![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
人工智能
文章平均质量分 85
giszz
2001年注册CSDN,依旧在学习的路上。永远好奇,永远热泪盈眶。兴趣在人工智能、产研规划和项目落地。这里都是人工智能干货和系统的学习笔记系列作为特色!
展开
-
【AI】普通职场人的AI领导力升级之路:从试用AI产品开始
看看你在哪一级?原创 2024-06-06 18:28:42 · 380 阅读 · 0 评论 -
[AI]大模型训练成本到底有多大?
大模型成本到底有多大,大到太平洋装不下。上图是早前统计的,目前比较流行的大模型的厂家、模型名称、参数级别和类型。大模型的成本主要有三块,分别是训练成本、推理成本、储存成本。大模型的成本确实主要涉及训练成本、推理成本和储存成本。原创 2024-06-06 18:08:02 · 1032 阅读 · 0 评论 -
再看AIGC
之后就是一招得道天下闻名,这时往往是讲故事的阶段,好像任何一个领域都要被颠覆了,人人都很激动,不过这个阶段,反而没有什么拿得出手的真正的应用来。在没有很多人关注的时候,以为凉凉了,很多人甚至开始说“没戏”了,结果,陆续开始出现真正落地的应用,一些巨头也拿出像样的产品。不由得让我反思,真的要为了质量分,去堆积那么多的正确而重复的,看似条理清晰实际废话连篇的文章吗,我一开始的实践+学习笔记的模式,多好呀!我最近用AIGC写文章,真正的原创,少了很多,很多铁粉都离我而去了,非常的痛心和抱歉。原创 2024-04-12 17:03:38 · 758 阅读 · 1 评论 -
AI创业有哪些机会?
虚拟助手,大家可能想到的是数字人,其实数字人真的没啥用,很多时候就是之前的智能客服,多个形象,嘴巴也是不太会动的。当然,这是现在的版本,其实,虚拟助手,在很多专业领域,可是厉害多了,比如帮你写病历,分析地壳成分,等等。也不用这样,他们没有多少数据,没有多少人,虽然更容易面对全球市场,但是从应用土壤的角度,我们还是有优势的。红衣大叔就不只一次说过,我们不要觉得,在大模型方面,始终在追赶和学习,利用别人的开源的东西,就觉得矮人一头,不要这样想。AI在教育上的渗透,是比较早的,因为这块有格则可循,而且是刚需。原创 2024-04-07 19:50:40 · 452 阅读 · 0 评论 -
浅谈深度学习的学习方法
可以选择一些知名的在线教育平台,如Coursera、Udacity等,它们提供了丰富的深度学习课程。在开始学习深度学习之前,建议先掌握一些基础知识,这样可以更加顺畅地理解深度学习的概念和原理。:在学习的过程中,尽量多动手写代码,实现一些简单的深度学习模型,如神经网络、卷积神经网络等。:参加一些深度学习相关的学术竞赛或工业界的挑战赛,通过解决实际问题来提升自己的技能。:加入深度学习相关的技术社区或论坛,与他人分享自己的学习心得和疑问,共同进步。深度学习的入门路径有很多,选择合适的路径可以大大提高学习效率。原创 2024-03-31 23:26:31 · 612 阅读 · 0 评论 -
说2个AI绘画自动生成器
它不仅为用户提供了全新的艺术创作方式,还大大降低了艺术创作的门槛,使得更多人能够轻松体验到艺术创作的乐趣。此外,Midjourney还提供了丰富的绘画风格和素材供用户选择,以满足用户个性化的创作需求。用户可以根据自己的喜好和需求,选择合适的绘画风格和素材进行创作。这些AI绘画自动生成器不仅为艺术家和创作者提供了更多的创作手段和可能性,也让普通人能够轻松体验到艺术创作的乐趣。等其他的AI绘画自动生成器,它们各有特点和优势,用户可以根据自己的需求选择合适的工具进行创作。原创 2024-03-31 23:23:40 · 472 阅读 · 0 评论 -
深入解析语言模型:原理、实战与评估
