Deephub
更多文章请关注公众号：Deephub-IMBA
PyTorch中的多进程并行处理
这篇文章我们将介绍如何利用torch.multiprocessing模块，在PyTorch中实现高效的多进程处理。
2024年6月后2周重要的大语言模型论文总结：LLM进展、微调、推理和对齐
本文总结了2024年6月后两周发表的一些最重要的大语言模型论文。这些论文涵盖了塑造下一代语言模型的各种主题，从模型优化和缩放到推理、基准测试和增强性能。
RouteLLM：高效LLM路由框架，可以动态选择优化成本与响应质量的平衡
该论文提出了一个新的框架，用于在强模型和弱模型之间进行查询路由选择。通过学习用户偏好数据，预测强模型获胜的概率，并根据成本阈值来决定使用哪种模型处理查询 。该研究主要应用于大规模语言模型（LLMs）的实际部署中，通过智能路由在保证响应质量的前提下显著降低成本。
字符串相似度算法完全指南：编辑、令牌与序列三类算法的全面解析与深入分析
在自然语言处理领域，人们经常需要比较字符串，这些字符串可能是单词、句子、段落甚至是整个文档。本文将详细介绍这个问题。
使用 PyTorch 创建的多步时间序列预测的 Encoder-Decoder 模型
本文提供了一个用于解决 Kaggle 时间序列预测任务的 encoder-decoder 模型，并介绍了获得前 10% 结果所涉及的步骤。
图神经网络版本的Kolmogorov Arnold（KAN）代码实现和效果对比
今天我们就来使用KAN创建一个图神经网络Graph Kolmogorov Arnold(GKAN)，来测试下KAN是否可以在图神经网络方面有所作为。
DeepMind的新论文，长上下文的大语言模型能否取代RAG或者SQL这样的传统技术呢?
关于长上下文大型语言模型是否真正利用其巨大的上下文窗口，以及它们是否真的更优越
深入解析高斯过程：数学理论、重要概念和直观可视化全解
在这篇文章中，我将详细介绍高斯过程。并可视化和Python实现来解释高斯过程的数学理论。
Transformer 能代替图神经网络吗?
今天介绍的这篇论文叫“Understanding Transformer Reasoning Capabilities via Graph Algorithms”
RAG流程优化（微调）的4个基本策略
在本文中，我们将介绍使用私有数据优化检索增强生成(RAG)的四种策略，可以提升生成任务的质量和准确性。通过使用一些优化策略，可以有效提升检索增强生成系统的性能和输出质量，使其在实际应用中能够更好地满足需求。
Theta方法：一种时间序列分解与预测的简化方法
Theta方法整合了两个基本概念:分解时间序列和利用基本预测技术来估计未来的价值。
精选：15款顶尖Python知识图谱（关系网络）绘制工具，数据分析的强力助手
我们今天将介绍15个很好用的免费工具，可以帮助我们绘制网络图。
2024年6月上半月30篇大语言模型的论文推荐
大语言模型（LLMs）在近年来取得了快速发展。本文总结了2024年6月上半月发布的一些最重要的LLM论文，可以让你及时了解最新进展。
特征工程与数据预处理全解析：基础技术和代码示例
我们将深入研究处理异常值、缺失值、编码、特征缩放和特征提取的各种技术。
2024年6月计算机视觉论文推荐：扩散模型、视觉语言模型、视频生成等
6月还有一周就要结束了，我们今天来总结2024年6月上半月发表的最重要的论文，重点介绍了计算机视觉领域的最新研究和进展。
使用粒子滤波（particle filter）进行视频目标跟踪
粒子滤波是一种贝叶斯滤波方法，主要用于非线性、非高斯动态系统中的状态估计。它通过使用一组随机样本（称为粒子）来表示状态的后验概率分布，并通过这些粒子的加权平均来估计状态。
HUSKY:一个优化大语言模型多步推理的新代理框架
HUSKY是一个开源语言代理，设计用于处理各种复杂的任务，包括数字、表格和基于知识的推理。与其他专注于特定任务或使用专有模型的代理不同
使用深度强化学习预测股票：DQN 、Double DQN和Dueling Double DQN对比和代码示例
通过DRL，研究人员和投资者可以开发能够分析历史数据的模型，理解复杂的市场动态，并对股票购买、销售或持有做出明智的决策。
goldfish loss：减少训练数据泄漏，提高大语言模型输出的多样性
论文作者引入了一种名为"goldfish loss"的微妙修改，在训练过程中，随机抽样的一部分标记被排除在损失计算之外。这些被舍弃的标记不会被模型记忆，从而防止模型完整复制训练集中的一整个标记序列。
Multi-Head RAG:多头注意力的激活层作为嵌入进行文档检索
论文引入了多头RAG (MRAG)，这是一种利用Transformer的多头注意层的激活而不是解码器层作为获取多方面文档的新方案。