登录社区云，与社区用户共同成长
邀请您加入社区
是指通过自然语言处理（NLP）技术，根据用户输入的上下文生成合理且连贯的回复。这种技术是聊天系统（如聊天机器人或虚拟助手）的核心，用于让对话更自然、更智能。常见的聊天补全技术基于大语言模型（如 OpenAI 的 GPT 系列、ChatGPT），可以理解上下文并生成符合逻辑的文本回复。
文章详解了提升大语言模型性能的两种关键技术：RAG(检索增强生成)和微调。RAG通过外部知识库检索增强回答准确性和时效性，微调则通过特定数据集训练使模型更适合特定任务。文章从处理速度、准确性和成本三方面对比了两种技术的差异，指出选择哪种技术应基于具体应用场景和需求，没有绝对正确的选择，只有最适合的解决方案。
第六届医学人工智能国际学术会议（ISAIMS 2025）将于2025年10月24-26日在中国武汉召开。通过深入交流与合作，促进理论研究与技术创新在临床诊疗、疾病预测、个性化医疗等实际应用中的转化，加速医学人工智能在健康医疗产业的落地，助力构建智慧医疗新生态。
笔者最近开始入门多模态大模型，阅读了clip的文章，针对clip文章提出了几个问题，其中一个问题便是：clip是基于对比学习的损失，但是对于传统的视觉领域大模型的预训练，，我们有两种方法，一种为对比学习，一种为生成式的学习。如果我将生成式学习/对比学习的image encoder放在多模态的领域中，会不会有更好的效果？带着这条疑问，我找到了slip这篇论文，通过自监督来进行学习。首先其他的不看，我
转载自AI科技评论随着BERT等预训练模型横空出世，NLP方向迎来了一波革命，预训练模型在各类任务上均取得了惊人的成绩。随着各类预训练任务层出不穷，也有部分研究者考虑如何在BERT这一类模型中引入或者强化知识图谱中包含的信息，进而增强BERT对背景知识或常识信息的编码能力。本文主要关注于如何在BERT中引入知识图谱中信息，并survey了目前已公布的若干种方法，欢迎大家批评和交流。1、《ERNIE
讲解视频内容请移步Bilibili：https://space.bilibili.com/542601735入群讨论请加v hochzeitstorte请注明“核磁共振学习”纤维追踪理论DTI成像优点：1、速度快2、可量化3、旋转不变：弥散张量三个本征值不随弥散方向和人的体位、方向变化4、可得到白质轨迹DTI缺陷：1、部分容积效应：一个体素内包含不同组织成分2、平均效应：一个体素内包含不止一个纤维
协同过滤算法效果不佳怎么办？知识图谱来帮忙啦！Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation(WWW2019)Paper：https://arxiv.org/pdf/1901.08907.pdf作者：一元，炼丹笔记小编背景协同过滤在真实推荐场景中经常会受到稀疏性和冷启动问题的影响,为了缓解此类问题,我们
1.DFS（深度优先搜索）搜索思想在图问题中能以最直观的方式展现。深度优先搜索的步骤分为：递归下去。回溯上来。顾名思义，深度优先，则是以深度为准则，先一条路走到底，直到达到目标。这里称之为递归下去。否则既没有达到目标又无路可走了，那么则退回到上一步的状态，走其他路。这便是回溯上来。下面结合具体例子来理解。如图所示，在一个迷宫中，黑色块代表玩家所在位置，红色块代表终点，问是否有一条到终点的路径我们用
使用RNN对文本预测假如输入的文本是：the cat sat on the ma 那么下一个字符什么呢？这里采用的是many to many模型，如下:此时模型的输出字符概率为：如何训练RNN模型？如上一段英语文字，我们采用分割的方法，这里采用输入的长度为40，滑动距离为3，即从开始到第40个字符用作输入，第41个字符用作标签数据label，如上：输入为：Machine learning is a
UvA 3D Human Pose Dataset阿姆斯特丹大学的3D人体姿势恢复数据集 --文档介绍关于Bayer Filter -wikiOpenCV官方文档 cvtColor()raw2rgb# raw2rgbimport cv2import numpy as npimport osdef raw2rgb(file_pathname):#遍历该目录下的所有图片文件for filename i
大模型入门干货：RAG 不够用？意图 + 语义双检索框架帮你破局！
作者丨黄浴@知乎来源丨https://zhuanlan.zhihu.com/p/351965263编辑丨3D视觉工坊2021年2月15日上传arXiv论文：“OmniDet: Surr...
