Skeleton Recall Loss 分割领域的新突破：极大的减少了资源消耗，还能提高性能
这篇论文则介绍了一个新的损失：Skeleton Recall Loss，我把它翻译成骨架召回损失.这个损失目前获得了最先进的整体性能，并且通过取代密集的计算**他的计算开销减少超过90% !**
深入探索：【人工智能】、【机器学习】与【深度学习】的全景视觉之旅
人工智能、机器学习和深度学习是现代科技的重要组成部分，正深刻影响着各个行业的发展。从理论到实践，再到未来的发展趋势，AI技术的发展为我们提供了前所未有的工具来解决复杂的问题。然而，随着技术的进步，新的挑战也随之而来，如数据隐私、伦理问题等。为了实现AI技术的可持续发展，我们需要在技术创新与社会责任之
【大模型应用开发 动手做AI Agent】LangChain和Agent开发
【大模型应用开发 动手做AI Agent】LangChain和Agent开发作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming关键词：LangChain, AI Agent, 大模型, 编程式AI, 自然语言
跟李沐学AI：卷积层
卷积是一个特殊的全连接层。卷积神经网络是包含卷积层的一类特殊的神经网络。在深度学习研究社区中，𝑉被称为卷积核（convolution kernel）或者滤波器（filter），亦或简单地称之为该卷积层的权重，通常该权重是可学习的参数。当图像处理的局部区域很小时，卷积神经网络与多层感知机的训练差异可
使用CLIP模型进行零样本图像分类的分步指南
我们首先介绍零样本学习的概念及其在现代AI应用中的重要性
【大模型应用开发 动手做AI Agent】Agent即服务
【大模型应用开发 动手做AI Agent】Agent即服务作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming关键词：Agent即服务,AI Agent,API接口,云计算,大规模语言模型
【Datawhale AI夏令营】电力需求预测挑战赛 Task03
以两层为例，第一层由多个基学习器组成，其输入为原始训练集，第二层的模型则是以第一层基学习器的输出作为特征加入训练集进行再训练，从而得到完整的stacking模型。进行模型融合的前提是有多个模型的输出结果，比如使用catboost、xgboost和lightgbm三个模型分别输出三个结果，这时就可以将
AI Agent: AI的下一个风口 NLP
AI Agent: AI的下一个风口 NLP作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming / TextGenWebUILLMAI Agent: AI的下一个风口 NLP
结合傅里叶变换和传统特征提取方法，通过XGBoost检测计算机生成图像
我们这里要介绍的很多过程是特征工程而不是分类。这个过程包括几个步骤，看起来很复杂，但实际上他们的核心很简单。
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
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
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。
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~
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。
【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
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
2024年最新AI大模型，一文带你走进AI搜索！
随着技术的不断进步，这些AI工具将更加深入我们的生活，成为我们探索知识、解决问题的得力助手。智能对话，数据分析，语音识别和多平台支持，提供智能化、便捷化、高效化的解决方案。功能：华为的盘古大模型，它不仅支持知识问答、文案生成、代码生成，以及多模态大模型的图像生成、图像理解等能力集，还支持雷达、红外线