同时,随着多模态数据的日益丰富,结合文本、图像、音频等多种信息的跨模态语言模型也将成为研究热点。语言模型作为自然语言处理的核心技术之一,其原理、实战与评估方法对于推动NLP领域的发展具有重要意义。随着人工智能的飞速发展,语言模型作为自然语言处理(NLP)的核心技术之一,日益受到业界的广泛关注。语言模型是自然语言处理中的重要组成部分,其核心任务是预测给定上下文中下一个词的概率分布。:困惑度是衡量语言模型性能的常用指标,它反映了模型在测试集上的平均预测能力。评估语言模型的好坏是确保其实战性能的关键环节。原创 2024-03-31 23:17:34 · 675 阅读 · 0 评论 -
再说机器学习
机器学习是人工智能的一个子领域,它的核心是让计算机从数据中学习,从而能够自动地改进其性能,在没有明确编程的情况下能够预测新数据或做出决策。:神经网络是一种模拟人脑神经元结构的算法,它通过多层神经元的连接和激活函数来学习和表示复杂的模式。机器学习的实践涉及多个方面,包括选择合适的工具库(如TensorFlow、PyTorch等)、处理不平衡数据集、防止过拟合与欠拟合、优化模型性能以及解释和可视化模型结果等。:在这一阶段,数据被清洗、转换和标准化,以消除异常值、缺失值和不一致性,使其适合后续的机器学习算法。原创 2024-03-31 23:06:44 · 558 阅读 · 0 评论 -
ChatGPT提示词方法的原理
通过为模型提供一个或多个示例提示词,用户可以影响模型生成回答的风格、内容或结构。这些提示词可以是简单的单词、短语或完整的句子,它们被编码成向量并与输入序列一起送入模型中。模型在生成回答时会考虑这些提示词的信息,从而生成更符合用户期望的回答。模型内部的多头自注意力机制会捕捉输入序列中的不同方面的信息,并通过多层的计算逐步提炼出与问题相关的特征表示。这个过程中,模型会根据已生成的单词和上下文信息来预测下一个最可能的单词。通过反复进行这样的预测和生成步骤,ChatGPT最终能够生成一个完整的回答。原创 2024-03-17 22:57:31 · 907 阅读 · 0 评论 -
【AI】计算机视觉是什么
计算机视觉,作为人工智能领域的一个重要分支,是指通过计算机和相关设备模拟人类视觉系统的功能,从图像或视频中获取信息、理解内容并作出决策的一门科学。深度学习是近年来计算机视觉领域最热门的技术之一。端到端学习:未来的计算机视觉系统将更加倾向于端到端的学习方式,即直接从原始图像或视频中学习复杂的特征表示和决策函数,而无需进行繁琐的手工特征提取和模型调优。多模态融合:随着多媒体数据的爆炸式增长,未来的计算机视觉系统将更加注重多模态信息的融合和处理,如结合文本、语音和图像等多种信息来提高理解和决策的准确性。原创 2024-03-17 22:39:29 · 751 阅读 · 0 评论 -
【AI】机器学习是什么?
相关内容可以参考我之前的“大厂AI课笔记系列”。原创 2024-03-17 22:35:23 · 938 阅读 · 0 评论 -
【AI】LLaMA-3要来了?据说用了49,152个H100 GPU!
报道称,Meta希望Llama 3能够比肩OpenAI的GPT-4,后者已经成为一个强大的多模态模型,不仅能够处理更长的文本,还支持图像输入。该模型在自然语言处理领域引起了广泛的关注和研究,其强大的性能和开源的特性为学术界和工业界提供了丰富的研究资源和应用价值。最后,随着自然语言处理技术的不断发展和创新,LLaMA需要不断地改进和优化其算法和模型结构,以适应新的任务和应用场景。总之,LLaMA模型作为一款创新性和高效性的大型语言模型,在自然语言处理领域具有广泛的应用前景和研究价值。原创 2024-03-13 23:55:09 · 535 阅读 · 0 评论 -
【大厂AI课学习笔记NO.81】终结篇-考证成功!