深度学习中的数据处理概述深度学习三要素：数据、算力和算法在工程实践中，数据的重要性越来越引起人们的关注。在数据科学界流传着一种说法，“数据决定了模型的上限，算法决定了模型的下限”，因此在这个“说法”中，明确的表明了，只有好的数据才能够有好的模型，数据才是决定了模型的关键因素。数据很重要简单来说，就是找到好的数据，拿给模型“吃”。但是怎么找到“好”的数据，什么样才算是“好”的数据，给模型吃了后模型性
计算机毕业设计hadoop+spark知识图谱课程推荐系统 课程预测系统 课程大数据 课程数据分析 课程大屏 mooc慕课推荐系统 大数据毕业设计
知识图谱本质上是一种采用图结构形式对现实世界中概念、实体、事件及其相互关系进行建模的知识表示体系。它既充当着结构化知识的存储载体，同时也为机器实现语义理解和逻辑推理提供了基础计算框架。
情感分析作为自然语言处理的一个重要分支，近年来随着深度学习技术的兴起而得到了快速发展。从最初的基于规则的方法，到后来的机器学习模型，再到现在的深度学习框架，情感分析的技术迭代展现了对更复杂、更细微情感理解的追求。其中，卷积神经网络（CNN）和注意力机制的结合，为情感分析提供了新的视角和解决方案。
20200818 -引言前面文章中，介绍了字符级别的文本生成《LSTM生成文本（字符级别），在字符级别的生成过程中，利用滑动窗口的形式来持续生成文本。本文中介绍看到的另外一篇基于单词的生成形式。LSTM文本生成本篇文章中，主要参考了kaggle上的一篇文章[1]，在模型中，使用了embedding层，然后输入其实是句子。但是感觉他的代码部分并不是非常友好，也可能是我对模型的使用有些忘记了。数据预处
若解码器。
Tensorflow2.x 和 Transformers 库：Tensorflow2.x 是一种深度学习框架，而 Transformers 库是用于构建和使用自然语言处理模型的 Python 库。GPT 模型是一种自然语言处理的技术，在文本生成等任务中表现出了非常优秀的效果。Tokenizer：GPT 模型需要接受文本输入，您需要使用 GPT2Tokenizer 类将文本转换为模型可用的标记。GP
python旅游大数据分析可视化大屏 游客分析+商家分析+舆情分析大数据毕业设计（附源码）Flask框架✅
模型训练完毕后，为了能够让前后端调用，都需要部署上线，提供一个可调用的Restful接口。最近正好在做一个中文文本生成的模型，效果还不错，打算上线，本来研究了半天的TensorFlow Serving，但是最后实在没搞定，太麻烦了，今天换了TorchServe，一天就搞定了，PyTorch yyds！！！本次演示用的模型为IDEA开源的 闻仲-GPT2-100M，这个是一个用于文本生成的模型，能够
本片梳理博主在制备数据集所遇问题。
大模型面试必看：PPO与GRPO强化学习算法深度对比（附实战思路）
XOT提示技术代表了在激发大型语言模型的能力方面的重大进步。通过将MCTS和LLM知识协同结合，XOT与之前的提示范例相比具有更好的性能、效率和灵活性。XOT产生的灵活的思维结构能够创造性地解决问题，而协作修订过程以最少的LLM交互产生高质量的解决方案。作者：Raphael Mansuy。
题目 Pre-train and Plug-in: Flexible Conditional Text Generation with Variational Auto-Encoders作者： 这是一篇由阿里，武汉大学，芝加哥大学，美国亚马逊联合出品**前言：**应该是真大佬之间的合作，哎十分羡慕啊。言归正传，我之前基本一直没怎么接触VAE，最多只是看过一些博客介绍，这篇文章应该算是我对VAE的一
