JWFD开源工作流-矩阵大模型的最新进展

最新推荐文章于 2024-07-12 15:56:08 发布
最新推荐文章于 2024-07-12 15:56:08 发布
阅读量93 收藏
点赞数
文章标签： 人工智能 神经网络 JWFD开源工作流 矩阵
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/comsci/article/details/134328574
版权

在JWFD的设计器上面，实现了103个节点，186个连接的拓扑图模型，使用矩阵建模，整个拓扑图的数据容量才36K，大概计算了一下，100万个节点150万连接数的矩阵模型不会超过300MB，在一个工作站级别的服务器上面建立人脑的神经网络图是完全可以的

另外，使用自建的矩阵引擎算法，跑这个拓扑图的时候，由于采用传统的递归算法，由于没有加入节点访问控制函数，导致出现内部子循环体，内存被无效循环消耗，出现溢出错误，说明大模型的计算过程不能够用传统的递归算法。。。

下面是这个拓扑图的模型图

comsci
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
[JWFD开源工作流]JWFD开源工作流-矩阵引擎设计初步
04-30
“JWFD开源工作流-矩阵引擎设计初步”这一标题指出，讨论的主题是关于一个名为JWFD的开源工作流系统，其核心特性可能涉及到矩阵引擎的设计阶段。工作流系统通常用于自动化业务流程管理，而矩阵引擎可能是用于处理...
JWFD开源工作流矩阵引擎升级代码包
10-31
JG做到100个节点，200个连接的时候，绘图器速度就比较慢了，自己开发的设计器要解决这个速度问题，掌握流程大模型生成的技术 by comsci 2023.10.28 经过对60个节点和105个连接的流程图test119的矩阵数据的测试...
JWFD开源工作流-矩阵数据库压缩工程最新进展
comsci的专栏
11-12 54
通过裁剪数据格式，100个节点的矩阵参数表压缩到只有8K的存储量，通过压缩矩阵表的冗余数据把原来22K的矩阵表压缩到只有11K，松散矩阵变成一个稠密矩阵，整个数据库的数据量加起来只有19K了压缩了45%以上。那么100万个节点150万连接的神经网络的数据库容量计算下来大概只需要180MB-200MB存储空间就可以完全存储实现对整个人脑的神经网络建模并存储在一个工作站的硬盘里面，是完全可行的，届时，AI大模型只需要一台高性能工作站PC就可以完全实现，类人机器人的智能将实现大幅度的提高。
JWFD开源工作流-随机函数发生器最新进展
comsci的专栏
11-10 89
使用WIN7 32位，JDK1.8平台，跑语法分析，实测结果如上图，比JDK1.6的每个函数计算速度快了不止100倍，升级为JDK1.8是正确的选择，这个模块是典型的变形函数计算单元，可以解决很多需要动态变形物理模型的问题，估算值是，一秒钟可以变形20000-30000次。
JWFD开源工作流-矩阵引擎-遍历伪代码算法
comsci的专栏
09-03 208
下标:(0,2): 节点标签:(node0,node2): 节点状态:(0,0): 节点标志:普通点。下标:(1,2): 节点标签:(node1,node2): 节点状态:(0,0): 节点标志:普通点。下标:(6,2): 节点标签:(node6,node2): 节点状态:(0,0): 节点标志:普通点。下标:(7,8): 节点标签:(node7,node8): 节点状态:(0,0): 节点标志:起始点。下标:(2,3): 节点标签:(node2,node3): 节点状态:(0,0): 节点标志:普通点。
JWFD开源工作流-矩阵引擎设计-高维向量空间分析法
comsci的专栏
09-06 508
矩阵是一种纯粹的数学模型，要在这种数学模型上实现循环，跳跃和回退等。根据我的研究 矩阵模型的维度高出链表一级，我们在矩阵模型上做的控制和操作。如何把矩阵表和路由表的参数结合起来，形成一个高维向量空间，然后在这个空间。探测到，遍历并没有完全的完成，仍然有泄露的节点在其中，这个问题需要进一步。在完成遍历和排序之后，矩阵的循环，跳跃和回退等模块是否和数据库模型的时候。亿级参数模型，可以进行智能模拟和生成式人工智能，但是我们的矩阵工作流开发。抛弃掉深度学习的那些看起来深奥的学术词汇，人工智能的最底层的模型和结构。
JWFD开源工作流矩阵引擎测试版本BUG20231022修正代码
comsci的专栏
10-22 450
请把该函数覆盖到JWFD开发包的org.jwfd.workflowEngines.Matrix.DataMatrix.java文件的同名函数中，非常感谢大家的支持，因为矩阵引擎并没有任何先例可以借鉴，所以一步一步的再做，还有很多不完善的地方。。。。
JWFD开源工作流-矩阵引擎设计-遍历排序算法运行测试
comsci的专栏
10-01 1040
下标:(8,1): 节点标签:(node8,node1): 节点状态:(0,0): 节点标志:普通点。下标:(1,9): 节点标签:(node1,node9): 节点状态:(0,0): 节点标志:普通点。下标:(5,1): 节点标签:(node5,node1): 节点状态:(0,0): 节点标志:普通点。下标:(2,0): 节点标签:(node2,node0): 节点状态:(0,0): 节点标志:普通点。下标:(0,1): 节点标签:(node0,node1): 节点状态:(0,0): 节点标志:普通点。
