个人技术分享

现代AI生成模型在文本、图像、音频和视频等多个领域展现出了巨大的潜力。大语言模型、视频生成模型和图片生成模型的底层原理各具特色，但都基于深度学习和神经网络技术的发展。未来，随着技术的不断进步和跨领域融合，生成模型将为我们的生活和工作带来更多的便利和创意。与此同时，伦理和监管问题也需要得到重视，以确保AI技术的健康发展。

借用pytorch3d官网对于坐标系的解释来讲，pytorch3d中使用了一个NDC坐标系，这个坐标系最终将所有3d点的坐标归一化到-1到1之间。熟悉pytorch的朋友应该知道这是为了方便梯度的反向传播。与常规的图形和视觉系统一致，我们分别定义了1、模型坐标系（可选，图中未显示）2、世界坐标系3、相机坐标系4、NDC坐标系5、屏幕坐标系其坐标轴的朝向如图所示。

一款非常好用的python OCR文字识别框架

在torch1.6版本及其以后，torch.save函数使用了一种新的文件格式。torch.load任然保持着对旧版本的兼容，如果高版本环境下想要保存低版本兼容的模型文件格式，可以使用_use_new_zipfile_serialization=False参数设定。大家都会遇到在工程项目实施阶段，如果训练的模型文件在不同的torch版本环境下部署时，会报错~。转载自SSDesign的知乎文章。

开发语言:Python。

本系列用于Bert模型实践实际场景，分别包括分类器、命名实体识别、阅读理解、多选选择、文本摘要等等。（关于Bert的结构和详细这里就不做讲解，但了解Bert的基本结构是做实践的基础，因此看本系列之前，最好了解一下transformers和Bert等）本篇主要讲解应用场景。

TensorFlow允许开发者自定义fit()函数，以满足特定训练需求。通过自定义fit()，用户可以完全掌控训练循环，包括前向传播、损失计算、反向传播和参数更新。这种方式使得开发者能够灵活地调整学习率、添加自定义的回调函数，或实现特定的训练策略。自定义fit()还提供了更大的灵活性，比如在不同数据集上应用不同的训练方法，或在训练过程中动态地改变模型结构。通过编写自定义的fit()函数，开发者能够根据自己的需求构建更高效、更准确的深度学习模型。

一、项目背景与目标随着深度学习技术的发展，人脸识别技术已广泛应用于各个领域。然而，在实际应用中，人脸遮挡问题常常给识别带来挑战。本项目旨在利用Tensorflow框架构建卷积神经网络（CNN），开发一个能够应对遮挡人脸识别的考勤签到系统，提高识别的准确性和鲁棒性。二、技术原理与特点Tensorflow框架：本项目采用Tensorflow深度学习框架，利用其强大的计算能力和灵活的编程接口，实现卷积神经网络的构建、训练和部署。卷积神经网络（CNN）：CNN是一种特别适合处理图像问题的神经网络。

定义UNet模型，用于逐步去噪图像。# 定义UNet的各个层次nn.ReLU(),nn.ReLU()nn.ReLU(),nn.Tanh()return x。

在原来生成的chat的基础上，追加一条消息，并将其传入pipeline。

【代码】Pytorch读取自己的数据集。

本系列用于Bert模型实践实际场景，分别包括分类器、命名实体识别、机器阅读、多选选择、文本摘要等等。（关于Bert的结构和详细这里就不做讲解，但了解Bert的基本结构是做实践的基础，因此看本系列之前，最好了解一下transformers和Bert等）本篇主要讲解。

一、项目背景在医疗影像诊断领域，CT（Computed Tomography）影像因其高分辨率和三维成像能力，成为医生诊断疾病的重要工具。然而，人工分析大量的CT影像数据既耗时又容易出错。因此，开发自动的CT影像分类系统对于提高诊断效率、减少人为错误具有重要意义。本项目旨在利用深度学习技术，特别是基于TensorFlow框架的VGG16卷积神经网络模型，实现CT影像的自动分类。二、项目目标。

本系列用于Bert模型实践实际场景，分别包括分类器、命名实体识别、机器阅读、多选选择、文本摘要等等。（关于Bert的结构和详细这里就不做讲解，但了解Bert的基本结构是做实践的基础，因此看本系列之前，最好了解一下transformers和Bert等）本篇主要讲解。

一、系统背景随着深度学习技术的快速发展，其在计算机视觉领域的应用也日益广泛。姿态识别作为计算机视觉的一个重要分支，对于人机交互、运动分析、动作捕捉、虚拟现实等领域具有重要意义。YOLOv7和OpenPose作为两种先进的深度学习算法，分别在目标检测和人体姿态估计方面表现出色。因此，结合YOLOv7和OpenPose的优势，构建基于YOLOv7+OpenPose的姿态识别系统，具有广阔的应用前景。二、系统组成。

YOLOv8改进，yolov8，yolov8创新，yolov8涨点

在训练模型时候，优化器选择adam，效果正常，测试集准确率可达99，而选用sgd时候，发现准确率恒定不变在22，查看了初始学习率为0.0001，修正为0.01，再次训练，效果较好。再次调回0.0001，不再固定，可能一开始陷入局部最优。整体训练效果较好，第一步使用pathlib查看类别名称验证能否与实际对应，使用imagefolder创建数据集,定义数据处理方式，然后可以.class查看分类，对数据集进行4：1划分，创建dataloder，到这里 数据集才算处理完成。

一、项目背景在医疗影像诊断领域，CT（Computed Tomography）影像因其高分辨率和三维成像能力，成为医生诊断疾病的重要工具。然而，人工分析大量的CT影像数据既耗时又容易出错。因此，开发自动的CT影像分类系统对于提高诊断效率、减少人为错误具有重要意义。本项目旨在利用深度学习技术，特别是基于TensorFlow框架的VGG16卷积神经网络模型，实现CT影像的自动分类。二、项目目标。

风格迁移的概念最早由提出。该技术通过优化一个目标函数来实现，该函数由三部分组成：内容损失(content loss)、风格损失(style loss)和总变分损失(total variation loss)。内容损失确保生成的图像在内容上与原始图像相似。风格损失确保生成的图像在风格上与参考图像相似。总变分损失添加了一个正则项，以保持生成图像的局部空间连续性，从而提高其视觉质量。

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:[“drinking”,“smoking”]图片数量(jpg文件个数)：1026。标注数量(xml文件个数)：1026。标注数量(txt文件个数)：1026。使用标注工具：labelImg。标注规则：对类别进行画矩形框。