你只需画草稿,剩下都交给AI!哈佛『机器学习』最新课程;Evernote收费又难用?试试这款开源工具;提示工程资源整合笔记;前沿论文 | ShowMeAI资讯日报

多任务模型工具包LibMTL使用记录 这一步不要省略,我原先想的是,既然要自己写,那么肯定参数由自己定,后来才发现,这个库要用到的参数太多了,用这一行代码可以取代掉绝大多数没啥用的参数,否则一个个输入这些参数会特别麻烦(其中很多参数是在其他任务中使用的),使用这一行代码最重要的一点就是,如果后面需要使用某些参数,你可以再输入覆盖掉,所以这是很重要的初始化,不能省略。具体使用哪个模型可以根据自己的要求来挑选,注意,不同的模型需要的参数也不完全相同,如果用的不是默认的模型,那么就要添加对应的参数,替换掉prepare_args自动准备的参数。 阅读详情

👀日报合辑 | 📆电子月刊 | 🔔公众号下载资料 | 🍩@韩信子

工具&框架

🚧 『Diffuse The Rest』你画它补,智能 AI 辅助作画

https://huggingface.co/spaces/huggingface/diffuse-the-rest

基于 Stable Diffusion 的图画自动补全 Demo,随意涂鸦或上传图片,给出完善方向的提示,程序会自动替你『补画』。浅试一下,送颗苹果给你~

🚧 『Notesnook』完全开源可替代 Evernote 的端到端加密笔记

https://github.com/streetwriters/notesnook

https://notesnook.com/

Notesnook 是一个免费和开源的笔记应用程序,专注于用户隐私和易用性。Notesnook 的目标是为用户提供安全和可靠的笔记服务。

🚧 『Brynet』多线程的异步网络库

https://github.com/IronsDu/brynet

brynet 是一个多线程的异步网络库,能够运行在Linux和Windows环境下。 仅仅需要C++ 11编译器,且没有其他任何第三方依赖。

🚧 『Marqo』人性化张量搜索框架

https://github.com/marqo-ai/marqo

https://marqo.pages.dev/

Marqo 是一个开源的张量搜索框架,与你的应用程序、网站和工作流程无缝集成。

张量搜索可以在很多场景下应用:搜索和推荐,多模态搜索(图像到图像、文本到图像、图像到文本),聊天机器人和问答系统,文本和图像分类。

🚧 『imodels』可解释机器学习包,用于简洁、透明和准确的预测建模

https://github.com/csinva/imodels

https://csinva.io/imodels/

现代机器学习模型越来越复杂,往往使它们难以解释。imodels 工具库为拟合和使用最先进的可解释模型提供了一个简单的接口,这些模型都与 scikit-learn 兼容。

这些模型通常可以用更简单的模型(如规则列表)取代黑盒模型(如随机森林),同时提高可解释性和计算效率,所有这些都不会牺牲预测的准确性吗,只需导入一个分类器或回归器,并使用拟合和预测方法,与标准 scikit-learn 模型一样。

博文&分享

👍 『CS 181: Machine Learning』哈佛·机器学习(2022课程)

https://harvard-ml-courses.github.io/cs181-web/

https://www.youtube.com/channel/UC0rDBCkhasTCVGJcnVyFHHQ/search?query=cs-181

哈佛大学 CS 181 内容覆盖机器学习、概率推理和不确定环境下的决策。通过本课程,你可以学习到许多常见方法的数学基础,以及应用机器学习来应对真实数据的挑战。

具体的课程内容主题包括:监督学习、集合方法和提升、神经网络、支持向量机、核方法、聚类和无监督学习、最大似然、图形模型、隐马尔科夫模型、推理方法、强化学习。

👍 『Notes for prompt engineering』提示工程笔记

https://github.com/sw-yx/prompt-eng

针对现在流行的 prompt 工程做的一份资源整合笔记,内容覆盖参考示例、prompt工程经验、工具、社区资源、开源代码集等。

数据&资源

🔥 『Awesome Data-Centric AI』数据中心AI相关资源大列表

https://github.com/ydataai/awesome-data-centric-ai

🔥 『Awesome Singing Voice Synthesis and Singing Voice Conversion』语音合成、文字转语音(TTS)、歌唱声音合成(SVS)、声音转换(VC)、歌唱声音转换(SVC)等相关论文项目列表

https://github.com/guan-yuan/Awesome-Singing-Voice-Synthesis-and-Singing-Voice-Conversion

