登录社区云，与社区用户共同成长
邀请您加入社区
AI原生应用（如智能医疗助手、法律文书分析工具）需要精准识别垂直领域的实体（如“糖尿病”“合同条款”），但直接训练模型需大量标注数据（通常需数万条），而真实场景中企业或开发者往往只有几百条标注样本。本文聚焦“迁移学习”这一技术，帮助你用“借通用模型的力”解决垂直领域实体识别的难题，覆盖从概念理解到实战落地的全流程。本文先通过“学骑自行车→学骑电动车”的生活案例引出迁移学习；再拆解实体识别、迁移学习
执行摘要 本文档为32B参数多模态医疗大模型预训练提供完整的工程化方案，涵盖硬件选型、网络架构、存储设计和软件栈配置。32B模型在显存需求、部署性和性价比方面表现优异，采用ZeRO-3优化可将单卡负担降至10-20GB。多模态数据处理涉及文本、影像和波形数据，预处理后工作集约2-3TB。硬件配置推荐平衡型方案（32张H200 GPU）或成本优化方案（16张A100），网络采用200G Infini
与LeNet有相同之处，也有很多区别；比如适用大尺寸的图像所以使用11X11这种大尺寸的卷积核使用Relu激活函数，对比tanh/sigmoid激活函数，训练更快且避免梯度消失dropout随机使得一些神经元失活防止过拟合(用在全连接层)LRN局部归一化：正则项，防止过拟合# input_size还必须是元组，使用列表就会报错，，，，AlexNet中使用了dropout，resnet丢弃dropo
摘要 本文档为医疗科研机构提供70B参数多模态大模型预训练落地的工程化指南，覆盖数据治理、硬件配置、训练优化、合规审计等全流程。核心内容包括： 数据工程：细粒度数据盘点、自动化去标识化流程（DICOM/文本/波形）、高效存储方案（WebDataset/Lustre/NVMe缓存） 硬件设计：8×H200 GPU节点配置、400Gb InfiniBand组网、Lustre并行文件系统与灾备策略 训练
随着人工智能技术的快速发展，AI Agent在各个领域得到了广泛的应用，如智能客服、自动驾驶、游戏竞技等。然而，每个领域都有其独特的特点和数据分布，传统的机器学习方法需要在每个新领域重新训练模型，这不仅耗费大量的时间和资源，而且在数据稀缺的情况下难以取得良好的效果。迁移学习的出现为解决这一问题提供了有效的途径。本文的目的是深入研究迁移学习在AI Agent领域适应中的应用，探讨如何利用迁移学习技术
本文提出了一种面向低成本智能相框的轻量化AI视频生成方案，通过多模态LLM将音频直接转换为连贯的说话视频。核心创新包括：1）3.7B参数时空LLM架构，采用ST-RoPE位置编码实现稳定口型；2）交叉LoRA蒸馏技术，使小模型达到接近14B大模型的表现；3）端侧全INT8优化，在RK3588芯片上实现280ms首帧延迟和25fps稳定输出。最终模型体积仅692MB，口型误差1.9mm，支持45°侧
大家好，这是我的专题《AI颠覆人类倒计时：普通人自救指南》系列文章之一。前期有几篇关于dify agent中如何使用多个不同的MCP工具让Agent具备多种不同的技能。那么，应该如何实现呢？分为如下三个步骤：\1. dify工作流发布为工具\2. 安装配置MCP服务器插件，并完成工具配置\3. 获取MCP链接进行调用先前的文章中，我们使用dify和DeepSeek创建过不少的工作流，此处我们可以选
笔者按：最近接了一个项目，要把别人训练的YOLOv7-tiny模型，移植到华为Atlas平台，利用Ascend昇腾NPU做推理，同时实现了python和c++的应用。由于笔者是第一次接触华为这个平台，移植过程中还是踩了不少坑的，这里开一篇文章，介绍整个移植的流程、踩过的坑和debug的思路。整个项目大约花费了我2周时间，这是在我有一定的python、c++和工程经验的基础上。另外当然生成式AI在这
