tracr：从可解释逻辑反向搭建模型

强化学习也有基础模型了！DeepMind重磅发布AdA，堪比人类的新环境适应能力

一文看尽SOTA生成式模型：9大类别21个模型全回顾！

一文看尽SOTA生成式模型：9大类别21个模型全回顾！

训练ViT和MAE减少一半计算量！Sea和北大联合提出高效优化器Adan，深度模型都能用

众所周知，目标检测算法比较复杂，细节比较多，难以复现，而我们推出的 MMDetection 开源框架则希望解决上述问题。目前 MMdetection 已经复现了大部分主流和前沿模型，例如 Faster R-CNN 系列、Mask R-CNN 系列、YOLO 系列和比较新的 DETR 等等，模型库非常丰富，star 接近 13k，在学术研究和工业落地中应用非常广泛。

Tip：目前 MMDetection 实现的算法中主要包括 one-stage 和 two-stage 算法，而 two-stage 算法可以简单认为是 one-stage + pool + one-stage 步骤。

【YOLOV5-6.x讲解】模型搭建模块 models/yolo.py

在当今信息爆炸的时代，人们对于知识获取的需求日益增长。特别是在深度学习、高性能计算和人工智能领域，这些前沿技术的不断发展让人们对其应用场景和实现方法有了更多的探索和研究。其中，作为一种基于大规模预训练模型的人工智能问答系统，ChatGPT已经成为众多研究者和开发者的关注重点。如何向ChatGPT提问并获得高质量的答案，成为了学术界和业界需要解决的问题之一。

GPT-2 就是一个语言模型，能够根据上文预测下一个单词，所以它就可以利用预训练已经学到的知识来生成文本，如生成新闻。也可以使用另一些数据进行微调，生成有特定格式或者主题的文本，如诗歌、戏剧。

案例：加载Transformers库中的BERT模型，并用它实现完形填空任务，即预测一个句子中缺失的单词。

词表文件：在训练模型时，将该文件当作一个映射表，把输入的单词转换成具体数字。（文本方式保存）

上一篇文章，介绍了使用官方提供的CoreML模型来实现手写数字识别。其实，更多时候我们需要一个更加个性化的模型，对于手写图像来说，每个人的写法可能风格各异，如果可以在用户的使用过程中不断的更新模型，适应更加个性化的场景，就更完美了。幸运的是，CoreML正提供了这样的功能。我们可以创建一个可更新的模型来实现个性化Learning，同样，本文暂无设计模型的训练，我们通过官方的UpdatableDrawingClassifier模型来演示可更新模型的使用。

在Transformers库中pipeline类的源码文件pipelines.py里，可以找到管道方式自动下载的预编译模型地址。可以根据这些地址，使用第三方下载工具将其下载到本地。

【Pytorch神经网络实战案例】31 TextCNN模型分析IMDB数据集评论的积极与消极

4月18日，火山引擎在其举办的“原动力大会”上发布自研DPU等系列云产品，并推出新版机器学习平台：支持万卡级大模型训练、微秒级延迟网络，让大模型训练更稳更快。火山引擎总裁谭待表示，AI大模型有巨大潜力和创新空间，火山引擎会服务客户做好大模型，共同推动各行业的智能化升级。

是一种类似于卷积思想的网络。它通过矩阵相乘，计输入向量与目的输出之间的相似度，进而完成语义的理解。

【Pytorch神经网络实战案例】29 【代码汇总】GitSet模型进行步态与身份识别(CASIA-B数据集)

该数据集是一个大规模的、多视角的步态库。其中包括124个人，每个人有11个视角(0，18，36，...，180)，在3种行走条件(普通、穿大衣、携带包裹)下采集。

步态特征的距离匹配，对人在多拍摄角度、多行走条件下进行特征提取，得到基于个体的步态特征，再用该特征与其他个体进行比较，从而识别出该个体的具体身份。

带你简单了解Chatgpt背后的秘密：大语言模型所需要条件（数据算法算力）以及其当前阶段的缺点局限性

在torchvision库下的models\segmentation目录中，找到segmentation.Py文件。该文件中存放着PyTorch内置的语义分割模型。

将COCO2017数据集上的预训练模型maskrcnm_resnet50_fpn_coco加载到内存，并使用该模型对图片进行目标检测。

Sampler类中有一个派生的权重采样类WeightedRandomSampler，能够在加载数据时，按照指定的概率进行随机顺序采样。

目标检测任务的精度相对较高，主要是以检测框的方式，找出图片中目标物体所在的位置。目标检测任务的模型运算量相对较小，速度相对较快。

Imagenet数据集是目前深度学习图像领域应用得非常多的一个领域，关于图像分类、定位、检测等研究工作大多基于此数据集展开。

PNASNet模型是Google公司的AutoML架构自动搜索所产生的模型，它使用渐进式网络架构搜索技术，并通过迭代自学习的方式，来寻找最优网络结构。即用机器来设计机器学习算法，使得它能够更好地服务于用户提供的数据。该模型在ImageNet数据集上Top-1准确率达到82.9%，Top-5准确率达到96。2%，是目前最好的图片分类模型之一。

在深度学习领域中，模型越深意味着拟合能力越强，出现过拟合问题是正常的，训练误差越来越大却是不正常的。

原始的Inception模型采用多分支结构（见图1-1)，它将1×1卷积、3×3卷积最大池化堆叠在一起。这种结构既可以增加网络的宽度，又可以增强网络对不同尺寸的适应性。

多层全连接神经网络被称为万能的拟合神经网络。先在单个网络层中用多个神经元节点实现低维的数据拟合，再通过多层叠加的方式对低维拟合能力进行综合，从而在理论上实现对任意数据的特征拟合。

当我们在写前端代码时，CSS的盒模型是一个必须要掌握的概念。之前我们已经谈到了盒模型中的border和padding属性，那么今天我们将会继续深入盒模型的另一个主要属性：margin。