研究&论文

可以点击 这里 回复关键字 日报,免费获取整理好的论文合辑。

科研进展

  • 2022.07.13 『知识蒸馏』 ProDiff: Progressive Fast Diffusion Model For High-Quality Text-to-Speech
  • 2022.04.27 『多目标学习』 LibMTL: A Python Library for Multi-Task Learning
  • 2022.06.11 『音乐生成』 Multi-instrument Music Synthesis with Spectrogram Diffusion

⚡ 论文:ProDiff: Progressive Fast Diffusion Model For High-Quality Text-to-Speech

论文时间:13 Jul 2022

领域任务:Denoising, Knowledge Distillation, 降噪,知识蒸馏

论文地址:https://arxiv.org/abs/2207.06389

代码实现:https://github.com/Rongjiehuang/ProDiff,https://github.com/Rongjiehuang/FastDiff

论文作者:Rongjie Huang, Zhou Zhao, Huadai Liu, Jinglin Liu, Chenye Cui, Yi Ren

论文简介:Through the preliminary study on diffusion model parameterization, we find that previous gradient-based TTS models require hundreds or thousands of iterations to guarantee high sample quality, which poses a challenge for accelerating sampling./通过对扩散模型参数化的初步研究,我们发现以前基于梯度的TTS模型需要成百上千次的迭代才能保证高的采样质量,这对加速采样提出了挑战。

论文摘要:扩大的扩散概率模型(DDPMs)最近在许多生成任务中取得了领先的性能。然而,固有的迭代采样过程成本阻碍了它们在文本到语音部署中的应用。通过对扩散模型参数化的初步研究,我们发现以前基于梯度的TTS模型需要成百上千次的迭代才能保证高的采样质量,这对加速采样提出了挑战。在这项工作中,我们提出了ProDiff,关于用于高质量文本到语音的渐进式快速扩散模型。与以往估计数据密度梯度的工作不同,ProDiff通过直接预测干净的数据对去噪模型进行参数化,以避免加速采样时明显的质量下降。为了解决扩散迭代次数减少的模型收敛挑战,ProDiff通过知识提炼减少目标站点的数据差异。具体来说,去噪模型使用来自N步DDIM教师的生成的mel-spectrogram作为训练目标,并将该行为提炼成一个具有N/2步的新模型。因此,它可以使TTS模型做出尖锐的预测,并进一步将采样时间减少几个数量级。我们的评估表明,ProDiff只需要2次迭代就能合成高保真的旋律谱系,而它的采样质量和多样性与使用数百个步骤的最先进的模型相比具有竞争力。ProDiff在单个NVIDIA 2080Ti GPU上实现了比实时快24倍的采样速度,使扩散模型首次实际适用于文本到语音合成部署。我们广泛的消融研究表明,ProDiff中的每个设计都是有效的,而且我们进一步表明,ProDiff可以很容易地扩展到多扬声器的设置。音频样本可在 https://ProDiff.github.io/ 获取。

⚡ 论文:LibMTL: A Python Library for Multi-Task Learning

论文时间:27 Mar 2022

领域任务:Multi-Task Learning, 多目标学习

论文地址:https://arxiv.org/abs/2203.14338

代码实现:https://github.com/median-research-group/libmtl

论文作者:Baijiong Lin, Yu Zhang

论文简介:This paper presents LibMTL, an open-source Python library built on PyTorch, which provides a unified, comprehensive, reproducible, and extensible implementation framework for Multi-Task Learning (MTL)./本文介绍了LibMTL,一个建立在PyTorch上的开源Python库,它为多任务学习(MTL)提供了一个统一、全面、可重现和可扩展的实现框架。

