像素级对比学习 在Pytorch的论文提出了像素级对比学习的实现。 除了在像素级别进行对比学习之外，在线网络还将像素级别表示形式传递给像素传播模块，并向目标网络施加相似度损失。 他们在细分任务中击败了所有以前的非监督和监督方法。 安装 $ pip install pixel-level-contrastive-learning 用法 下面是一个示例，说明了如何使用该框架进行Resnet的自我监督训练，并获取第4层（8 x 8个“像素”）的输出。 import torch from pixel_level_contrastive_learning import PixelCL from torchvision import models from tqdm import tqdm resnet = models . resnet50 ( pretrained = True ) learn

Swin变形金刚-PyTorch 体系结构的实现。 本文介绍了一种称为Swin Transformer的新型视觉变形金刚，它可以用作计算机视觉的通用骨干。 在两个领域之间的差异，例如视觉实体规模的巨大差异以及与文字中的单词相比，图像中像素的高分辨率，带来了使Transformer从语言适应视觉方面的挑战。 为了解决这些差异，我们提出了一个分层的Transformer，其表示是通过移动窗口来计算的。 通过将自注意计算限制为不重叠的局部窗口，同时允许跨窗口连接，移位的加窗方案带来了更高的效率。 这种分层体系结构具有在各种规模上建模的灵活性，并且相对于图像大小具有线性计算复杂性。 Swin Transformer的这些品质使其可与多种视觉任务兼容，包括图像分类（ImageNet-1K的准确度为86.4 top-1）和密集的预测任务，例如目标检测（COCO测试中为58.7框式AP和51.1遮罩式

人工智能导论（Introduction to Artificial Intelligence），722页ppt，核心内容包括：“人工智能：一种现代的方法”【第三版，作者：罗素 (Stuart J.Russell) / 诺维格 (Peter Norvig)】详细的讲了人工智能领域，并教会从头开始编写、调试和运行（某些）AI算法。

CS188.1x-人工智能（edX） 这些是 02.2015 edX/BerkleyX 课程的作业，可在此处找到： ://www.edx.org/course/artificial-intelligence-uc-berkeleyx-cs188-1x-0 项目一 深度优先搜索 (DFS) 广度优先搜索 (BFS) 统一成本搜索 (UCS) 一星搜索 (A*) 各种启发式 文件编辑： search.py searchAgents.py 项目二 反射剂的评价函数 具有多个对手的极小极大 Alpha Beta 修剪 平均期望值 状态（而不是动作）的评估函数 文件编辑： multiAgents.py 项目3 价值迭代离线规划代理 策略计算和参数 Q-学习 Epsilon 贪婪（q-learning） 近似 q-learning 和状态抽象 具有特征和权重的近似 q-learni

PROLOG PROGRAMMING FOR ARTIFICIAL INTELLIGENCE - lvan Bratko.pdf PROLOG PROGRAMMING FOR ARTIFICIAL INTELLIGENCE - lvan Bratko.pdf

Swarm Intelligence- From Natural to Artificial Systems

2020年4月22日，兰德发布了题为《Military Applications of Artificial Intelligence—Ethical Concerns in an Uncertain World》的报告。报告中介绍了美国、俄罗斯、中国人工智能在军事领域应用情况。

TinyML实现可识别自来水龙头的声音，一旦听到声音，便会触发蜂鸣器+ LED计时器。

用了老的汉化文件覆盖结果新场景进不去了 资料片JS3 Play.exe文件

【导读】国际人工智能会议AAAI 2021论文将在全程线上举办，时间在 2 月 2 日-2 月 9 日，本届大会也将是第 35 届 AAAI 大会。大会涵盖了众多最近研究进展报告，来自MIla唐建博士、FeiWang博士、Feixiong Cheng共同做了关于人工智能药物发现的进展报告，非常值得关注! 药物发现是一个漫长而昂贵的过程，平均需要10年时间和25亿美元来开发一种新药。人工智能有潜力通过分析生物医学领域产生的大量数据，如生物测定、化学实验和生物医学文献，来显著加速药物发现的进程。最近，在许多不同的领域，包括机器学习、数据挖掘和生物医学领域，人们对开发人工智能技术用于药物发现越来越感兴趣。在本教程中，我们将详细介绍药物发现中的关键问题，如分子性质预测、新生分子设计和分子优化、反合成反应和预测、药物再利用和组合，以及针对这些问题的人工智能关键技术进展。本教程可以作为对药物发现感兴趣的计算机科学家和药物发现从业者的入门材料，以便沿着这个方向学习最新的人工智能技术。