特别是AIGC大模型方面的,我确实觉得大模型是有极大价值的,都是大力出奇迹的范畴,但是AIGC的大力,好像有点连通更高智慧的感觉。我这么说,可能要得罪好多人了,其实我也很懒,学习是反人性的,我也是没办法,对自己还有期待,有要求,而且也喜欢学习中片刻的沉静,或者是有所收获的成就感。出身央企,进过部委,创过业,一圈走下来,感觉还是做技术和产品最好,现在关注产品比关注技术更多一些,产品需要研究业务,也很有趣。我们可能需要用一生的时间,去认识自己,和自己好好相处,包括我们的身体,我们的内心。原创 2024-03-13 11:34:40 · 1190 阅读 · 0 评论 -
【大厂AI课学习笔记NO.80】深度学习行业人才能力图谱
本文将从领军人才、产业研发人才、应用开发人才和实用技能人才四个维度,对深度学习领域的就业岗位及所需的关键技术、工具和能力进行深入分析。此外,他们还需要具备强烈的创新意识和敏锐的市场洞察力,能够把握技术发展的趋势和机遇。此外,他们还需要具备团队协作能力和良好的沟通能力,能够与产品经理、开发人员等各方紧密合作,共同推动项目的进展。能力:应用开发人才需要具备扎实的编程能力和良好的软件设计能力。此外,他们还需要具备团队协作能力和良好的沟通能力,能够与产品经理、测试人员等各方紧密合作,共同推动项目的进展。原创 2024-03-11 16:15:02 · 606 阅读 · 0 评论 -
【大厂AI课学习笔记NO.79】机器学习行业人才能力图谱
此外,值得注意的是,机器学习领域的就业市场还呈现出以下特点:一是跨界融合趋势明显,需要人才具备跨学科的知识和技能;本文将从领军人才、产业研发人才、应用开发人才和实用技能人才四个维度,对机器学习领域的就业岗位进行深入分析。对于有志于投身机器学习领域的人士来说,掌握扎实的理论基础、积累丰富的实践经验、保持持续的学习和创新精神将是通往成功的关键。最后,面对机器学习领域的广阔就业前景和激烈竞争态势,求职者应明确自己的职业定位和发展方向,制定合理的学习计划和职业规划。有从事机器学习行业的小伙伴,人才岗位如上了。原创 2024-03-11 16:11:42 · 951 阅读 · 0 评论 -
【大厂AI课学习笔记NO.78】智能芯片产业人才能力图谱
综上所述,从事智能芯片行业的人才需要具备综合能力、专业知识能力、技能能力和工程能力等多方面的素质和能力。例如,在芯片设计团队中,需要能够与架构师、软件工程师、验证工程师等紧密合作,确保芯片设计的正确性和完整性。例如,在AI芯片设计中,需要能够运用创新的架构和算法来提高芯片的性能和能效比。在智能芯片行业,从事相关工作的人才同样需要具备综合能力、专业知识能力、技能能力和工程能力等四方面的素质。在智能芯片行业,专业知识能力是基础且核心的部分,它包括电子工程、微电子学、集成电路设计等方面的知识。原创 2024-03-10 23:50:12 · 970 阅读 · 0 评论 -
【大厂AI课学习笔记NO.77】人工智能产业的人才能力要素
在人工智能领域,系统的维护和优化是保障系统长期稳定运行和持续改进的重要环节,要求人才具备强大的维护和优化能力。同时,沟通表达能力也是人才在团队协作中必不可少的能力,他们需要能够清晰、准确地表达自己的思想和观点,以便更好地与他人合作和交流。综上所述,人工智能人才需要综合能力、专业知识能力、技能能力和工程能力等多方面的素质和能力。人工智能技术的实现需要编写大量的代码和程序,要求人才具备扎实的编程基础和良好的编程习惯。人工智能人才需要综合能力、专业知识能力、技能能力、工程能力等多方面的素质和能力。原创 2024-03-10 23:43:47 · 436 阅读 · 0 评论 -
【大厂AI课学习笔记NO.76】人工智能人才金字塔
源头创新人才是人工智能领域的核心,他们通常具有深厚的数学、计算机科学和物理学等理论基础,能够提出新的算法、模型和理论,推动人工智能技术的根本性进步。应用开发人才是人工智能领域的实践者,他们负责将产业研发人才开发的产品和服务应用到具体的行业和场景中,解决实际的业务问题。产业研发人才是人工智能领域的中坚力量,他们负责将源头创新人才的研究成果转化为实际的产品和服务,推动人工智能技术的产业化进程。源头创新人才的培养需要长时间的积累和沉淀,他们通常需要经历严格的学术训练和实践锻炼,具备扎实的专业基础和广泛的知识面。原创 2024-03-10 23:36:07 · 529 阅读 · 0 评论 -