论文摘要:本文介绍了LibMTL,一个建立在PyTorch上的开源Python库,它为多任务学习(MTL)提供了一个统一、全面、可重现和可扩展的实现框架。LibMTL考虑了MTL的不同设置和方法,它支持大量最先进的MTL方法,包括12种损失加权策略,7种架构,以及84种不同架构和损失加权方法的组合。此外,LibMTL的模块化设计使其易于使用并具有良好的可扩展性,因此用户可以在LibMTL的支持下方便快捷地开发新的MTL方法,与现有的MTL方法进行公平的比较,或将MTL算法应用于现实世界的应用。LibMTL的源代码和详细文档可分别在 https://github.com/median-research-group/LibMTL 和 https://libmtl.readthedocs.io 获取。

⚡ 论文:Multi-instrument Music Synthesis with Spectrogram Diffusion

论文时间:11 Jun 2022

领域任务:Music Generation,音乐生成

论文地址:https://arxiv.org/abs/2206.05408

代码实现:https://github.com/magenta/music-spectrogram-diffusion

论文作者:Curtis Hawthorne, Ian Simon, Adam Roberts, Neil Zeghidour, Josh Gardner, Ethan Manilow, Jesse Engel

论文简介:An ideal music synthesizer should be both interactive and expressive, generating high-fidelity audio in realtime for arbitrary combinations of instruments and notes./理想的音乐合成器应该是互动性和表现力兼备的,为任意的乐器和音符组合实时生成高保真音频。

论文摘要:一个理想的音乐合成器应该既是互动的,又是有表现力的,可以为任意的乐器和音符组合实时生成高保真的音频。最近的神经合成器在特定领域的模型和原始波形模型之间进行了权衡,前者只提供对特定乐器的详细控制,后者可以对任何音乐进行训练,但控制力极弱,生成速度慢。在这项工作中,我们专注于神经合成器的中间地带,它可以从MIDI序列中实时生成具有任意乐器组合的音频。这使我们能够用一个单一的模型对广泛的转录数据集进行训练,这反过来又提供了对各种乐器的组成和乐器的音符级控制。我们使用一个简单的两阶段过程。用编码器-解码器转换MIDI到频谱图,然后用生成对抗网络(GAN)频谱图转换器转换频谱图。我们比较了将解码器作为自回归模型和去噪扩散概率模型(DDPM)进行训练,发现DDPM方法在质量上以及在音频重建和Fr’echet距离指标上都更有优势。考虑到这种方法的互动性和通用性,我们发现这是朝着乐器和音符的任意组合的互动和表现力的神经合成迈出的有希望的第一步。

我们是 ShowMeAI,致力于传播AI优质内容,分享行业解决方案,用知识加速每一次技术成长!

◉ 点击 日报合辑,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。

◉ 点击 电子月刊,快速浏览月度合辑。

◉ 点击 这里 ,回复关键字 日报 免费获取AI电子月刊与论文 / 电子书等资料包。

imodels:可解释的ML包:magnifying_glass_tilted_left:,用于简洁,透明和准确的预测建模(与sklearn兼容) 可解释的机器学习模型(imodels) :magnifying_glass_tilted_left: Python软件包,用于简洁,透明和准确的预测建模。 所有sklearn兼容且易于定制。 • • imodels概述 可以轻松使用和安装各种流行的可解释模型的实现: from imodels import BayesianRuleListClassifier , GreedyRuleListClassifier , SkopeRulesClassifier from imodels import SLIMRegressor , RuleFitRegressor model = BayesianRuleListClassifier () # initialize a model model . fit ( X_train , y_train ) # fit model preds = model . predict ( X_test ) # discrete predictions: shape is (n_test, 1) preds_proba = model . p 立即下载

相关推荐

Python库 | LibMTL-1.1.5-py3-none-any.whl

资源分类:Python库 所属语言:Python 资源全名:LibMTL-1.1.5-py3-none-any.whl 资源来源:官方 安装方法:https://lanzao.blog.youkuaiyun.com/article/details/101784059

【亲测免费】 探索多任务学习的新境界:LibMTL

在深度学习领域,多任务学习(Multi-Task Learning, MTL)作为一种有效的策略,能够通过共享知识和参数来提高模型的学习效率与泛化能力。今天,我们将向大家推荐一款强大的开源库——,这是一个专门为多任务学习设计的框架,旨在为研究人员和开发人员提供一个灵活、高效且易于使用的工具。 ## **项目简介** LibMTL是由Median Research Group开发的一个Pytho...

