探索大语言模型垂直化训练技术和应用-陈运文
产品化的是请垂直领域的专家，针对每项垂直任务，来设计用于生成 prompt 的产品，由专家编写大量不同的 prompt，评估或输出好的 prompt 后，进行片段切分，形成相应的产品，这对未来 AIGC 任务会起到很好的作用。由上往下，当计算机做一个长文档的规划协作生成的内容，我们让相应的其他模型做
对yolov5的数据集进行划分【训练集、验证集、测试集】7：2:1和【训练集、验证集】8:2
对yolov5的数据集进行划分【训练集、验证集、测试集】7：2:1和【训练集、验证集】8:2
模型优化之模型剪枝
（2）非结构化剪枝：把权重矩阵中某个神经元节点去掉，则和神经元相连接的突触也要全部去除。可以通过计算神经元对应的行和列的权重值的平方和的根的大小进行排序，把排序在后面一定比例的神经元节点去掉。Pytorch中模型的剪枝方法有三种，局部剪枝、全局剪枝和自定义剪枝。接下来开始演示三种剪枝在LeNet网络
解决d2l包下载不了的问题
d2l包是李沐老师等人开发的《动手深度学习》配套的包，最初的时候，我并没有安装的想法，可在代码实现方面，常常要自己写函数实现同样的效果，且因为用于Tensor数据的一些转换，让人颇感吃力（比如显示图片）。所以，今天在尝试安装，具体的方法李沐老师也给出了，但我的频繁报错，所有大家不妨先去看看李沐老师提
pytorch对网络层的增加，删除，变更和切片
今天在这里纪录一下如何对torch网络的层进行更改：变更，增加，删除与查找这里拿VGG16网络举例，先看一下网络结构。
深入理解机器学习——关联规则挖掘：基础知识
许多商业企业在日复一日的运营中积聚了大量的数据。例如，食品商店的收银台每天都收集大量的顾客购物数据。下图给出一个这种数据的例子，通常称作购物篮事务（Market Basket Transaction）。表中每一行对应一个事务，包含一个唯一标识TID和给定顾客购买的商品的集合。零售商对分析这些数据很感
tensorflow1 tensorflow 2 安装配置（cpu+gpu）windows+linux 新版2.12+
tensorflow安装 2.12版本开始，GPU的包名发生变化，安装方法略有不同
[课程笔记]（李沐-动手学深度学习）
比如y=|x|的导数，可以在[-1,1]之间取任意值将导数拓展到向量->梯度第一种情况：y标量x向量（y标量x向量）补充：内积可以这样来理解向量内积：向量a、b的内积等于向量a在b方向的分量（或投影）与b的内积，当a、b垂直时，a在b方向上无分量，所以内积为0。其他几何意义：从内积数值上我们可以看出
一文了解scATAC-seq分析的一些必知概念
本文是作者在进行scATAC-seq时进行的一些基础知识铺垫
Transformers实战——使用Trainer类训练和评估自己的数据和模型
使用Transformers中的Trainer类训练自己的模型
深度学习(23):SmoothL1Loss损失函数
SmoothL1Loss损失函数
公开 学生课堂行为数据集 SCB-Dataset Student Classroom Behavior dataset
公开 学生课堂行为数据集 SCB-Dataset Student Classroom Behavior dataset
Google开源了可视化编程框架Visual Blocks for ML
Visual Blocks for ML是一个由Google开发的开源可视化编程框架。它使你能够在易于使用的无代码图形编辑器中创建ML管道。
Hugging Face中的Accelerate：让训练速度飞起来
Hugging Face是人工智能领域中一个非常受欢迎的开源工具库，提供了许多方便的自然语言处理和深度学习模型，如BERT、GPT-3等。其中，Accelerate是Hugging Face中非常有用的一个工具，它可以大幅提高模型的训练速度。本文将详细介绍Accelerate的原理、用法以及代码实现
Prompt、RAG、微调还是重新训练？如何选择正确的生成式AI的使用方法
从以上所有的比较中可以明显看出，没有明显的输赢。因为最终的选择取决于设计解决方案时最重要的指标是什么，我们的建议如下：当希望在更改模型和提示模板方面具有更高的灵活性，并且用例不包含大量域上下文时，可以使用Prompt Engineering。当想要在更改不同组件(数据源，嵌入，FM，矢量引擎)方面具
人工智能大模型和数据中台结合，实现“智能数据中台”的AI时代的数字化解决方案
在当今数字化时代，企业面临着海量数据的挑战，如何高效地管理和利用这些数据成为了企业发展的关键。数据中台是解决这一问题的重要手段，它可以等方面的工作，实现。而的出现，为数据中台的发展带来了新的机遇和挑战。本文将介绍人工智能大模型和数据中台的结合，探讨如何实现“”的数字化解决方案。
T5模型简单介绍
谷歌公司的研究人员提出的T5（Text-to-Text Transfer Transformer，有5个T开头的单词，所以叫做T5）模型采用了一种与前述模型截然不同的策略：将不同形式的任务统一转化为条件式生成任务。
Halcon中亚像素边缘，轮廓提取处理的各种方法
halcon中亚像素轮廓提取目前来看，提取亚像素轮廓有三种思路
锂电池寿命预测 | Pytorch实现基于Transformer 的锂电池寿命预测（NASA数据集）
锂电池寿命预测 | Pytorch实现基于Transformer 的锂电池寿命预测（NASA数据集）
学习Segformer语义分割模型并训练测试cityscapes数据集
官方的segformer源码是基于MMCV框架，整体包装较多，自己不便于阅读和学习，我这里使用的是Bubbliiiing大佬github复现的segformer版本。Bubbliiiing大佬代码下载链接：https://github.com/bubbliiiing/segformer-pytorc
