自己训练的superpoint与superglue模型

资料是我发表文章的pdf版，需要人工智能 机器学习 （西瓜书）笔记的小伙伴们可以自取。后面我会陆续更新相关章节的笔记 pdf.

具体的项目代码，包括数据获取、标注、模型训练测试、以及实际操作

分享一个入门的pytorch 常用函数查阅手册内容概要：本文档详细介绍了 PyTorch 中常用的函数，覆盖了从基础的张量操作到高级的模型训练和优化技巧。文档内容包括张量的基本操作、随机抽样、数学运算、损失函数（如 SmoothL1Loss、MultiLabelMarginLoss、CosineEmbeddingLoss 等）、初始化方法（如 kaiming_normal、orthogonal 初始化）、RNN 工具函数、并行计算以及优化器的使用等。适合人群：适用于初学者和有一定经验的开发者，尤其是那些希望深入了解 PyTorch 框架内部机制的深度学习从业者。使用场景及目标：①帮助开发者掌握 PyTorch 的基本操作和高级功能，提升模型训练效果；②提供详细的代码示例和理论解释，便于理解和实际应用。其他说明：文档还提供了大量的代码示例和注意事项，确保读者能够更好地理解和应用这些函数和技术。

该资源是基于MATLAB软件环境开发的锂电池Battery Management System (BMS)仿真模型。该模型的目的是对锂电池的管理系统进行详尽和深入的研究和模拟，这对于理解其工作原理和提升它的性能是至关重要的。该模型可用于模拟和预测锂电池在各种工况下的性能和状态。通过使用此模型，你可以模拟电池的充电和放电过程，我并分析这些过程中电池的电压、电流、状态量等参数的变化。此外，也可以利用MATLAB的强大的数据分析和处理功能，通过模型实现对BMS控制策略的优化设计，为BMS的研究、设计和改进提供有力的工具。该模型可以直接生成C代码，可以直接把.c、.h文件放到工程中即可使用。需要注意的是，使用此资源需要具备基础的MATLAB软件操作知识，同时对电池技术、电池管理系统以及相关仿真技术有一定的了解。只有这样，才能充分的利用此资源进行产品研发和技术创新。

本资源整合了低照度图像增强领域广泛使用的五个无监督基准数据集，适用于算法开发、性能验证与学术研究，具体包含：DICM数据集（Diverse Composition Low-Light Images）包含大量真实场景低照度图像，涵盖复杂光照条件与多样化物体组合特点：具有动态范围差异显著的混合照明场景典型应用：算法泛化能力验证LIME数据集（Low-Light Image Enhancement）由李泽峰团队构建的经典基准库特点：聚焦极暗环境下拍摄的原始RAW格式图像典型应用：暗部细节恢复与噪声抑制研究MEF数据集（Multi-Exposure Fusion）专为多曝光融合技术设计的图像集合特点：包含同一场景不同曝光程度的序列图像典型应用：HDR重建与动态范围扩展VV数据集（Vasily-Vadim Benchmark）高分辨率自然低光场景集合特点：包含城市夜景、室内弱光等真实拍摄场景典型应用：真实场景算法性能评估NPE数据集（Naturalness Preserved Enhancement）强调自然视觉保持的测试集

内容概要：本文详细介绍了DeepSeek——一款专注于通用人工智能（AGI）的中国科技公司所研发的强大开源推理模型。该模型在处理文本生成、语义理解、知识推理和编程任务等方面表现出色。文档涵盖其核心技术、应用场景及使用指南，帮助用户从入门逐渐过渡到高级应用。文中特别强调了DeepSeek-R1的特点及其相对于其他模型的优劣，并详细讲解了如何设计高效提示语以充分利用其潜能。此外，还讨论了有关提示语策略和设计技巧的相关知识，以助用户提升模型的表现。最终，文章给出了从“下达指令”到“表达需求”的转变建议。适合人群：从事人工智能及相关领域科研和技术工作的专业人士，对大型语言模型感兴趣的从业者，特别是希望通过提示语设计提升模型效能的用户。使用场景及目标：①了解DeepSeek的背景与发展历程；②掌握其核心技术和应用场景，尤其是在智能对话、文本创作等方面的应用；③学会设计高效的提示语并应用于实际项目中；④优化人机协作过程以最大化AI工具的效果。其他说明：文中不仅介绍了技术层面的内容，而且针对提示语设计和实际应用提供了实用的方法和策略，是一份详尽的技术指南，也是通往高水平AI运用的重要参考资源。

DeepSeek-V3技术报告

头歌-计组实验-运算器设计(HUST)，免费，不需要积分

yolov8调用zed相机实现三维测距（版本一），具体内容见博客https://*************/qq_45077760?type=blog

人工智能及其应用第六版课后答案

yolo-world官方代码，预测 + 训练

使用C#进行Yolo模型的Predict和Segment两个场景的训练及推理，包括Yolov5、Yolov8、Yolov11，尺寸覆盖n、s、l、m、l、x的大小。本压缩包中只包含了各模型的n大小的预训练权重，更多尺寸的预训练权重请在 https://github.com/IntptrMax/YoloSharp下载。另外该项目已经打包成dll并发布在了Nuget上，使用IntptrMax.YoloSharp即可直接使用。