gitblog_00014的博客 790

一文搞定3D卷积

在讨论卷积核的时候,是不把channel维加进去的 核 = 一个可以滑动的窗口 窗口内不同位置数据之间的权值共享 3D卷积,卷积核会在3个方向上运动,那么卷积核的运动需要有三个自由度(一小块立方体,在一个大面包块内3个方向上滑动 2D卷积,卷积核只在2个方向上运动,因此只有两个自由度(一小片纸,在一大张纸内2个方向上滑动 1D卷积,卷积核只在1个方向上运动,因此只有一个自由度(一条滑窗,在一大长线上1个方向上滑动 一个卷积核运算一次 得到一个输出值 以上讨论了单个卷积核,接下来考虑多通道,一个卷积核对应一

njuptalex的博客 3万+

将LibMTL应用于自定义模型

LibMTL 是一个基于 PyTorch 构建的用于多任务学习的开源库。

weixin_44918105的博客 959

无人驾驶小车调试笔记(六)-- 车轮校准

简介:小车的动力完全来自于两个电机带动的车轮,在理想状态下,给两个电机同样的驱动参数,两个车轮会以同样的转速带动小车直线行驶,而实际情况是每个电机可能都会有个体差异,也就是说给予同样的驱动参数,表现出的转动速度会有些许不同,两个轮子的差速会导致车辆拐弯,后果就是给了直线行驶的控制命令,但是车走着走着就偏离了原本的方向,所以在开始控制之前,我们需要先平衡两个车轮的转速,保证在同样驱动参数下,两个车轮转速大致相同,也就是可以走直线。 车轮校准分为3步,测试、调整后再测试、保存参...

aibingjin的博客 1823

Faster Planner——Kinodynamic Astar详解

实际成本和启发式成本 实际成本 Actual Cost   每条轨迹的真实代价函数定义如下: J(T)=∫0T∥u(t)∥2dt+ρT \mathcal{J}(T)=\int_{0}^{T}\|\mathbf{u}(t)\|^{2} d t+\rho T J(T)=∫0T​∥u(t)∥2dt+ρT 离散形式下: 启发成本 Heuristic Cost pμ∗(t)=16αμt3+12βμt2+vμc+pμc=pμc+vμc+T2∗((2∗vμc−2∗vμg)/(2∗T)−(6∗pμc−6∗pμg+6∗T∗v

漫长IT路 4835

LibMTL多任务学习库:技术原理与应用指南

LibMTL是一个基于PyTorch框架构建的多任务学习(MTL)开源库。多任务学习是机器学习领域的重要分支,它通过同时学习多个相关任务来提升模型性能。LibMTL的设计目标是提供一个功能强大且易于使用的工具,帮助研究者和开发者快速实现和比较各种多任务学习算法。 ## 核心特性 ### 统一性 LibMTL通过标准化的数据处理流程、评估指标和超参数设置,为不同MTL算法提供了公平的比较基准。

gitblog_00566的博客 834

CMake安装grpc生成gRPCTargets.cmake文件

以下是安装语句: cd grpc_folder git submodule update --init cmake .. make -j 4 sudo make install 然而编写依赖gRPC的程序,发现无法调用gRPC的CMake文件,错误提示如下所示: include could not find load file: /usr/local/lib/cmake/g...

2332

diffusion-TTS : ProDiff & FastDiff

DDPMs的模型因为迭代采样的方法,因而生成速度受限。本为提出一种快速高质量端到端TTS生成的方法:(1)使用一系列不同感知野的time-aware location-variable conv,通过adaptive condition实现了高效的长时建模。(2) 使用noise schedule predictor,在不牺牲质量的情况下减少采样步数。结果:在V100上实现58x实时。对unseen mel的泛化性比较好。首次工业级实时的diffusion-TTS。

林宋的搬砖流水账 1242

解决turmex安装kali报错问题

在手机上安装好turmex后,都喜欢安装一个Linux系统,我当时安装的时kali,但是安装过程中,报错不断。 2019.8.24更新 1,出现问题首先看下载kali源文件是否完整 安装步骤中,会显示[解压中.....] ,可以看到解压的大小。 如图所示,完整源文件不小于81M。 如果源文件过小,则说明下载错误,而且在remove kali这个命令下,是不会删除源文件的,下一次安装只...

