Matplotlib渲染3D模型【Wavefront .OBJ】
推荐：用快速搭建可编程3D场景Matplotlib 有一个非常漂亮的 3D 界面，具有许多功能（和一些限制），在用户中非常受欢迎。然而，对于某些用户（或者可能对于大多数用户）来说，3D 仍然被认为是某种黑魔法。因此，我想在这篇文章中解释一下，一旦你理解了一些概念，3D 渲染就会变得非常简单。为了证明这一点，我们将使用 60 行 Python 代码和一个 Matplotlib 调用来渲染上面的兔子，而不使用 3D 轴。
10个值得收藏的3D任务角色下载网站
每个人都喜欢免费的东西。无论是免费的 3D 角色还是游戏资产，我们都喜欢它们。以下是可以为你的游戏获取免费 3D 角色的前 10 个网站的列表。你可以将它们用于多种用途，例如 3D 打印或动画剪辑。如果需要将下载的3D模型转换为其他格式，可以使用这个在线3D格式转换工具。
Python opennsfw/opennsfw2 图片/视频 鉴黄 笔记
大体流程，输入图片/视频，输出0-1之间的数字，一般情况下，Scores < 0.2 认为是非常安全的，Scores > 0.8 就非常可能是xx图片。nsfw（ Not Suitable for Work）直接翻译就是 工作的时候不适合看，真文雅。opennsfw2 和 opennsfw 相比，就是模型用了TensorFlow。nsfw效果，注意底部的分数。里采用的是 0.85。
onnx onnxruntime onnxruntime-gpu
（和Java生成的中间文件可以在JVM上运行一样，onnx runtime引擎为生成的onnx模型文件提供推理功能）在训练模型时可以使用很多不同的框架，比如 Pytorch， TensorFLow， MXNet，以及深度学习最开始流行的 Caffe 等等，这样不同的训练框架就导致了产生不同的模型结果包，在模型进行部署推理时就需要不同的依赖库，而且同一个框架比如 tensorflow 不同的版本之间的差异较大。
insightface使用笔记
InsightFace 高效地实现了各种人脸识别、人脸检测和人脸对齐算法，这些算法针对训练和部署进行了优化。insightface 使用 onnxruntime 作为推理后端。手动安装使用 GPU ，或者安装使用cpu。
ffmpeg 开发笔记
FFmpeg音视频处理 - 知乎通过python实时生成音视频数据并通过ffmpeg推送和混流 - 知乎直播常用 FFmpeg & ffplay 命令 - 知乎FFmpeg 备忘清单 & ffmpeg cheatsheet & Quick Reference
Stable Diffusion stable-diffusion-webui ControlNet Lora
lexica.art该网站拥有数百万Stable Diffusion案例的文字描述和图片，可以为大家提供足够的创作灵感。可以提供promt灵感。
huggingface 使用入门笔记
Hugging Face Hub和 Github 类似，都是Hub(社区)。Hugging Face可以说的上是机器学习界的Github。：Git仓库可以让你管理代码版本、开源代码。而模型仓库可以让你管理模型版本、开源模型等。使用方式与Github类似。：Hugging Face为不同的机器学习任务提供了许多预训练好的机器学习模型供大家使用，这些模型就存储在模型仓库中。：Hugging Face上有许多公开数据集。
ONNX OpenVino TensorRT MediaPipe NCNN Diffusers ComfyUI
在训练模型时可以使用很多不同的框架，比如 Pytorch， TensorFLow， MXNet，以及深度学习最开始流行的 Caffe 等等，这样不同的训练框架就导致了产生不同的模型结果包，在模型进行部署推理时就需要不同的依赖库，而且同一个框架比如 tensorflow 不同的版本之间的差异较大。和Java生成的中间文件可以在JVM上运行一样，AI技术在具体落地应用方面，和其他软件技术一样，也需要具体的部署和实施的。既然要做部署，那就会有不同平台设备上的各种不同的部署方法和相关的部署架构工具。
mac m1 代码调用 huggingface Stable Diffusion(diffusers 方式)Stable Diffusion xl
Hugging Face 平台提供了基础模型权重以及通用的模型训练框架 diffusers。
如何用套索和RobustScalar建立预测函数？
{I>在使用不同的输出时，{I>可以成功地使用cd2>函数。在这个例子中，Sklearn的预测值是4.33，我自己的函数是6.18。上问了一个关于套索回归如何工作的问题，其中一条评论提到了预测函数的工作原理与线性回归中的相同。正因为如此，我想试着用我自己的函数来做这个。因此，您手动进行预测的方法不应该考虑到它的缩放方面。这基本上只是为了扩大我对套索内部工作原理的理解。如果我删除您对模型效率的处理，我们可以得到sklearn模型的结果。我试图弄清楚如何在不使用Sklearn提供的。
利用AI技术提升乳腺癌诊断准确率
结论与影响： 该研究证明了AI技术在乳腺癌诊断中的应用潜力，为医学领域提供了更准确、更高效的诊断方法。实验结果显示，AI辅助诊断能够减少约30%的误诊和漏诊率，显著提高乳腺癌患者的生存率和生活质量。问题陈述： 传统乳腺癌诊断方法存在一定的误诊和漏诊率，导致患者得不到及时有效的治疗。数据收集与预处理：收集大量的乳腺X光图像和病理学切片数据，对图像进行预处理，去除噪声和不必要的信息，使算法能够更好地提取特征。临床应用：将优化后的模型集成到乳腺X光检查和病理学诊断的实践中，辅助医生进行更准确的诊断。
今日推荐
周排行