个人技术分享

神经网络 torch.nn---nn.LSTM()

c_0 是shape=(num_layers*num_directions,batch_size,hidden_size)的张量, 保存着batch中每个元素的初始化细胞状态的Tensor。:长短时记忆网络层，它的主要作用是对输入序列进行处理，对序列中的每个元素进行编码并保存它们的状态，以便后续的处理。i_t, f_t, g_t, o_t分别代表输入门，遗忘门，细胞和输出门。x_t是上一层的在时刻t的隐状态或者是第一层在时刻t的输入。：当前时间步的输出，也是下一个时间步的输入。c_t是时刻t的细胞状态，

60行代码加速20倍: NEON实现深度学习OD任务后处理绘框

首先确定图像的宽度和高度，本次测试所获得的检测框均由这篇博文中的end2end模型中获得【1】，也就是在绘框前，我们会得到一个vector数组，均为通过nms获得的检测框，这个数组数据排列格式如下：一个box对应四个元素，其实box是按照obj的score排列，但为了方便讲解，我们假设他是按从左到右顺序排列，由于测试的图片均为COCO2017 Val中的数据，图片尺寸中值远大于320，为了美观，此篇博文默认绘框边界（边框）的厚度为2，也就是占满2个pixel。

人工智能——机器学习——神经网络（深度学习）

人工智能是让机器获得像人类一样具有思考和推理机制的智能技术，这一概念最早出现在 1956 年召开的达特茅斯会议上。其中深度学习可以理解为神经网络。刚开始只有神经网络的概念，随着神经网络的层数增加，就逐渐将神经网络叫做深度学习。神经网络的发展历程大致分为浅层神经网络阶段和深度学习阶段。

测试bert_base不同并行方式下的推理性能

本文测试了bert_base模型在不同并行方式下的推理性能。

改进YOLO系列 | YOLOv5/v7 引入 Dynamic Snake Convolution | 动态蛇形卷积

YOLO系列目标检测算法以其速度和精度著称，但对于细长目标例如血管、道路等，其性能仍有提升空间。动态蛇形卷积（DSC）是YOLOv5/v7中引入的一种改进，旨在更好地处理细长目标。DSC的核心是使用控制点序列来变形卷积核。# 根据目标框生成控制点序列# 将目标框转换为控制点序列]))DSC根据控制点序列变形卷积核。# 根据控制点序列变形卷积核DSC层继承自nn.Module类，并实现了DSC操作。# 生成控制点序列# 变形卷积核# DSC操作return out。

浅谈提示词发展现状，Prompt 自动优化是未来。

封面手绘于本科期间，当年在知乎上写的第一篇关于 AI 的文章就用的这个封面，聊表纪念。这次我们来聊聊 Prompt. 本来想取一个类似“提示词不存在了…”，或是“再见，Prompt 课程…”的标题，但最近很多大佬的谬赞让我感到诚惶诚恐，后来想想还是算了。从 2022 年 11 月起，刚刚入门 NLP 的我开始研究大模型，期间也学习过一些论文，以及一些提示词书写框架。以下是我这一年半以来，混迹大模型上中下游，沉淀出的一些思考。我整理了一个流程图，概括了这一年多我看到的 Prompt 的一些发展。

sam_out 脱发预测

这段代码是一个用于预测掉发问题的GPT模型的训练脚本。代码首先读取了一个包含预测特征的csv数据文件，并将特征进行编码。然后将数据集分成训练集和测试集。接下来定义了模型的结构，优化器和损失函数。然后进行多轮训练，每一轮都使用批量数据进行训练，并计算准确率、F1值和损失函数。在每轮训练结束后，将模型设置为评估模式，对测试集进行评估并输出准确率和F1值。最后保存训练好的模型参数。

sam_out 中风预测

保存模型参数到文件"zhong_feng_yu_ce.params"中。这段代码是一个使用GPT模型训练和测试的示例。对测试集进行预测，并输出预测结果。

《解锁创意无限：Stable Diffusion 详细教程指南》

Stable Diffusion 是一款基于 Diffusion 模型的 AI 绘画工具，它能够根据文本描述或已有的图像生成逼真或富有创意的新图像。它的出现为艺术创作带来了全新的可能性，让即使没有专业绘画技能的人也能轻松实现自己的创意想象。在当今数字艺术的浪潮中，Stable Diffusion 以其强大的功能和创新性成为了众多创作者的新宠。Stable Diffusion 为我们打开了一扇通往创意世界的大门，让我们能够以前所未有的方式表达自己的艺术想法。首先，你需要找到合适的安装资源，按照步骤进行安装。

基于深度学习的红外船舶检测识别分类完整实现数据集8000+张

目前，广泛采用了深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN），用于红外船舶检测识别。这些模型通过大量标注的红外船舶图像数据进行训练，实现了高效的船舶检测和识别。研究人员也在不断探索如何结合多模态数据、改进网络结构和提高算法性能，以进一步提升红外船舶检测识别的准确性和效率。随着遥感技术的快速发展，包括无人机、卫星等，红外图像在船舶检测识别中的作用日益凸显。近年来，深度学习作为一种强大的图像处理技术，在红外船舶检测识别领域取得了显著进展。

深度学习-注意力机制和分数

注意力机制源于对人类视觉的研究，描述了人类在处理大量信息时，会选择性地关注某些信息而忽略其他信息的过程。在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，这种机制被称为注意力机制。注意力机制是一种强大的工具，它通过模拟人类处理信息的方式，帮助深度学习模型更加高效地处理大量数据。随着研究的深入，注意力机制在各个领域的应用也将越来越广泛。注意力分数在注意力机制中扮演着关键角色，它决定了模型在处理信息时对不同部分的关注程度。

基于深度学习的图像边缘和轮廓提取

将这四个平行且相同的数据流连接到两个独立训练的分支组成的分叉子网络，一个分支学习预测轮廓似然（以分类为目标），而另一个分支训练学习在给定点轮廓的存在（基于回归测度），如图是 DeepEdge 架构图，其中 Canny 边缘检测器提取候选轮廓点，然后在每个候选点周围，提取四个不同尺度的补丁，同时通过预训练的 KNet 五个卷积层。（c）多尺度输入的单一模型;部分实验结果见图：从左到右依此是（a）输入图像，（b）GT 轮廓，（c）具有预训练 CEDN 的轮廓检测，和（d）具有细调 CEDN 的轮廓检测。