1.Transformer背景介绍 2.Transfromer整体架构 3.Transformer输入部分 4.Transfromer的编码器 5.Transfromer的解码器 6.Transformer输出部分 7.Transfromer其他部分 1.GPT-1 和 Bert 2.GPT-2 3.GPT-3 Transformer在深度学习环境下背景： 17年自Attention is all you need提出后，开始在NLP（自然语言处理）领域大放异彩 20年后，开始在CV领域发光，到现在基本一统天下了 其在NLP和CV领域下的许多分类、分割、检测等任务下均刷榜 总结一下Transformer模型。 从论文本身来看，其最大的创新在于提出的注意力机制，即多头注意力层，并嵌入到一个模块化可堆叠的模型结构中。一开始Transformer被用于机器翻译，但它也能够用在几乎所有的NLP任务上。自它之后，整个深度学习重心开始转向NLP方面。 4..InstructGPT和ChatGPT 1.VIT 2.Clip与DallE-1 3.DiffusionModel和DallE-2

【MATLAB教程案例63】学习如何建立自己的深度学习训练样本库，包括分类识别数据库和目标检测数据库这个课程中，所需要的样本图片测试。

蔬菜分类图像数据集，该数据集包含三个文件夹train(15000张图片)test(3000张图片)validation(3000张图片)以上每个文件夹都包含不同蔬菜的子文件夹，其中分别显示了不同蔬菜的图片，常见的15种蔬菜。有豆子、苦瓜、冬瓜、茄子、西兰花、卷心菜、辣椒、胡萝卜、花椰菜、黄瓜、木瓜、土豆、南瓜、萝卜和西红柿。15个类的21000张图片，其中每个类包含1400张图片，大小为224×224

SZ-taxi。该数据集由深圳2015年1月1日至1月31日的出租车轨迹数据组成，本文选取罗湖区156条主要道路作为研究区域。实验数据主要包括两部分。一个是156*156的邻接矩阵，它描述了道路之间的空间关系。每一行表示一条道路，矩阵中的值表示道路之间的连接性。另一个是特征矩阵，它描述了每条道路上的速度随时间的变化。每一行代表一条路，每一列是不同时段道路上的交通速度。每15分钟计算一次每条路上的车速。GNN-LSTM GCN GNN LSTM RNN

跨模态检索指的是：根据一个模态的查询样本，在另一个模态上搜索相关的样本。 例如，给出一张图像，去检索包含相同对象或主题的文本描述；或是给出一段文本，去检索带有其描述对象的图片。 但由于各模态之间具有不同的数据表现形式，所以不同模态的样本间并不能直接进行相似性比较。 以Pascal Sentence数据集为实力，用pytorch写一个demo 文章链接：https://blog.csdn.net/zzpl139/article/details/128372023

自己写的代码实现研赛华为杯建模竞赛题，Python代码 有运行结果 原创 包括部分重要代码，包括各类数据预处理，建模，预测，数据分析等，获奖项目

该数据包含多云、下雨、晴、日出四种类型天气的照片。分为四个文件夹，每个文件夹对应着该类型的天气图片。 | 文件夹名称 | 天气类型 | 数据量 | |--|--|--| | cloudy | 多云| 300| rain|下雨|215 shine| 晴|253 sunrise| 日出|357

共100多张高清图片和对应的图像xml汽车坐标

大家好，今天给大家带来一个卷积神经网络（CNN）数学图形识别项目(简单入门版)，这个是人工智能解题的基础，机器首先通过题目识别出题目中的文字和图形，读懂题目的含义，这个是个相对复杂的过程。就在今年的1月4日，麻省理工学院等四所高校的联合研究团队，发布了一项最新研究成果：他们开发了一个神经网络，可以解答出微积分、线性代数等大学数学题。不管是要求计算数值，还是写方程式，或者画出函数图形，都能轻易解答，正确率达到了100%。要知道，在短短几个月前，人工智能解答类似的题，最高正确率不到10%。

中文乐谱数据集内含几百首乐谱格式为xml可以作为歌声合成的数据集.zip