526互联

流水线 深度 逻辑 模型

强化学习从基础到进阶--案例与实践[7.1]：深度确定性策略梯度DDPG算法、双延迟深度确定性策略梯度TD3算法详解项目实战

强化学习从基础到进阶--案例与实践[7.1]：深度确定性策略梯度DDPG算法、双延迟深度确定性策略梯度TD3算法详解项目实战 ......
梯度 确定性 算法 深度 策略

强化学习从基础到进阶-常见问题和面试必知必答[7]：深度确定性策略梯度DDPG算法、双延迟深度确定性策略梯度TD3算法详解

强化学习从基础到进阶-常见问题和面试必知必答[7]：深度确定性策略梯度DDPG算法、双延迟深度确定性策略梯度TD3算法详解 ......
梯度 确定性 算法 深度 策略

行行AI人才直播第4期： 跟随占冰强老师走近《如何定制企业专属AI大模型？》

每个企业定制专属AI大模型的目的都不同，比如某企业希望通过AI技术提升其客户服务和销售效果。该企业面临着庞大的商品数据、用户评价和客户咨询等信息，传统的处理方法已经无法满足快速发展的需求。 ......
模型 老师 人才 企业

如何高度优化适用于企业的AI (三) 上传及微调模型

接下来, 我们就要上传我们的数据, 来训练我们自己的模型了 ```bash openai api fine_tunes.create -t XXXX_jsonl-m davinci ``` 这行命令的含义是, 我们调用openAI的api 通过微调的方式来创建一个模型, `-t`的含义是指定要使用的 ......
模型 高度 企业

使用 Transformers 为多语种语音识别任务微调 Whisper 模型

本文提供了一个使用 Hugging Face 🤗 Transformers 在任意多语种语音识别 (ASR) 数据集上微调 Whisper 的分步指南。同时，我们还深入解释了 Whisper 模型、Common Voice 数据集以及微调等理论知识，并提供了数据准备和微调的相关代码。如果你想要一个 ......
多语种 Transformers 语音 模型 任务

yolov5实战之模型剪枝

续[yolov5实战之二维码检测](https://www.cnblogs.com/haoliuhust/p/15362819.html) [toc] # 前沿 在上一篇yolov5的博客中，我们用yolov5训练了一个二维码检测器，可以用来检测图像中是否有二维码，后续可以接一个二维码解码器，就可以 ......
实战 模型 yolov5 yolov

Self-Instruct 论文解读：利用大模型自己给自己生成指令数据，指令数据自动生成

## 总览 大规模“指令调整”的语言模型，即**指令微调的LLM**，已经表现出非凡的**零样本能力**，尤其是推广**新任务上**。 然而，这些模型严重依赖于人类编写的指令数据，而这些数据通常在数量、多样性和创造力方面受到限制，因此阻碍了调整模型的通用性。 基于上述背景，作者提出了**Self-i ......
指令 数据 自动生成 Self-Instruct Instruct

AIGC时代，基于云原生 MLOps 构建属于你的大模型（上）

为了满足企业在数字化转型过程中对更新迭代生产力工具的需求，灵雀云近日推出了云原生 MLOps 解决方案，帮助企业快速落地AI技术、实现智能化应用和服务。 为什么要打造云原生MLOps解决方案？ 随着信息化技术的不断发展，企业在数字化转型的过程中，需要不断地更新迭代生产力工具，从最早的将物理世界的主要 ......
模型 时代 MLOps AIGC

AIGC时代，基于云原生 MLOps 构建属于你的大模型（下）

为了满足企业在数字化转型过程中对更新迭代生产力工具的需求，灵雀云近日推出了Alauda MLOps 解决方案，帮助企业快速落地AI技术、实现智能化应用和服务。 ......
模型 时代 MLOps AIGC

WebAPI常见框架中，将Server层（业务逻辑处理层）注入到服务中的意义

一、理解 1、在常见的简单框架中 将Server层注入和常见的new相比，只是减少了new的次数，没感觉出能降低和Server层的代码耦合性，意义不大；但是有点面向接口编程的意思（Server层属于业务逻辑不是AOP中需要解耦的‘与业务无关的代码’，有点为了面向而面向了）。 2、在DDD等复杂框架中 ......
框架 逻辑 意义 常见 业务

