silicon

在上一篇《适用于Transformer的图像编码/解码技术探索 ViT/VAE》中，我门开始了一项非常有挑战性的工作，接下来会陆续发布实验测试结果 实验1： 实验1希望尽可能从本质出发，分析ViT图像

在之前的文章中，我们花了一年左右的时间对Transformer技术本身进行了较全面的测试，包括： 1、逻辑运算 为何简单的乘法ChatGPT会算错？ 大型语言模型（LLM）为什么连数数都做不好？ 2、

在使用ChatGPT等语言模型进行对话时，常常会输入带文字的图片，此时需要模型能准确地识别图片中的文本内容，再进一步理解文本内容。识别是基础，对算力要求比较低，本文重点关注文本识别部分 首先是合成训练

最近看了篇文章《生成模型大道至简｜Rectified Flow基础概念》，看上去很简单的，决定自己做个实验测试下 很多人喜欢拿MNIST数据集来做入门实验，个人不建议，主要是MNIST图片太小，不便于

正解/逆解 求正解/逆解有现成的库，参考https://github.com/petercorke/robotics-toolbox-python，代码如下： 输出： 可视化也很方便 输出： STEP

从今天开始准备写《基于深度学习的机器人智能控制算法》 以普通的六轴机器人抓取为例，模型输入是多个摄像头采集到的图像，输出是机器人每个轴的动作或末端执行器的动作 我觉得在这个项目中，99%以上的时间都应

本文使用ResNet+BERT分类模型来实现APA自动泊车算法 首先定义模型的输出动作类别 类别名 说明 S0 停车 S+ 直行前进单位距离 S- 直行后退单位距离 L+ 左转前进单位角度 L- 左转

我觉得GPT模型的训练方法本身是存在缺陷的 一般生成式任务，给定输入，会存在多个正确的解，而在一条训练样本中，只会标出一个正确的解。那一定会存在一种情况：在训练过程中，给定输入，模型已经生成了正确的答

记得很多次模型无法收敛，最后都是通过调参来解决 调参绝不只是锦上添花，而是系统的关键之一 说调参是核心技术也不为过 再好的模型，若没有与之匹配的调参方法就没法发挥出其潜力 但调参也是最枯燥的工作之一，