Numpy是什么，Numpy是一个开源的Python科学计算库，用于快速处理任意维度的数组。Numpy支持常见的数组和矩阵操作，对于同样的数值计算任务，使用NumPy不仅代码要简洁的多，而且NumPy的性能远远优于原生Python，基本是一个到两个数量级的差距，而且数据量越大，NumPy的优势就越明显。Numpy最为核心的数据类型是ndarray，使用ndarray可以处理一维、二维和多维数组，该
RandomErasing数据处理我因为是做图像修复领域的，所以需要对数据进行随机擦除的预处理操作。RandomerasingRandomErasing数据处理RandomErasing函数解析transform模块的使用相关代码RandomErasing函数解析def __init__(self, p=0.5, scale=(0.02, 0.33), ratio=(0.3, 3.3), valu
在这篇文章中，我们将构建一个基于LSTM的Seq2Seq模型，使用编码器-解码器架构进行机器翻译。本篇文章内容：介绍数据准备和预处理长短期记忆(LSTM) - 背景知识编码器模型架构(Seq2Seq)编码器代码实现(Seq2Seq)解码器模型架构(Seq2Seq)解码器代码实现(Seq2Seq)Seq2Seq(编码器+解码器)接口Seq2Seq(编码器+解码器)代码实现Seq2Seq模型训练Seq
1.背景介绍文本摘要和文本生成是自然语言处理领域中的两个重要任务，它们在各种应用场景中发挥着重要作用。PyTorch是一个流行的深度学习框架，它提供了一系列的工具和库来实现文本摘要和文本生成任务。在本文中，我们将深入了解PyTorch的文本摘要和文本生成技术，涵盖了背景介绍、核心概念与联系、核心算法原理和具体操作步骤、数学模型公式详细讲解、具体最佳实践：代码实例和详细解释说明、实际应用场景、工..
阶段时间核心突破代表模型范式理论基础~2017注意力机制，Transformer架构新架构诞生预训练范式2018-2020预训练-微调，规模效应显现对齐与对话2021-2022指令微调，人类反馈强化学习ChatGPT多模态与生态2023至今多模态能力，AI智能体，开源爆发大模型的演变远未结束，未来将朝着更高效、更可靠、更具理解力和推理能力的方向发展，并更深地融入人类社会的各个方面。开启新对话。
作者：李梅 | 编辑：陈彩娴 |转载自：AI科技评论(aitechtalk)如今，每隔一段时间就有新的文本生成图像模型释出，个个效果都很强大，每每惊艳众人，这个领域已经是卷上天了。不过，像 OpenAI 的 DALL-E 2 或谷歌 的 Imagen 等 AI 系统，都只能生成二维图像，如果文字也能变成三维场景，那带来视觉体验势必加倍提升。现在，来自苹果的 AI 团队推出了 3D 场景生...
大型语言模型在ChatGPT以后经历了快速的发展。这些发展包括模型规模的增加、领域专精化、语义理解和推理能力的提升、训练效率和速度的提高，以及对偏见的理解和应对等方面。除了以上6个比较好的开源大语言模型外，还有各种不同版本，所以HuggingFace创建了一个排行榜（leaderboard）作者：Varun Mathur。
获得rolling（滑动窗口内的）最大的若干值的某一个df['列名'].rolling(10).apply(lambda x: pd.Series(x).nlargest().iloc[-1])df['列名'].rolling(10).apply(lambda x: pd.Series(x).nsmallest().iloc[-1])获得rolling（滑动窗口内的）最大的若干值的均值df['列名
经过数据探索与数据预处理，得到了可以直接建模的数据。根据挖掘目标和数据形式可以建立模型，包括：分类与预测、聚类分析、关联规则、时序模式和偏差检测等。分类与预测分类和预测是预测问题的两种主要类型，分类主要是预测分类标号（离散属性），而预测主要是建立连续值函数模型，预测给定自变量对应的因变量的值。分类分类是构造一个分类模型，输入样本的属性值，输出对应的类别，将每个样本映射到预先定义好...