端侧AI模型优化

LeNet，第一个可商用的神经网络，仅有5个卷积层，51K参数量。 MIT的韩松老师在2015年提出了一些观测：预先训练好的AlexNet、VGGNet模型中，去掉大约90%的参数，它的精度还是无损的。因此韩松老师开始提出一些模型压缩的技术。 模型蒸馏：去掉原始模型中的光流模块，帮助我们解决稳定性的 ......
模型

关于在大模型战略资源储备的不同阶段，B端开发者的行动策略的一些思考

一、大模型产业链的终态猜想 我们先定义理想状态下，大模型应该具备哪些综合性能： 指令理解能力：能够理解并遵循指令，并按照指令完成相应的逻辑推理、知识抽取、概念总结、API调用等任务 多语言理解能力：能够同时理解包括中文、英文等主流语言 逻辑推理能力：能够将复杂任务分解为相互串联依赖的子任务，通过分治 ......
开发者 模型 策略 阶段 战略

ABAP2UI5 项目里动态创建模型的特性介绍

这个特性使得开发人员不仅可以在 Design time 时定义模型，而且可以在运行时定义模型。 用户不需要做任何额外的工作，因为 abap2UI5 在每个 AJAX 请求期间在后台处理整个过程： ![](https://img-blog.csdnimg.cn/img_convert/2db15a9d ......
ABAP2UI5 模型 特性 项目 动态

.NET Core WEB API中参数的模型绑定方式

.NET Core WEB API中参数的模型绑定方式有以下几种： 参考文献：.NET Core WEB API中接口参数的模型绑定的理解 - 枫叶456 - 博客园 (cnblogs.com) 微软官方说明文档 FromForm：当请求属于表单提交，也就是 content-type 为 appli ......
模型 参数 方式 Core NET

论文插图也能自动生成了，用到了扩散模型，还被ICLR接收

前言 如果论文中的图表不用绘制，对于研究者来说是不是一种便利呢？有人在这方面进行了探索，利用文本描述生成论文图表，结果还挺有模有样的呢！ 本文转载自机器之心 仅用于学术分享，若侵权请联系删除 欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。 CV各大 ......
自动生成 插图 模型 论文 ICLR

实用模型推荐(三)语音转文本模型:whisper

1.开原地址:https://github.com/openai/whisper https://github.com/guillaumekln/faster-whisper 2.使用场景:语音转文字 3.api封装: import os import uvicorn from fastapi im ......
模型 语音 文本 whisper

实用模型推荐(二)中译英翻译模型:opus-mt-zh-en

1.开源地址:https://huggingface.co/Helsinki-NLP/opus-mt-zh-en 2.使用场景:中译英,多模型场景的中英转换 3.API封装 import uvicorn from fastapi import FastAPI from loguru import l ......
模型 中译英 opus-mt-zh-en opus mt

LLaMA模型微调版本 Vicuna 和 Stable Vicuna 解读

![ ](https://r3mu87a8e6.feishu.cn/space/api/box/stream/download/asynccode/?code=OWVkMTI1ZjE4Nzk5ZjZjMWMxOGI1MDA5ZjI1OWVhZGNfOEhEZVo0elRHRjRnZFZpNFMxM3 ......
Vicuna 模型 版本 Stable LLaMA

实用模型推荐(一)相似度,文本向量化:text2vec-base-chinese

1.开源地址:https://github.com/shibing624/text2vec 2.使用场景:文本相似度计算,文本转指令 3.API封装: import uvicorn from fastapi import FastAPI from loguru import logger from ......
text2vec-base-chinese 模型 文本 chinese text2

phi-1：高质量小数据小模型逆袭大模型

人工智能的三个核心要素是算力、算法和数据，这是大多数人在初识人工智能时都会接触到的一个观点。不过，在深入阐述该观点时，很多材料都倾向于解释数据「大」的一面，毕竟当前的大模型一直在由不断增加的「大数据」来推动，而且这条路似乎还没有走到极限。 不过，随着数据获取难度增加以及算力增长出现瓶颈，单纯追求「大 ......
模型 高质量 数据 phi

LangKit：大语言模型界的“安全管家”

ChatGPT等大语言模型一直有生成虚假信息、数据隐私、生成歧视信息等难题，阻碍了业务场景化落地。为了解决这些痛点并增强大语言模型的安全性，AI和数据监控平台WhyLabs推出了LangKit。（开源地址：https://github.com/whylabs/langkit） LangKit提供文本 ......
管家 模型 LangKit 语言