摘要：本文介绍如何构建生产级AIAgent办公自动化系统，基于ReAct框架和函数调用技术，实现自主操作ERP、邮件处理、报表生成等功能。系统包含任务规划、工具调用、记忆管理等核心模块，通过Python实现。在真实企业场景中，日均处理200+工单，准确率达94%，比传统RPA灵活度提升5倍。文章详细解析了技术架构、工具定义、错误处理等关键技术，并展示了物流企业案例的实际效果。同时提出了API成本控
迁移学习的研究正在经历从方法层面的拓展，到理论体系的重构。无论是与大模型、多模态、联邦计算的结合，还是因果推断与元学习的引入，都显示出迁移学习不再是局部技术问题，而是与智能系统未来密切相关的核心议题。它不仅影响人工智能的研究路径，也将在金融、工业、教育等领域发挥决定性作用。
ES节点退役和数据迁移
在深入探讨了自然语言处理(NLP)领域中情感分析的高级技术，特别是BERT模型的原理与应用后，我们理解了BERT如何通过预训练和微调来捕捉文本的复杂语义，从而实现更准确的情感分类。BERT的双向编码特性，使其能够根据上下文理解单词的多义性，这是传统NLP模型难以做到的。此外，我们还学习了如何使用Hugging Face的Transformers库来加载预训练的BERT模型，以及如何准备数据和微调模
原“云闪智能”平台提供两类SDK：一是闪验认证，提供一键登录和本机检验能力。二是实人认证，包括活体检测SDK、人像比对SDK、身份证OCR。因产品业务规划调整，原云闪智能平台 实人认证 SDK（所有版本）将于 2024 年 7 月 30 日下架暂停服务。为确保您的相关生产业务不受影响，请尽快将原实人认证 SDK 更新替换成创蓝云智平台实人认证 SDK。
迁移学习作为深度学习领域的重要技术，通过利用预训练模型在新任务上进行微调和特征提取，有效解决了数据不足和计算资源有限的问题。本文基于PyTorch框架，详细探讨了迁移学习的核心方法，包括模型微调和特征提取的实践技巧。在模型微调部分，介绍了如何选择预训练模型、冻结与解冻层、调整模型结构、定义损失函数和优化器，以及数据集的准备与预处理。通过花卉分类任务的案例，展示了模型微调的实际应用效果。在特征提取部
打开vscode Ctrl+shift+P 找到python：选择解释器 找到虚拟环境 就可以开始使用。再根据需求安装别的包就好了。（根据论文代码的environment.txt文件下载）省略一些安装过程anaconda和cuda，这些可以找别的博客去看很全面。打开anaconda prompt（管理者模式）激活虚拟环境。跑新代码就重新建立一个环境。
透视变换透视变换是一种图像处理技术，用于将二维平面上的图像或物体映射到三维空间中。它通过改变图像的视角和投影来创建一个具有透视效果的图像。透视变换通常用于计算机图像形态学和计算机视觉领域，用于实现图像的透视效果立体视觉图像校正等应用。它可以模拟人眼在观察远景时的透视效果，使得远处的物体看起来比近处的物体小，同时使得平行线在远处会相交的视觉效果。透视变换的实现通常需要通过计算图像中各点在三维空间中的
本文系统分析了迁移学习与预训练两个概念的区别与联系。迁移学习是一种学习范式，强调知识从源任务向目标任务的迁移；预训练是一种训练策略，强调在大规模数据上学习通用表示。二者虽有本质区别，但在实践中常协同使用：预训练提供通用特征表示，迁移学习使模型快速适应特定任务。这种结合在计算机视觉、自然语言处理等领域表现优异，能显著降低数据需求和训练成本。未来研究将聚焦跨任务迁移优化、低资源微调及多模态迁移等方面。
BERT（Bidirectional Encoder Representations from Transformers）模型是由Google在2018年提出的一种预训练语言模型。在BERT出现之前，自然语言处理（NLP）领域主要依赖于基于规则的方法、统计方法和深度学习方法。这些方法虽然在特定任务上取得了不错的效果，但在处理语言的复杂性和语境理解上存在局限性。例如，传统的词嵌入如Word2Vec和
什么是上下文工程（Context Engineering）？一篇文章带你彻底搞懂
