大语言模型的Scaling Law：如何随着模型大小、训练数据和计算资源的增加而扩展
在这篇文章中，我们将介绍使这些模型运作的秘密武器——一个由三个关键部分组成的法则：模型大小、训练数据和计算能力。通过理解这些因素如何相互作用和规模化，我们将获得关于人工智能语言模型过去、现在和未来的宝贵见解。
【人工智能】Transformers之Pipeline（五）：深度估计（depth-estimation）
本文对transformers之pipeline的深度估计（depth-estimation）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使用文中的代码极简的使用计算机视觉中的深度估计（depth-estimation）模型，应用
人工智能与伦理挑战：多维度应对策略
人工智能技术近年来取得了迅猛发展，广泛应用于医疗诊断、金融分析、教育辅助、自动驾驶等各个领域，极大地提升了生产效率和服务质量，推动了科技进步和商业创新。然而，伴随其普及和应用的泛滥，AI也带来了数据隐私侵犯、信息茧房、算法歧视、虚假信息传播等诸多问题，导致社会信任危机和伦理道德挑战凸显。这种技术的双
贝叶斯分析与决策理论：用于确定分类问题决策点的应用
在分类问题中，一个常见的难题是决定输出为数字时各类别之间的切分点。
2024世界人工智能大会：AI产品技术与未来趋势的深度解析
随着2024年世界人工智能大会（WAIC 2024）在上海的圆满落幕，我们见证了人工智能技术的又一次飞跃。本次大会以“以共商促共享，以善治促善智”为主题，汇聚了全球顶尖的智慧，共同探讨了AI技术的未来趋势和应用前景。以下是我们为您精心整理的本次大会的亮点与趋势，希望能够为您的视野增添一抹亮色。
AI：199-利用深度学习进行语音情感分析
我们将使用RAVDESS（Ryerson Audio-Visual Database of Emotional Speech and Song）数据集，该数据集包含了24位不同演员模拟的7种不同情感的语音样本。在本文中，我们深入探讨了利用深度学习进行语音情感分析的方法和应用。首先，我们介绍了深度学习
用PyTorch从零开始编写DeepSeek-V2
DeepSeek-V2是一个强大的开源混合专家（MoE）语言模型，通过创新的Transformer架构实现了经济高效的训练和推理。该模型总共拥有2360亿参数，其中每个令牌激活21亿参数，支持最大128K令牌的上下文长度。
【AI大模型】RAG 与 Embedding
从而在几乎不影响最终效果的情况下降低向量检索与相似度计算的复杂度。text-embedding-ada-002 只支持1536维计算。
VQ-VAE：矢量量化变分自编码器，离散化特征学习模型
VQ-VAE 是变分自编码器（VAE）的一种改进。这些模型可以用来学习有效的表示。本文将深入研究 VQ-VAE 之前，不过，在这之前我们先讨论一些概率基础和 VAE 架构。
PyTorch Tabular：高效优化结构化数据处理的强大工具
PyTorch Tabular 是一个用于构建和训练深度学习模型以解决各种表格数据问题的库。
【AI智能体】AI Agent 智能体管理平台SuperAGI深度学习
开发优先的开源自主人工智能代理框架，使开发人员能够构建、管理和运行有用的自主代理。您可以无缝运行并发代理，使用工具扩展代理功能。代理有效地执行各种任务，并在每次后续运行中不断提高其性能。配置、生成和部署自主 AI 代理- 创建生产就绪且可扩展的自主代理。使用工具包扩展代理功能 - 将我们市场中的工具
人工智能及深度学习在病理组学中的应用概述｜系列推文·24-07-11
首先，小罗会带大家回顾计算机和编程的起源，解释从最初的电子计算器到现代计算机的发展历程，以及高级编程语言如何简化计算机指令的编写。其次，本期推文会深入探讨机器学习的不同类型，包括深度学习、神经网络和其他学习算法，以及它们如何被应用于解决实际问题，特别是在病理学领域。最后，小罗会列举一些AI技术当前面
AI人工智能深度学习算法：在生物信息学中的应用
在过去的十年里，人工智能（AI）和深度学习技术在各个领域都取得了突破性的进展。其中，生物信息学作为一个交叉学科，正在经历一场由AI驱动的革命。生物信息学结合了生物学、计算机科学和统计学，旨在解析和理解海量的生物数据。随着高通量测序技术的发展和生物大数据的积累，传统的数据分析方法已经难以应对日益增长的
Mamba深度解析：AI模型的新突破
Transformer模型中的每个token在进行预测时都可以回顾所有之前的token，这导致了训练时的时间复杂度为O(n²)，即所谓的“二次瓶颈”。人工智能领域迎来了一位新星——Mamba，这是一种基于状态空间模型（SSMs）的新型AI模型，它作为Transformer模型的有力竞争者，解决了后者
【人工智能】学习人工智能需要学习哪些课程，从入门到进阶到高级课程区分
基于人工智能的多学科特性和其广泛的应用领域，学习这一技术涉及从基础理论到实践应用的各个层面。入门阶段应重点掌握数学基础、编程语言学习以及数据结构和算法等。进阶阶段需要深入机器学习、深度学习以及自然语言处理等专题。高级课程则包括专业核心课程、认知心理学与神经科学基础以及计算机图形学等课程。
使用Pytorch中从头实现去噪扩散概率模型（DDPM）
在本文中，我们将构建基础的无条件扩散模型，即去噪扩散概率模型（DDPM）。从探究算法的直观工作原理开始，然后在PyTorch中从头构建它。本文主要关注算法背后的思想和具体实现细节。
谷歌的时间序列预测的基础模型TimesFM详解和对比测试
在本文中，我们将介绍模型架构、训练，并进行实际预测案例研究。将对TimesFM的预测能力进行分析，并将该模型与统计和机器学习模型进行对比。
2024-04-05 问AI: 介绍一下深度学习中的Leaky ReLU函数
然而，当使用ReLU激活函数时，可能会遇到训练缓慢的问题，尤其是在网络的早期层，因为梯度可能会在网络的反向传播过程中消失（即，梯度变为非常小的值，接近零）。Leaky ReLU是一种修正线性单元（Rectified Linear Unit， ReLU）函数，也是深度学习中常用的激活函数，通常指代以斜
labelme用AI模型时闪退（win10系统）
解决win10系统中实用labelme的ai标注闪退问题
Pytorch的编译新特性TorchDynamo的工作原理和使用示例
TorchDynamo 是一个由 PyTorch 团队开发的编译器前端，它旨在自动优化 PyTorch 程序以提高运行效率。
