AI、ML、DL 和 DS 之间的区别
人工智能 数据分析 数据科学 深度学习 机器学习 神经网络在本文中，我们将了解 AI（人工智能）、ML（机器学习）、DL（深度学习）和 DS（数据科学）之间的区别。这些术语经常互换使用，但实际上，它们指的是计算机科学和数据分析领域内的不同概念。
人工智能背后的图灵测试(TuringTest)是什么？
图灵测试作为AI领域的经典测试方法，为我们提供了评估机器智能的一个重要基准。尽管存在一定的局限性，但它依然激励着研究人员不断追求更高水平的人工智能。通过深入理解图灵测试的原理和背后公式，以及具体的样例，我们可以更好地认识机器智能的发展现状和未来前景。随着大规模语言模型的发展，图灵测试也在不断演进，面
Spark DAG原理与代码实例讲解
Spark DAG原理与代码实例讲解1. 背景介绍1.1 大数据处理的挑战在大数据时代,我们面临着海量数据处理的巨大挑战。传统的数据处理方式已经无法满足实时性、高吞吐量的需求。Spark作为一个快速、通用的大规模数据处理引擎,为
手把书教你使用YOLOv9训练自己的数据集(附YOLOv9网络结构图)
YOLOv9通过研究数据传输时的信息丢失问题，提出了可编程梯度信息（PGI）和通用高效层聚合网络（GELAN）架构，提高了参数利用率和模型性能。与SOTA方法相比，GELAN仅使用传统卷积算子即可实现更好的参数利用率。PGI适用于从轻型到大型的各种模型，使从头开始训练的模型能够获得更好的结果。YOL
大语言模型VRAM估算指南和工具介绍
在本文中，我们将深入研究如何计算执行LLM推理所需的VRAM数量。确定在LLM上运行或执行推理所需的GPU VRAM通常是一个挑战。
ReadAgent，一款具有要点记忆的人工智能阅读代理
ReadAgent的工作流程，包括分页、主旨压缩和交互式查找Figure 1展示了 ReadAgent 的工作流程，这是一个模仿人类阅读习惯设计的系统，旨在有效处理和理解长文本。分页（Episode Pagination）：系统将长文本分解为一系列较小的、逻辑上连贯的文本块，即“剧集”，类似于将一本
【AI大数据计算原理与代码实例讲解】ElasticSearch
作者：禅与计算机程序设计艺术Artificial Intelligence; 大数据: Big Data; Elasticsearch: 数据检索引擎背景介绍 - Introduction在当今这个数据爆炸的时代，企业及个人越来越依赖于数据分析和处理能力。面对海量的数据集，传统的数据库系统往
使用vLLM在一个基座模型上部署多个lora适配器
在本文中，我们将看到如何将vLLM与多个LoRA适配器一起使用。我将解释如何将LoRA适配器与离线推理一起使用，以及如何为用户提供多个适配器以进行在线推理。
Spark Streaming原理与代码实例讲解
随着大数据时代的到来，对实时数据处理的需求日益增加。传统的批处理模式已经无法满足业务对实时性的要求。Spark Streaming作为一种基于Spark的流式计算框架，能够以接近实时的速度处理大规模的数据流，并提供了丰富的流式计算API，为用户提供了一种简单易用的流式数据处理方案。Spark Str
Spark Stage原理与代码实例讲解
Spark采用DAG（有向无环图）结构来表示计算任务，DAG中的每个节点代表一个操作，边表示数据依赖。Spark Stage划分算法根据DAG结构，将DAG分解为最小的并行可执行单元，即Stage。每个Stage对应一个独立的内存空间，用于存储中间结果和执行计算任务。通过深入研究Spark Stag
用PyTorch 从零开始构建 BitNet 1.58bit
我们手动实现BitNet的编写，并进行的一系列小实验证实，看看1.58bit 模型是否与全精度的大型语言模型相媲美！
AI：204-使用深度学习改进自然语言生成对话系统【技术、模型与实践】
从基础到实践，深入学习。无论你是初学者还是经验丰富的老手，对于本专栏案例和项目实践都有参考学习意义。每一个案例都附带关键代码，详细讲解供大家学习，希望可以帮到大家。正在不断更新中~
Transformer和Mamba强强结合！最新混合架构全面开源，推理速度狂飙8倍
最近发现，，效果会比单独使用好很多，这是因为该方法结合了Mamba的长序列处理能力和Transformer的建模能力，可以显著提升计算效率和模型性能。典型案例如大名鼎鼎的Jamba：Jamba利用Transformer架构的元素增强Mamba 结构化状态空间模型技术，提供了 256K 上下文窗口，吞
模型量化技术综述：揭示大型语言模型压缩的前沿技术
在这篇文章中，我将在语言建模的背景下介绍量化，并逐一探讨各个概念，探索各种方法论、用例以及量化背后的原理。
Mooncake：LLM服务的KVCache为中心分解架构
24年6月AI公司月之暗面的技术报告“Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving”。
时空预测又爆火了！新SOTA实现零样本精准预测
时空预测又有新突破啦！港大、华南理工等提出了时空大模型UrbanGPT，在性能上猛超现有SOTA，实现零样本即可时空预测！另外还有清华的首个通用城市时空预测模型UniST、能即插即用快速适配的时空提示调整机制FlashST...这些效果非常nice的研究都被ICML等各大顶会顶刊收录，可见目前有关时
【PyTorch】多对象分割项目
对象分割任务的目标是找到图像中目标对象的边界。实际应用例如自动驾驶汽车和医学成像分析。这里将使用PyTorch开发一个深度学习模型来完成多对象分割任务。多对象分割的主要目标是自动勾勒出图像中多个目标对象的边界。对象的边界通常由与图像大小相同的分割掩码定义，在分割掩码中属于目标对象的所有像素基于预定义
【传知代码】LAD-GNN标签注意蒸馏（论文复现）
在当今的数据科学领域，Graph Neural Networks (GNNs) 已成为处理图结构数据的强大工具。然而，传统的GNN在图分类任务中面临一个重要挑战——嵌入不对齐问题。本文将介绍一篇名为“Label Attentive Distillation for GNN-Based Graph C
【人工智能】Transformers之Pipeline（七）：图像分割（image-segmentation）
本文对transformers之pipeline的图像分割（image-segmentation）从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍，读者可以基于pipeline使用文中的2行代码极简的使用计算机视觉中的图像分割（image-segmentation
Transformer预测模型及其Python和MATLAB实现
通过将输入的查询、键和值线性变换为多个不同的头部，然后并行计算每个头的注意力，最后将所有头的结果拼接后经过线性变换。- **查询（Query）、键（Key）和值（Value）**：对输入的词嵌入进行线性变换，得到查询、键和值。- **解码器**：解码器结构类似于编码器，但在每个层中加入了对先前生成的