WeiLuckyStrike的博客 1万+

二、时间序列的预处理

一般情况下,拿到一个观察值序列之后,首先要对它的平稳性和纯随机性进行检验,这两个重要的检验称为序列的预处理。根据检验的结果可以将序列分为不同的类型,对不同类型的序列我们会采用不同的分析方法。 一、平稳性检验 1、特征统计量 (1)概率分布           数理统计的基础知识告诉我们分布函数或者密度函数能够完整地描述一个随机变量的统计特征。同样,一个堆积变量族{Xt} 的统计特征也完全由...

Nicole的博客 2万+

探索高质量语音合成新境界:ProDiff项目深度解析与应用推荐

探索高质量语音合成新境界:ProDiff项目深度解析与应用推荐 随着人工智能技术的飞速发展,高质量文本转语音(Text-to-Speech, TTS)技术已经成为人机交互领域的一颗璀璨明星。在这一前沿阵地上,【ProDiff: 高质量文本至语音的渐进式快速扩散模型】脱颖而出,以其革新性的技术架构和卓越的性能,为行业带来了前所未有的声音合成体验。以下是对其深入的剖析和应用探索。 1. 项目介绍 Pr...

gitblog_00051的博客 407

C#串口通信从入门到精通(26)——多个串口多个线程发送数据和接收数据

本文介绍如何在多个串口下使用多线程进行发送和接收数据,由高级工程师多年经验总结而成,绝对是串口领域的实战经验!

qq_34059233的博客 8708

Awesome!多任务学习宝藏资料

作者|WeiHongLee整理|NewBeeNLP大家好,这里是NewBeeNLP。最近冲浪发现一份多任务学习宝藏资料,包含了领域综述、论文、代码等内容,分享给大家。感谢作者的整理,有帮助记得start噢!https://github.com/WeiHongLee/Awesome-Multi-Task-Learning Table of Contents Survey & Stu...

Kaiyuan_sjtu的博客 2284

《从理念到落地:Claude Code 在真实项目中的深度实践指南》基于 Anthropic 团队内部使用经验的扩展与深度解读,一篇面向工程团队的全面实践手册

Claude Code 支持通过# 创建新的 API 端点根据以下输入创建完整的 API 端点:资源名称:$ARGUMENTS请创建以下文件:1. `src/routes/{resource}.routes.ts` - 路由定义2. `src/controllers/{resource}.controller.ts` - 控制器3. `src/services/{resource}.service.ts` - 服务层。

AI天才研究院 484

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

【亲测免费】 LibMTL 开源项目教程

LibMTL 项目的目录结构如下: ``` LibMTL/ ├── LibMTL/ │ ├── __init__.py │ ├── config.py │ ├── data.py │ ├── metrics.py │ ├── model.py │ ├── trainer.py │ ├── utils.py │ └── weight_update.py ├── ex...

gitblog_00109的博客 718

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

多任务学习中各loss权重应该如何设计呢?

在网络架构的设计中,最简单和最流行的方法是硬参数共享(HPS,LibMTL.architecture.HPS),如图1所示,其中编码器在所有任务之间共享,每个任务都有自己的编码器以及特定的解码器。(1)把各loss统一到同一个数量级上,其背后的原因是不同任务的不同损失函数尺度有很大的差异,因此需要考虑用权值将每个损失函数的尺度统一。和每个子任务之间的约束。而对于“不同网络部分梯度的数量级”问题,虽然梯度值相同,但不同的loss在task上的表现也是不同的,所以还是要找不同loss的合适平衡点。

豆芽菜 3275

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

轻量化/高效扩散模型文献综述

近年来,计算机科学领域的生成式扩散模型迅猛发展,成为人工智能领域的热门研究方向。这一类模型,如GPT系列,以其强大的语言理解和生成能力,成功地应用于自然语言处理、文本生成、机器翻译等多个领域。然而,随着模型规模的不断扩大和任务复杂性的提高,扩散模型在实时推理上面临着巨大的计算量挑战。本文主要介绍了应对这一挑战近年来的一些经典工作。

