从16-bit 到 1.58-bit ：大模型内存效率和准确性之间的最佳权衡
在本文中，我们将通过使用GPTQ对Mistral 7B、Llama 27b和Llama 13B进行8位、4位、3位和2位量化实验,还要介绍一个大模型的最新研究1.58 Bits，它只用 -1，0，1来保存权重
【深度学习应用】基于Bert模型的中文语义相似度匹配算法[离线模式]
【代码】基于Bert模型的中文语义相似度匹配算法（离线模式）
开源模型应用落地-工具使用篇-向量数据库（三）
引入向量数据库，为AI服务赋能
SSH？Termius？一篇文章教你使用远程服务器训练！
随着ai模型的发展，gpu算力和显存需求越来越高，本文教学如何使用远程云服务器训练自己模型，也可以部署模型。
人工智能、机器学习、深度学习的关系、智能分类的执行流程、IK分词器的使用
人工智能与机器学习人工智能与机器学习谈谈人工智能人工智能），英文缩写为AI。它是研究开发用于模拟延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语
人工智能的深度学习如何入门
其中，Python是最受欢迎的编程语言之一，在深度学习领域有着广泛的应用和丰富的库支持。在实践过程中，遇到的问题和挑战可以促使自己学习更多的知识，并提高自己的解决问题的能力。要保持对最新的研究成果和技术动态的了解，并不断学习和掌握新的知识和技能。首先，了解深度学习的基本概念是入门的第一步。在深度学习
什么是上游任务、下游任务？
下游任务：真正想要解决的任务。如果你想训练一个网络无论是生成任务还是检测任务，你可能会使用一些公开的数据集进行训练，例如coco，imagenet之类的公共数据集进行训练，而这些数据集可能不会很好完成你真正想完成的内容，这就意味着在解决的实际问题的数据集上，要微调这个预训练模型，而这个任务称为下游任
详解各种LLM系列｜（2）LLaMA 2模型架构、 预训练、SFT内容详解 (PART-1)
LLaMA 2模型架构、 预训练、SFT内容详解
Nomic Embed：能够复现的SOTA开源嵌入模型
Nomic-embed-text是2月份刚发布的，并且是一个完全开源的英文文本嵌入模型，上下文长度为8192.该模型有137M个参数在现在可以算是非常小的模型了。
AI大模型在金融科技领域的应用与创新
1.背景介绍随着人工智能技术的不断发展，人工智能大模型在各个领域的应用也越来越广泛。金融科技领域也不例外。在这篇文章中，我们将探讨 AI 大模型在金融科技领域的应用与创新。金融科技领域的发展主要集中在金融服务、金融风险管理、金融市场和金融产品等方面。随着数据规模的增加，计算能力的提升以及算法的创新，
开源模型应用落地-安全合规篇（一）
通过对用户输入的内容进行合法性检测，确保项目安全合规。
【探索AI】十八 深度学习之第3周：卷积神经网络（CNN）（二）-常见的卷积层、池化层与全连接层
全连接层（Fully Connected Layer）是卷积神经网络（CNN）中的一个关键组件，它通常位于网络的末端，负责将前面层提取的特征整合并映射到最终的输出结果上。全连接层的作用是将前面层（如卷积层和池化层）提取的特征进行加权求和，并通过激活函数得到最终的输出结果。
sora参考文献整理及AI论文工作流完善（更新中）
OpenAI最新发布的Sora效果惊为天人，除了阅读研究原文（openai.com/research/video-generation-models-as-world-simulators）之外，其引用的32篇参考文献也是了解对应技术路线的重要信息。借此机会，也顺便探索一下整个AI论文的工作应该是什
AI引爆算力需求，思腾推出支持大规模深度学习训练的高性能AI服务器
可见AIGC技术对社会的变革性影响，同时也引爆了AI行业对训练和推理的大模型需求。英伟达是行业翘楚，而A800又是英伟达的明星产品，其算力更是行业望其项背的存在，思腾合力IW4221-8GRs这款产品，任意两个 GPU 之间可以直接进行数据 P2P 交互，GPU 间 P2P 通信速率为 400GB/
深度学习之目标检测R-CNN模型算法流程详解说明（超详细理论篇）
RCNN算法分为4个步骤:获取候选区域：对于一张输入的图像，首先使用selective search算法获取2000个左右的候选区域。获取图像特征：将图像输入到卷积神经网络中获取图像特征，这一部分可以采用常用的图像卷积神经网络如VGGNet,AlexNet等。获取区域类别：在初步获得目标的位置之后，
优化改进YOLOv5算法之Wise-IOU损失函数
边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。如果盲目地加强低质量样本的BBR，这将危及本地化性能。Focal EIoU v1被提出来解决这个问题，但由于其静态聚焦机制（F
使用Tokeniser估算GPT和LLM服务的查询成本
Tokeniser包可以有效地计算文本输入中的令牌来估算这些成本。本文将介绍如何使用Tokeniser有效地预测和管理费用。
李宏毅2023机器学习作业1--homework1——模型创建
方便更新超参数，对模型进行参数调整。
如何检测AI辅写的疑似度：深入探讨perplexity与burstiness
为了最大化词汇所选择的perplexity，我们需要在训练AI模型时注重语言特性的学习和模仿，同时结合人类创作者的智慧，提高AI生成内容的自然度和可读性。为了最大化词汇所选择的burstiness，我们需要在AI模型中引入更多的随机性和创造性，使其生成的内容既符合语言规则，又具有独特的表达方式和创意
AI大预言模型——ChatGPT在地学、GIS、气象、农业、生态、环境等应用
AI大预言模型——ChatGPT在地学、GIS、气象、农业、生态、环境等应用
