迎接AI革命：程序员如何在新时代中脱颖而出
随着ChatGPT、Midjourney等大语言模型的崛起，AI辅助编程工具在编程领域的应用越来越广泛，极大地改变了程序员的工作方式。本文探讨了AI工具对编程效率和质量的提升，同时也指出了过度依赖AI可能带来的编程基本功弱化和创新能力下降等风险。为了在竞争中脱颖而出，程序员需要重点发展复杂系统设计能
程序员必背单词最全总结
这些都是我认为需要掌握的单词，就算有些英文你不熟悉，但是对应的中文至少了解什么意思。看完这个系列，希望你：第一能认识更多单词第二是拓宽自己的知识面，哪个概念不懂就自己去主动了解这些是编程语言中用来执行特定操作的保留词，例如循环、条件判断和数据类型等。在计算机科学中常见的概念，如排序算法、搜索技术、链
百川大模型微调指令详解
设定 beta2 为 0.98 比默认的 0.999 稍低，可能会使得优化过程对历史信息的依赖程度降低，从而提高优化过程的灵活性，但也可能增加训练过程中的噪声。在使用 Adam 或其他类似的优化算法（如 RMSprop、Adagrad）时，历史梯度对当前梯度的影响主要体现在如何计算梯度的动量（即梯度
从零入手人工智能（6）—— 聚类
在远古时代，人类就使用聚类算法将不同的物种进行分类，他们会把温和的食草动物归类为“安全动物”，会把长了4条腿的大型食肉猫科动物划分为“危险动物”。同时他们会把这个不同类型动物的特征告诉给他们的后代，后代会根据这些特征标签来对看到的动物进行分类，判断该动物是否存在危险。
AI Agent: AI的下一个风口 从图形用户界面到自然语言的进化
在计算机发展的早期阶段，命令行界面（Command Line Interface, CLI）是用户与计算机交互的主要方式。用户需要记忆和输入各种命令来执行操作，这对用户的专业技能要求较高，使用起来并不友好。AI Agent (人工智能代理) 是指能够感知环境、进行决策和执行动作的智能体，它可以模拟人
一个可一键生成短视频的AI大模型，亲测可用
MoneyPrinterTurbo —— 一个利用大模型，一键生成短视频的开源项目。只需输入视频主题或关键词，就可以全自动生成视频文案、视频素材、视频字幕、视频背景音乐，最后合成一个高清的短视频。
点云数据增强~综述
目前，很少有研究针对不同的点云处理任务，使用一致的基线网络和数据集来评估点云数据增强方法的性能。我们提出的分类体系中的子类别代表了文献中已用于点云数据增强的各种方法的总结，或具有潜力被用于点云数据增强的方法。作为比较各种增强方法的另一部分，附录中（详见论文）还概述了使用增强点云数据的下游任务的定量性
一文了解大模型的三种类型
基座模型（base模型）、聊天模型（chat模型）和指令模型（instruct模型）分别是什么？
pytorch里tensor用法总结
通过这篇总结，希望可以帮助pytorch学习者更好掌握Tensor的基本用法。
深度学习实战:手把手教你构建多任务、多标签模型
在本文中,我们将基于流行的 MovieLens 数据集,使用稀疏特征来创建一个多任务多标签模型,并逐步介绍整个过程。所以本文将涵盖数据准备、模型构建、训练循环、模型诊断,最后使用 Ray Serve 部署模型的全部流程。
部署和体验llama3.1:8B中文微调版本
llama-3-1 meta于2024-07-23发布文档gitCloudflare提供了免费访问的入口如下，Llama 3.1模型在中文支持方面仍有较大提升空间在Hugging Face上已经可以找到经过微调、支持中文的Llama 3.1版本。
CPU天梯图（2024年8月新版），含锐龙9000/AI 300/骁龙X/酷睿200V
8月“船”新的CPU天梯图来了
Transformer--编码器和解码器（包含掩码张量，注意力机制，多头注意力机制）
编码器部分: 由N个编码器层堆叠而成，每个编码器层由两个子层连接结构组成，第一个子层连接结构包括一个多头自注意力子层和规范化层以及一个残差连接，第二个子层连接结构包括一个前馈全连接子层和规范化层以及一个残差连接💡在讲述编码器的结构之前，我们先引入三个概念--掩码张量，注意力机制，多头注意力机制。
AI：224-机器学习在天气预测与气象模拟中的应用（保姆级教学）
本文深入探讨了机器学习在天气预测和气象模拟中的应用及其技术要点。通过机器学习技术，我们可以利用大量的气象数据进行分析和预测，从而提高天气预报的准确性和时效性，支持多个领域的实时决策和应用。
Linux系统安装多个CUDA版本与切换，正常AI模型训练
如果已经安装了NVIDIA驱动版本，先卸载旧驱动，再安装新CUDA对应的驱动，如果没有安装过NVIDIA驱动版本，可以直接安装新CUDA版本，它会自动安装对应的NVIDIA驱动。（2）执行nvidia-smi命令，显示是cuda的版本号（每个cuda版本对应了不同驱动版本），提供有关系统中NVIDI
AI芯片：高性能卷积计算中的数据复用
随着深度学习的飞速发展，对处理器的性能要求也变得越来越高，随之涌现出了很多针对神经网络加速设计的AI芯片。卷积计算是神经网络中最重要的一类计算，本文分析了高性能卷积计算中的数据复用，这是AI芯片设计中需要优化的重点之一，具体思路如下：1.数据复用的动机2.存储-计算分离框架下，针对卷积计算的优化思路
Dify 与 Xinference 最佳组合 GPU 环境部署全流程
在前一篇文章RAG 项目对比之后，确定 Dify 目前最合适的 RAG 框架。本次就尝试在本地 GPU 设备上部署 Dify 服务。Dify 是将模型的加载独立出去的，因此需要选择合适的模型加载框架。调研一番之后选择了Xinference支持多种类型的模型，包括 LLM，Embedding, Rer
Mem0：LLM个性化、陪伴式开源框架
Mem0 的 LLM 记忆实现方法与检索增强生成 (RAG) 等传统方法相比具有明显优势。与从静态文档中检索信息的 RAG 不同，Mem0 的记忆层可以理解和关联不同交互中的实体，保持上下文连续性并优先考虑相关的最新信息。这种动态更新功能可确保记忆保持最新状态，从而提供针对单个用户交互量身定制的准确
本地部署graphGAG--pip和初始化存在的问题
GraphRAG（Graph-based Retrieval-Augmented Generation）是一种结合了知识图谱和图机器学习技术的新型检索增强生成模型。它由微软于2024年7月2日开源，旨在显著提升大型语言模型（LLM）在处理私有数据时的理解和推理能力。对大模型完全陌生的实习小白上手记录
AWQ量化及AutoAWQ代码详解
awq论文解读及autoawq源码分析
