CASIA语音情感语料库，共包括四个专业发音人，六种情绪生气（angry）、高兴（happy）、害怕（fear）、悲伤。4个人（2男2女），50个句子，6种情绪，即不同人对相同的文本赋以不同的情感来阅读，这些语料可以用来对比分析不同情感状态下的声学及韵律表现。

这个 GPT 链接是 OpenAI 的 GPT-3.5、4 模型，它是目前最先进的自然语言处理模型之一。使用这个链接可以让你与该模型进行实时对话，输入文本后，该模型会给出一个智能的、语义正确的回答。这个链接可以用于多种场景，例如智能客服、智能助手等。基于 GPT-3.5、4 模型的强大能力，它可以提供高质量的自然语言理解和生成功能，为人们的生活和工作带来便利。

中国科学技术大学信息学院自动化系2021～2022 学年第 2 学期考试a试卷 ，答案解析均在，分享给对人工智能有兴趣的小伙伴或考研中科大同学作参考。

离线文字转语音——Overtone - Realistic AI Offline Text to Speech (TTS)

Agent的起源 Agent的概念来自于哲学领域，在哲学中，"Agent"（代理人）通常指的是能够主动行动、具有意识或意愿、有能力做出决策和选择的实体。这个概念涵盖了人类、动物和可能的人工实体（比如机器人或计算机程序）。Agent的定义和性质在不同的哲学学派和文化背景下可能有所不同，但通常都涉及到有目的地行动和意识的存在。 自1980年代中期以来，计算机和人工智能领域对Agent的研究显著增加，Wooldridge等人首次将Agent引入到人工智能，并以此为基础来定义人工智能：它是计算机科学的一个子领域，旨在设计和构建表现出智能行为方面的计算机化代理人。在这个人工智能的定义中，比较模糊的词就是“智能行为”，我个人理解智能行为基本上可以等同于哲学领域所提出的主动行动、具有意识或意愿、有能力做决策和选择，区别在于哲学领域的Agent可以是人类、动物，而计算领域则是计算实体。引述的理解：实质上，人工智能Agent并不等同于哲学上的 Agent；相反，它是在人工智能背景下哲学 Agent概念的具体化。在对AI Agent的研究中，将人工智能Agent视为能够使用传感器感知其环境、做出决策，然

DETRs Beat YOLOs on Real-time Object Detection组会汇报 现有的实时检测器一般为基于cnn的架构，在检测速度和准确性上实现了合理的权衡。然而，这些实时检测器通常需要NMS来进行后处理，这通常很难进行优化，而且不够健壮，从而导致检测器的推理速度慢。近年来，基于transformer的检测器取得了显著的性能。然而，DETR的高计算成本问题尚未得到有效的解决，这限制了DETR的实际应用，导致无法充分利用其好处。虽然DETR简化了目标检测流程（pipeline）的过程，但由于模型本身的计算成本高，很难实现实时目标检测。本文重新考虑了DETR，并对其关键组件进行了详细的分析和实验，减少了不必要的计算冗余。提出了一种实时检测器（RT-DETR），RT-DETR不仅在精度和速度方面优于目前最先进的实时检测器，而且不需要后处理，因此检测器的推理速度没有延迟，而且保持稳定，充分利用了端到端检测流程（pipeline）的优势。

使用说明 分对话系统和机器翻译两部分 data为数据集 model为训练的模型 translation文件夹下又分了Seq2Seq和transformer两个模型，大家按需查看使用 以transformer文件夹为例，attention.py主要实现了注意力机制，transformer.py实现了transformer的主体架构，data.py为数据的预处理以及生成了词典、dataset、dataloader，readdata.py运行可以查看数据形状，train.py为训练模型，predict.py为预测，config.py为一些参数的定义。 transformer机器翻译的模型是用cuda:1训练的，如果要使用可能需要修改代码 如：gpu->cpu，即在CPU上使用 torch.load('trans_encoder.mdl', map_location= lambda storage, loc: storage) torch.load('trans_decoder.mdl', map_location= lambda storage, loc: storage)

八数码问题网页可视化

AI配音专家，只需要把文案就可生成几十种声音的音频，萝莉音，御姐音，东北方言，四川方言，粤语，还有英文发音。

基于 pytorch-transformers 实现的 BERT 中文文本分类代码 数据： 从 THUCNews 中随机抽取20万条新闻标题，一共有10个类别：财经、房产、股票、教育、科技、社会、时政、体育、游戏、娱乐，每类2万条标题数据。数据集按如下划分： 训练集：18万条新闻标题，每个类别的标题数为18000 验证集：1万条新闻标题，每个类别的标题数为1000 测试集：1万条新闻标题，每个类别的标题数为1000