张小殊的博客 5234

LibMTL 开源项目教程

LibMTL 是一个用于多任务学习(Multi-Task Learning, MTL)的开源框架,旨在简化多任务学习模型的开发和部署。该项目由 median-research-group 开发,提供了丰富的功能和灵活的接口,支持用户快速构建和训练多任务学习模型。 ## 项目快速启动 ### 安装 首先,确保你已经安装了 Python 3.6 或更高版本。然后,通过以下命令安装 LibMTL:...

gitblog_01102的博客 575

浙大开源快速扩散语音合成模型FastDiff和ProDiff

©PaperWeekly 原创 ·作者 |黄融杰单位 |浙江大学研究方向 |Speech/NLP扩散模型在深度生成模型中自成一派,最近成为最热门的话题之一。扩散模型展示了强大的生成能力,无论是生成高水平的细节还是其生成的多样性,都让人印象深刻。扩散生成模型将生成式建模领域的标准提高到了一个全新的水平。迄今为止,扩散模型已被应用于各种生成式语音建模任务,如语音合成(speech synthe...

Paper weekly 2038

LibMTL多任务学习库快速入门指南

LibMTL是一个专门为多任务学习(MTL)设计的高效开源库,它提供了多种任务加权策略和网络架构,帮助研究人员和开发者快速构建和评估多任务学习模型。本文将带您快速了解如何使用LibMTL进行多任务学习模型的训练和评估。 ## 准备工作:NYUv2数据集 在开始之前,我们需要准备一个多任务学习基准数据集。NYUv2是一个常用的室内场景理解数据集,包含三个关联任务: 1. 13类语义分割 2.

gitblog_00415的博客 607

LibMTL在6大基准数据集上的表现:NYUv2、Cityscapes等场景理解应用

LibMTL是一个基于PyTorch的多任务学习库,它为开发者提供了简单易用且可扩展的训练框架,帮助用户高效实现多任务学习模型。该库支持多种先进的多任务学习架构和权重优化策略,能够在各类场景理解任务中取得优异性能。 ## LibMTL框架概览 LibMTL采用模块化设计,主要包含数据加载、模型架构、权重优化、损失函数和评估指标等核心组件。其灵活的配置系统允许用户轻松调整训练参数,快速适配不同的

gitblog_00081的博客 440

python安装mtl库_生成MTLLibrary

生成Metal库有很多方法从Metal源码生成库: 将源码放进一个string中,然后使用newLibraryWithSource来构建MTLLibrary将.metal编译为.metallib,生成.metallib可以是Xcode自动生成,然后用newDefaultLibrary取出;或者手动用编译工具生成(newLibraryWithFile);还有奇技淫巧,将生成的.metal转成.h头文...

weixin_39666496的博客 505

终极指南:如何破解Android应用的FLAG_SECURE截屏限制

在Android开发和使用中,你是否经常遇到那些"禁止截屏"的应用?银行应用、支付软件、企业内部系统...这些应用通过设置FLAG_SECURE标志,像一道无形的墙,阻止你捕捉屏幕内容。今天,我要介绍一个神奇的开源项目——Enable Screenshot(原名DisableFlagSecure),它能帮你轻松绕过这些限制,让截屏自由回归! ## 为什么Android应用要阻止截屏? 首先,让

gitblog_00014的博客 501

探索文本模型的奥秘:imodelsX——可解释与引导式学习的强大力量

探索文本模型的奥秘:imodelsX——可解释与引导式学习的强大力量 项目介绍 在机器学习领域,特别是在处理文本数据时,模型的解释性和预测准确性同样重要。imodelsX,一款以scikit-learn友好的方式设计的库,为文本模型的数据提供了深入解析、预测和控制的能力。它不仅是一系列工具的集合,更是理解和调整复杂文本模型的一扇窗,使得自然语言处理(NLP)领域的探索不再是黑盒操作。 项目技术分析...

gitblog_00036的博客 392

【开源探索】有趣的多人协作在线草稿板

开源探索系统

书山有路勤为径,学海无涯苦作舟 885
上一篇: 不可以涩涩!AI续写软件初体验;迁移学习路线图;谷歌新闻非官方搜索API;CS295『因果推理』2021课程资料;前沿论文 | ShowMeAI资讯日报
下一篇: 工业场景全流程!机器学习开发并部署服务到云端
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值