回顾 | Global RAG Hack Together Ⅰ - 启动

点击蓝字

关注我们

编辑:Alan Wang

排版:Rani Sun

九月,Global RAG Hack Together 即将在全球开启,在这场全球 RAG 黑客松中,我们不仅可以学习到生成式 AI 下的 RAG 技术,还可以用我们掌握的 RAG 技术提交参赛作品,参赛即可赢取黑客松数字勋章,优胜者更可获得 500 美元的参赛奖金。更多黑客松详情请关注:https://github.com/microsoft/RAG_Hack/blob/main/README.md#chinese

在参与这场全球 RAG Hack Together 之前,微软高级云技术布道师卢建晖将带来4期的 RAG 分享课程,带我们学习 RAG 的基础知识,包括 RAG 的基本内容,如何利用 Azure AI Studio SDK 结合 Azure AI Search 快速创建 RAG 解决方案,并和大家解构最新的 GraphRAG,帮助大家快速、全面地了解最新的 RAG 技术,为即将到来的 Global RAG Hack Together 做好准备。 

精彩回顾

Global RAG Hack Together 系列 第一期,我们首先迎来 Global RAG Hack Together 系列活动的启动礼,一起跟随卢老师了解 RAG 以及即将开始的 Global RAG Hack Together。

分享嘉宾

8949cf9935343e53190df5b151d64936.jpeg

卢建晖

微软高级云技术布道师

微软高级云技术布道师,前微软最有价值专家和微软技术社区区域总监,微软人工智能黑客松教练。作为讲师在微软 Ignite、Teched、PyCon、.NETConf 等技术会议分享技术,在网易云课堂发布《人工智能入门到实践训练营》系列,在师训网发布面向教育的《OpenAI 基础课程》系列。专注于人工智能、云原生、物联网,以及前端应用开发等多个领域。在电信、教育以及金融等领域有多年人工智能解决方案的经验。现阶段专注于 OpenAI 技术的布道以及行业落地的推广。

主办方

0f4c5c3e59ba45d492dee443f8ebbc1e.png

微软 Reactor 是微软为构建开发者社区而提供的一个社区空间,以“予力多元化社区建设,帮助每一个开发者成就不凡”为使命,旨在通过不定期举办的技术讲座、开发者交流会面及技术沙龙和专题活动,帮助开发者和初创企业了解最新技术、学习最新知识、体验最新方案、结识业界同行、扩展职场人脉。

0fd6fa0647c90cb0f569e74ce5de11d5.gif

eb6e1ccc5e744da36e6d8b3c0d063e59.jpeg

MSReactor

7e17d55b3cded1504cfceb40e65e1422.gif

扫码|关注我们

Bilibili|微软Reactor_SH

活动行|微软Reactor 上海

知乎|微软 Reactor

a2819c57256d14f3ce16e87716c97863.gif

你们点点“分享”,给我充点儿电吧~

  • 4
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值