公开笔记对他人可见,有机会被管理员评为“优质笔记”
{{ noteEditor.content.length }}/2000
推荐课程:
Pytorch框架的数据加载器
本次内容聚焦于PyTorch框架下的数据加载与处理机制,探讨了自动微分机制以及Dataset和DataLoader的使用方法。深度学习中数据量庞大,模型训练不能一次性加载全部数据,因此数据需分批次处理,以实现内存使用的优化和提升模型训练的效率。Dataset类提供数据读取,通过类的继承可实现快速数据读取;DataLoader则涉及数据的批次加载与缓冲机制,提高数据处理速度。详细介绍了使用和继承Dataset类的方法,以及在此基础上的案例理解与实践。
自然语言处理实战及高级应用
现代自然语言处理技术不仅关注基础概念如词性标注,还利用传统机器学习算法,例如隐马尔可夫模型,来解决这些任务。随着技术进步,深度学习算法的出现,特别是结合长短时记忆网络和条件随机场算法,极大地提升了命名实体识别的效果。此外,预训练模型的发展为自然语言处理带来了革命性的影响,其中Transformer和BERT是典型的代表。预训织模型通过无监督学习在大规模语料库上训练,能在多个NLP任务上实现显著的性能提升。比如使用BERT计算文本相似度或基于Albert的方法进一步提高命名实体识别的准确率。这些进展反映了NLP技术从基础到高级应用的跨越,并指引了未来的发展方向。
自然语言处理实战及进阶应用
深度学习框架的安装和使用在自然语言处理中至关重要。介绍了PyTorch框架,包括其数据加载方法的实现,例如dataset和data loader类的应用,如何处理图像和文本数据的相关API。进阶部分涉及将机器学习算法和神经网络相结合,应用Facebook(Meta)开发的fastText模型进行文本分类,并介绍了将词向量和N元语法结合的方法。此外,还探讨了结合CNN和RNN实现文本特征提取的分类模型。内容适合对自然语言处理及其在深度学习中应用感兴趣的开发者和研究人员。
AIGC与NLP大模型实战-经典CV与NLP大模型及其下游应用任务实现
视频内容聚焦AIGC和大模型,突出与市面其他课程的差异性,主要在于侧重技术而非工具。课程包括算法模型的介绍,如扩建模型、GB模型,并着重于论文解读、公式推导及代码实践,而非简单的API调用。讲解中扩展到如何用较小数据集通过创新方法进行数据循环以放大数据规模,及在现有巨型模型基础上通过微调方法训练自己的模型。内容以通俗易懂的故事形式呈现,实战案例基于现代框架进行。适合对模型内幕、训练技术感兴趣且想深入了解代码和算法实践的技术人员。
AI算力的发展
计算机视觉(CV)领域的发展始于AlexNet,随后VGGNet和残差网络(ResNet)等模型的出现标志着这一技术的早期发展。进一步地,Inception网络等结构的创新持续推动着该领域的进步。近年来,以Transformer为代表的模型开始在CV领域取得突破,诸如Vision Transformer(ViT)和Swin Transformer模型应用渐广,为解决视觉问题提供了新视角。与自然语言处理领域相比,CV中的模型体积增长并不显著,从早期几百兆到现在的模型,体量仅有小幅上升。未来,如何将模型尺寸做大以适应更复杂场景,既是挑战也是机遇。
有三AI—CV论文指导2【论文写作的前期准备】
本次课程涉及文献检索和管理,论文写作相关工具操作与实际应用。讲解了如何利用在线数据库、学术搜索引擎及社交媒体跟踪研究动态,并重点介绍了文献管理工具Mendeley和Read Paper,及其在学术研究中的作用。课程还包含了使用LaTeX进行论文撰写的基本教程,介绍了Overleaf这一在线LaTeX编辑平台的使用方法和优势。内容适用于新手研究生、学术研究者、学术写作者。
爆炸爆炸,AI的效果爆了
掌握这款免费AI动画生成器,你也可以做导演拍短片!
本视频资讯涵盖了从零开始制作个人动画的整个流程,涉及技术点如角色设计、声音编辑、场景布局及音效添加等。视频教学针对那些拥有创意、渴望掌握动画制作技巧的个人。它提供了一个平台,让用户能够按照自己的构思,一步步地创建动画,包括更改角色名称、设置角色位置和添加音效等,为学习如何利用现有工具开启导演生涯提供了直接的操作指导。整个过程不仅增强了技术技能,还锻炼了创新思维和艺术感。