property@property定义两种获取文本长度的方式，第一种是直接给出文本长度如果有图像则预留128的空间，第二种则是不考虑图像的空间，并以返回数的正负性来标识是否存在图像。这两个方法貌似没有用到。
官网：https://microsoft.github.io/graphrag微软开源的一项结合了知识图谱的检索增强生成技术。简单来说，它可以显著提升AI知识库的性能，让AI能根据你提供的文档，更准确地回答你提出的复杂问题。
CVPR 2022 Oral腾讯优图&厦门大学提出无需训练的ViT结构搜索算法Training-free Transformer Architecture Search论文：https://arxiv.org/pdf/2203.12217.pdf代码：https://github.com/decemberzhou/TF_TAS无需训练的 ViT 结构搜索算法是怎么样的？性能又如何呢？腾讯优
上面的案例，仅仅考虑了准确率的问题。但是对于移动端部署的模型，虽然仅仅推理，但是不能仅仅推理几次，就没电了。因此，设备端应用，要考虑计算量的问题，需要权衡计算量和准确率。下面介绍，在搜索神经网络的时候，考虑到计算量。推理时间：latency.最好几百ms。NN搜索时考虑到latency，希望小的latency，达到近似的精度。做NN搜索，选出CNN的最优参数，然后训练CNN，部署到iphone12
大模型基石：Transformer架构深度拆解，一文读懂核心原理
NPU作为专为神经网络运算优化的硬件平台，其设计涉及到硬件架构、算法优化、编译器设计等多个领域。本文将带您深入了解NPU设计的全过程，从概念到实现，一起发散创新，探索未知领域。在未来的研究中，我们还需要进一步优化硬件架构、提高编译器效率，以实现更高效的神经网络运算。（注：由于篇幅限制无法展示代码样例和流程图等具体细节，但在实际撰写时，可以结合具体项目或实验，给出详细的代码样例和流程图等辅助说明。编
万亿参数！阿里 Qwen3-Max 正式发布，国产最强大模型来了？
本文介绍了TensorFlow的简介、核心特性、创新应用和实战样例。随着技术的不断发展，TensorFlow将会有更多的创新应用，引领深度学习领域的发展。随着人工智能技术的飞速发展，深度学习已经成为当下最热门的技术之一。本文将带领大家深入了解TensorFlow，探索其创新应用，并分享一些实用的代码样例。TensorFlow是由Google开发的开源深度学习框架，它支持分布式训练，能够在各种硬件上
transformer的输入处理
TensorFlow是由Google开发的开源深度学习框架，它支持分布式训练，能够在多种硬件上运行，包括CPU、GPU以及TPU等。TensorFlow提供了丰富的API接口，支持各种深度学习算法，如卷积神经网络（CNN）、循环神经网络（RNN）等。通过图像分类的示例代码，展示了TensorFlow的实用性和灵活性。随着深度学习技术的不断发展，TensorFlow将在更多领域得到应用，并推动人工智
摘要：vLLM本地部署后，可通过指令启动API服务并访问http://localhost:8000进行交互。支持两种调用方式：1)命令行方式，使用curl发送GET/POST请求获取模型信息或生成对话；2)Python脚本方式，通过requests库调用ChatCompletions接口，兼容OpenAI风格。两种方法均需指定模型名称、消息格式和生成参数，支持调整temperature等参数控制输
在人工智能（AI）领域，智能代理系统逐渐成为解决复杂问题的关键技术。自适应AI代理系统能够根据环境变化自主调整行为，从而在动态环境中保持高效的决策能力。强化学习（RL）和深度学习（DL）是实现这一目标的核心技术。强化学习可以使AI代理通过与环境交互获得奖励，而深度学习则能帮助AI处理高维复杂的输入数据。在本文中，我们将探讨强化学习和深度学习的融合，如何构建一个自适应AI代理系统，并通过代码示例展示
SuperGPQA是一个全面的大语言模型基准测试，专门设计用于评估模型在285个研究生级别学科中的知识和推理能力。26,529道高质量题目，覆盖13个主要学科领域每个学科至少包含50个问题，确保评估的深度和可靠性77.2%的STEM内容，反映现实世界中专业知识的分布42.33%的问题需要计算，强调推理能力的重要性SuperGPQA不仅仅是一个基准测试，更是AI研究道路上的一座里程碑。它挑战着现有模
深度学习
——深度学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
魔乐社区
北京朝阳AI社区