JWFD开源工作流矩阵引擎BUG提示
comsci的专栏
10-20 56
由于这个测试版本的矩阵引擎在设计的时候，没有考虑到流程图节点数量超过10个以上的问题，导致引擎在进行节点匹配的时候，出现十位数以上的匹配错误，导致引擎运行失败，正在修复这个BUG，请大家注意这个问题。
JWFD开源工作流最新版本-矩阵转换
chenglan8953的博客
08-15 133
COMSCI最新发布了矩阵转换的JWFD开源工作流系统 欢迎下载，地址 ：https://www.cnblogs.com/comsci/favorite/260690.html ...
JWFD开源工作流矩阵引擎-遍历算法第二次修正代码
comsci的专栏
10-27 76
请在上一次修正的src\org\jwfd\workflowEngines\Matrix\DataMatrix.java文件上面，覆盖原同名函数，如果运行不正确，请下载JWFD的矩阵引擎开发包或者修改配置参数文件，非常感谢大家的支持，我还将继续发布矩阵引擎的升级代码。。。
JWFD开源工作流矩阵模块设计简要说明
05-05
《JWFD开源工作流矩阵模块设计简要说明》 JWFD，作为一个先进的开源工作流管理系统，其矩阵模块的设计是整个系统的核心部分之一。这个模块的目的是通过矩阵方法优化工作流程，提高效率，实现任务的高效管理和分配。...
[JWFD开源工作流]JWFD开源工作流-设计器界面二次开发说明(添加工具栏图标)
08-08
[JWFD开源工作流]是一款面向开发者和企业提供的高效、易用的工作流引擎，它提供了完整的流程设计、执行、监控等功能。本篇主要聚焦于[JWFD开源工作流]的设计器界面的二次开发，特别是如何进行工具栏图标的添加。在...
[JWFD开源工作流]大规模拓扑矩阵存储结构最新进展
04-23
标题中的 "[JWFD开源工作流]大规模拓扑矩阵存储结构最新进展" 指向的是一个关于开源工作流系统中处理大规模拓扑矩阵存储结构的更新或改进。这种存储结构对于处理复杂的工作流程和数据关系至关重要，尤其是在图计算、...
AGI 之 【Hugging Face】 的【问答系统】的 [构建问答系统] / [ 构建基于评论的问答系统 ] 的简单整理
仙魁XAN
07-12 777
AGI，即通用人工智能（Artificial General Intelligence），是一种具备人类智能水平的人工智能系统。它不仅能够执行特定的任务，而且能够理解、学习和应用知识于广泛的问题解决中，具有较高的自主性和适应性。AGI的能力包括但不限于自我学习、自我改进、自我调整，并能在没有人为干预的情况下解决各种复杂问题。AGI能做的事情非常广泛：跨领域任务执行：AGI能够处理多领域的任务，不受限于特定应用场景。自主学习与适应：AGI能够从经验中学习，并适应新环境和新情境。
人工智能在自动驾驶中的目标检测研究
zhumin726的专栏
07-10 672
视觉识别技术在自动驾驶中的目标检测扮演着不可或缺的角色。通过不断优化目标检测算法，结合最新的深度学习技术，自动驾驶车辆将能够更加准确、安全地感知周围环境，实现真正的无人驾驶。视觉识别技术使得车辆能够像人类一样“看”到周围环境，通过图像处理和深度学习算法，实现对周围目标的检测和识别。我们将详细讨论目标检测的基本原理、常用算法、最新进展、已有的开源项目及其在自动驾驶中的应用和挑战。通过这些详细的讨论和分析，我们可以更好地理解人工智能在自动驾驶中如何通过视觉识别进行目标检测，并进一步推动这一技术的研究和应用。
聊聊如何在内网下构建大模型微调环境
python1234567_的博客
07-12 703
LlamaFactory新版更新后，还是比较方便，只是说llamafactory-cli命令的确是有点蒙，踩个坑就好了。对于LlamaFactory微调来说，本身不难，毕竟都是配置；主要是在内网环境下的依赖包拉取安装是真麻烦，但其实也还好。走一遍的话，还是可以学到很多的。​。
YOLOv10改进 | 特殊场景检测篇 | 轻量级的低照度图像增强网络IAT改进YOLOv10暗光检测（全网独家首发）
热门推荐
Snu77的博客
07-11 1万+
本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）
人力资源人工智能依赖于良好的数据
最新发布
yongyoudayee的博客
07-12 716
人力资源不断发展(HR)人工智能在技术领域(AI)它已经成为改变游戏规则的力量。人工智能驱动的工具有望简化人力资源流程，提高管理能力，彻底改变员工体验。然而，这些人工智能解决方案的有效性仅取决于算法的复杂性或计算硬件的能力。事实上，这种模式的很大一部分取决于一个基本的——良好的数据。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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