书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。上预先训练的模型，通过自监
最近的进展表明，大型语言模型（LLMs）在解决复杂推理问题时容易出现幻觉，导致错误结果。为解决这一问题，研究人员结合知识图谱（KGs）以提高LLMs的推理能力。然而，现有方法面临两个限制：1）它们通常假设问题的所有答案都包含在KGs中，忽略了KGs的不完整性问题；2）它们将KG视为静态的知识库，忽略了KGs中固有的隐含逻辑推理结构。本文介绍了SymAgent，一种创新的神经符号代理框架，实现了KG
本文系统梳理了AI入门必备的10个核心知识点：1）AI、机器学习和深度学习的层级关系；2）监督学习的基本原理与应用；3）无监督学习的特点；4）神经网络的结构与作用；5）数据集划分原则；6）过拟合与欠拟合问题；7）损失函数的作用；8）梯度下降算法；9）特征工程的重要性；10）大模型与提示词工程。文章强调建立知识框架比堆砌概念更重要，建议学习路径从基础工具到深度学习再到前沿应用，通过循序渐进的实践掌握
人工智能领域未来10年职业发展潜力巨大，大厂AI人才月薪可达3-6万元，算法工程师等岗位年薪50万+占比超30%。为帮助学习者系统掌握AI核心技术，唐宇迪团队推出《人工智能深度学习涨薪就业班》（14期），课程覆盖计算机视觉、大模型开发等前沿技术，包含450+课时、200+实战案例，并提供就业内推、简历指导等服务。课程对标大厂P7+水平，帮助学员快速入局AI领域，挑战年薪40-100万+。
本文介绍了基于迁移学习的图像分类方法，首先阐述了图像分类的定义及其在医学、自动驾驶等领域的应用场景。随后详细讲解了迁移学习的理论基础，包括其定义和减少数据需求、提升性能等优势。在实践部分，文章以CIFAR-10数据集为例，演示了使用PyTorch加载预训练ResNet18模型、冻结参数、修改全连接层并进行训练评估的完整流程。实验结果表明，迁移学习能有效利用预训练模型的特征表示，显著提升分类性能。文
本文介绍了DeepSeek的三样核心贡献，从原理到意义说明了DeepSeek如何重塑AI格局。
本文详细介绍了大型语言模型（LLM）的结构、参数量、显存占用、存储需求以及微调过程中的关键技术点，包括Prompt工程、数据构造、LoRA微调方法等。一、微调相关知识介绍在介绍LLM的微调知识前，我们先具象的认识下大模型长什么样子，包括模型结构、参数量、精度、显存占用。
先用迁移学习，再考虑从头训练：小样本领域任务优先使用预训练网络。冻结+分层 LR 是稳妥策略：在数据不足时保留低层特征稳定性。合理的数据增强是提升泛化的关键。评估不止看整体准确率：关注类别召回/精度，避免模型偏向多数类。监控训练曲线：早停（Early Stopping）防止过拟合。
本文系统讲解大模型迁移学习核心技术，涵盖预训练模型架构解析（BERT/GPT/T5）、微调方法论及HuggingFace实战代码。重点剖析参数高效微调技术（LoRA/适配器），提供学习率策略、早停等黄金法则。通过典型场景分析（医疗/法律等）和避坑指南，指出80%场景下LoRA是最佳选择。包含完整代码示例，如分层学习率设置和适配器共享实现，助力开发者快速掌握大模型迁移学习核心技能。
在自然语言处理(NLP)领域，情感分析是一项关键任务，旨在识别和提取文本中的情感信息。BERT模型，作为NLP的革命性进展，能够通过深度双向Transformer编码器理解文本的复杂结构。为了训练和微调BERT模型进行情感分析，首先需要一个合适的数据集。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发展，尤其是预训练模型如BERT的出现，取得了显著的进步。多模态情感分析：结合文本
迁移学习
——迁移学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
火山引擎 ADG 社区
鲲鹏昇腾开发者社区
网易易盾开发者社区