【大厂AI课学习笔记NO.75】人工智能产业的就业岗位分布
在机器学习和深度学习领域,就业岗位主要包括算法工程师、数据科学家、机器学习工程师等。知识图谱是一种表示和管理知识的方法和技术,它通过将各种实体、概念、事件等以图的形式进行表示和关联,实现对知识的有效组织和管理。人工智能作为当今科技革命与产业变革的重要驱动力量,其就业岗位分布广泛,涵盖了物联网、智能芯片、机器学习、深度学习、计算机视觉、自然语言处理、智慧语音、机器人、知识图谱等多个领域。就业领域包括物联网、智能芯片、机器学习、深度学习、计算机视觉CV、自然语言处理NLP、智慧语音、机器人、知识图谱等领域。原创 2024-03-10 23:32:09 · 479 阅读 · 0 评论 -
【大厂AI课学习笔记NO.74】人工智能产业技术架构
包括基础层、技术层和应用层。人工智能的产业技术架构是一个多层次、多维度的复杂系统,它涵盖了从基础硬件和软件设施到高级算法和应用技术的全过程。这个架构通常可以分为三个主要层次:基础层、技术层和应用层。下面我将详细论述这三个层次及其细分内容。原创 2024-03-10 23:25:44 · 696 阅读 · 0 评论 -
【大厂AI课学习笔记NO.73】人工智能未来十大发展趋势
通过智能化的教学辅助系统、个性化的学习路径规划、实时的学习反馈等方式,AI可以帮助教师更好地开展教学工作、提高学生的学习效果和质量。这种融合不仅将提升AI算法的处理能力和学习效率,还将促进AI在更多领域的应用和创新。未来,AI系统将更加注重可解释性和透明度的提升,以增强人类用户对AI决策的信任和理解。通过制定更加全面和严格的法律法规、建立专门的监管机构等方式,可以规范AI技术的研发和应用行为,保护用户隐私和数据安全。随着AI算法的日益复杂和计算需求的不断增长,AI芯片和硬件的革新将成为必然趋势。原创 2024-03-10 23:20:23 · 784 阅读 · 0 评论 -
【大厂AI课学习笔记NO.72】AI与云计算
由于远端服务器通常具备高性能的计算硬件和大容量的存储设备,因此可以处理更加复杂的AI算法和模型,同时存储更多的数据。智能家居系统:在智能家居系统中,可以利用边缘端AI实现家居设备的实时感知和控制,同时利用远端AI对用户的行为和需求进行深度学习和预测。智能交通系统:在智能交通系统中,可以利用边缘端AI实现车辆的实时感知和决策,同时利用远端AI进行全局的交通流分析和优化。虽然远端AI和边缘端AI在应用场景和优势上有所不同,但它们并不是互相排斥的,而是可以相互结合和补充的。原创 2024-03-10 13:12:40 · 1214 阅读 · 0 评论 -
【大厂AI课学习笔记NO.71】AI算力芯片GPU/TPU等
在AI技术发展的初期,大部分的计算任务都是由CPU来完成的。从早期的基于传统中央处理器(CPU)的计算,到图形处理器(GPU)的广泛应用,再到专门为AI设计的处理器如神经处理单元(NPU)和张量处理单元(TPU)的出现,AI算力芯片不断演进,以满足日益增长的计算需求。由于不同芯片在设计和制造上的差异,以及任务类型的不同,很难给出一个具体的倍数关系来描述它们之间算力和功耗的对比。GPU最初是为了加速图形渲染而设计的,但其高度并行的架构也非常适合进行大规模的矩阵运算,这使得GPU成为深度学习训练的首选硬件。原创 2024-03-10 12:21:46 · 1190 阅读 · 0 评论 -
【大厂AI课学习笔记NO.70】GitHub,GitLab,CODING等
GitHub是一个面向开源及私有软件项目的托管平台,因为只支持Git作为唯一的版本库格式进行托管,故名GitHub。Bitbucket是Atlassian公司推出的一个基于Git的代码托管平台,除了提供基本的代码托管服务外,还与Atlassian的其他产品(如Jira、Confluence等)深度集成。GitLab的使用方法与GitHub类似,也支持网页界面和Git命令行操作。开发者可以通过CODING的网页界面进行代码的推送、拉取、分支、合并等操作,并可以使用其提供的项目管理工具进行任务的分配和跟踪。原创 2024-03-10 12:13:56 · 1035 阅读 · 0 评论 -
【大厂AI课学习笔记NO.69】使用开源管理仓库