《安富莱嵌入式周报》第316期：垂直降落火箭模型，超低噪声测量，开源电流探头，吸尘器BLDC，绕过TrustZone，提高频率计精度，CMSIS V6.0文档

周报汇总地址：http://www.armbbs.cn/forum.php?mod=forumdisplay&fid=12&filter=typeid&typeid=104 视频版： https://www.bilibili.com/video/BV1rz4y1H71w/ 1、基于罗氏线圈的开源电流 ......
吸尘器 噪声 周报 电流 精度

深度优先搜索DFS与回溯

导入：数独问题 深入浅出程序设计竞赛187页 学生基础：必须在熟练掌握递归和暴力枚举的基础上 需要讲解：函数栈空间 P1706 全排列问题 #include<iostream> using namespace std; int n; int v[10];//标记i有没被选中 int a[10];// ......
深度 DFS

Rabbitmq：消息队列介绍、Rabbitmq安装、 基于Queue实现生产者消费者模型、基本使用（生产者消费者模型）、消息安全之ack、 消息安全之durable持久化、发布订阅闲置消费、

[toc] ### 一、消息队列介绍 #### 1.1介绍 消息队列就是基础数据结构中的“先进先出”的一种数据机构。想一下，生活中买东西，需要排队，先排的人先买消费，就是典型的“先进先出” ![image](https://img2023.cnblogs.com/blog/2970690/20230 ......
生产者 消息 Rabbitmq 模型 消费者

JMM内存模型

JMM是定义程序中变量的访问规则,线程对于变量的操作只能在自己的工作内存中进行,而不能直接对主内存操作.由于指令重排序,读写的顺序会被打乱,因此JMM需要提供原子性,可见性,有序性保证. 随着CPU和内存的发展速度差异的问题，导致CPU的速度远快于内存，所以现在的CPU加入了高速缓存，高速缓存一般可 ......
模型 内存 JMM

避免梯度爆炸：让深度学习算法快速稳定地训练

[toc] 避免梯度爆炸：让深度学习算法快速稳定地训练 作为一名人工智能专家，程序员和软件架构师，我深刻理解深度学习算法在训练过程中可能会遇到的问题——梯度爆炸。因此，在本文中，我将结合自己的经验和知识，探讨如何避免梯度爆炸，让深度学习算法能够快速稳定地训练。 1. 引言 1.1. 背景介绍 随着人 ......
梯度 算法 深度

【深度学习】基于多注意力机制的语音识别与语音合成算法设计与实现

[toc] 基于多注意力机制的语音识别与语音合成算法设计与实现 ## 1. 引言 - 1.1. 背景介绍 语音识别与语音合成是人工智能领域中的重要研究方向，语音识别可以帮助人们理解和使用语言，语音合成则可以让人们更方便地与计算机进行交互。随着深度学习算法的快速发展，基于深度学习的语音识别与语音合成算 ......
语音 算法 注意力 深度 机制

语言模型在文本挖掘中的应用：如何通过数据挖掘和机器学习技术发现文本中的有价值的信息

[toc] 语言模型在文本挖掘中的应用：如何通过数据挖掘和机器学习技术发现文本中的有价值的信息 1. 引言 1.1. 背景介绍 随着互联网的快速发展，文本数据量不断增加，人们对文本数据的需求也越来越高。文本数据具有丰富的信息量，对于企业、政府、金融等各行业来说，都具有重要意义。但是，如何从大量的文本 ......
文本 数据挖掘 模型 机器 语言

深度学习在自然语言处理领域的应用案例

[toc] 深度学习在自然语言处理领域的应用案例 引言 随着深度学习技术的快速发展，自然语言处理领域也迎来了巨大的变革。深度学习通过学习大量语料库中的语法、语义、上下文信息，使得机器在处理自然语言任务时表现更为出色。在自然语言处理领域，深度学习技术已经应用到了文本分类、情感分析、机器翻译、问答系统等 ......
自然语言 深度 案例 领域 自然

深度学习中的元学习与CatBoost的应用

[toc] 《深度学习中的元学习与 CatBoost 的应用》 1. 引言 1.1. 背景介绍 在深度学习这个领域，模型规模越来越庞大，训练时间也越来越长。为了提高模型的训练效率，研究人员提出了许多方法，其中包括迁移学习。迁移学习是指将在一个任务上训练好的模型，迁移到另一个相似的任务上，从而提高模型 ......
深度 CatBoost
共5400篇  :102/180页 首页上一页102下一页尾页