而Git的分布式特性解决了这个问题,因为每个开发者的机器上都存储了完整的版本历史,使得版本控制更加灵活和可靠。而GitHub则提供了Git的在线托管和协作功能,促进了开发者之间的交流和合作。:GitHub还致力于教育和培训开发者,通过GitHub Learning Lab、GitHub Classroom和GitHub Pages等功能,提供了学习Git和软件开发的机会。:GitHub提供了企业级的计划,支持私有仓库、团队协作、代码审查和安全等功能,使得企业可以在GitHub上管理他们的软件开发流程。原创 2024-03-10 12:05:38 · 815 阅读 · 0 评论 -
【大厂AI课学习笔记NO.68】开源和开源发展情况
以上介绍了TensorFlow、PyTorch、Keras和MXNet这四个著名的开源人工智能框架。它们各有特点,适用于不同的应用场景。TensorFlow以其灵活性和可扩展性在多个领域广泛应用;PyTorch以其动态图和易用性受到研究者和开发者的喜爱;Keras以其简洁性和模块化使得初学者能够快速上手;MXNet以其高效性和跨平台兼容性在特定领域表现出色。选择合适的框架取决于具体的应用需求、硬件资源和开发者的熟悉程度。原创 2024-03-10 11:48:39 · 1220 阅读 · 0 评论 -
【大厂AI课学习笔记NO.67】PyTorch
PyTorch是由Facebook开源的神经网络框架,是torch的python版本,专门针对GPU加速的深度神经网络(DNN)编程。总结来说,PyTorch和TensorFlow都是优秀的机器学习框架,具有各自的优势和特点。选择哪个框架取决于具体的应用场景和需求。框架支持GPU,支持动态神经网络,面向对象的设计,代码非常的优雅,追求最小化的封装。同样的,大厂的框架,一定设计精美,最重要的是,有人维护,有人管,会不停的迭代。还有一个比较好的特点,是这个框架比较符合人类的思维,能够让用户聚焦自己的想法。原创 2024-03-10 11:36:37 · 502 阅读 · 0 评论 -
【大厂AI课学习笔记NO.66】TensorFlow
展望未来,我们可以期待TensorFlow在以下几个方面取得更大的进展:首先,在模型压缩和优化方面,TensorFlow可能会引入更多的技术来减小模型的大小和提高推理速度;其次,TensorFlow提供了多种优化算法,如梯度下降法、Adam和RMSProp等,这些算法可以根据不同的任务和数据集进行选择和调整。他说的是对的,人工智能,就是大力出奇迹,就是大量的算力,大量的数据,加上模型的加持,实现的智能感觉。这是我的脑图,节点,就是施加操作,数据的输入的起点和终点;线则是节点和变量之间的输入和输出的关系。原创 2024-03-03 23:51:28 · 746 阅读 · 0 评论 -
【大厂AI课学习笔记NO.65】机器学习框架和深度学习框架
机器学习框架机器学习框架是一套为数据科学家和工程师提供构建、训练和部署机器学习模型所需工具和库的软件系统。这些框架通常包含数据处理、特征工程、模型选择、训练、验证和部署等一系列功能,旨在简化机器学习流程,提高开发效率。深度学习框架深度学习框架是专门为构建、训练和部署深度学习模型而设计的软件系统。由于深度学习模型通常涉及大量的参数和复杂的计算图,这些框架特别优化了神经网络层的计算、梯度下降算法的实现以及GPU加速等功能。机器学习框架和深度学习框架在定义、区别和联系上各有特点。原创 2024-03-03 23:44:15 · 863 阅读 · 0 评论 -
【大厂AI课学习笔记NO.64】机器学习开发框架
机器学习开发框架本质上是一种编程库或工具,目的是能够让开发人员更容易、更快速地构建机器学习模型。机器学习开发框架封装了大量的可重用代码,可以直接调用,目的是避免“重复造轮子’大幅降低开发人员的开发难度,提高开发效率。机器学习开发框架是涵盖用于分类,回归,聚类,异常检测和数据准备的各种学习方法,并且可以包含神经网络方法。机器学习开发框架是专门为机器学习应用设计与优化的软件库或工具集。它们提供了一套完整的基础设施,帮助数据科学家、工程师和研究人员高效地开发、训练、部署和维护机器学习模型。原创 2024-03-03 23:38:08 · 580 阅读 · 0 评论 -
【大厂AI课学习笔记NO.63】模型的维护
说是模型的维护,其实这堂课都是在讲“在工业环境中开发和部署机器学习模型的流程”。上图来自于我的笔记思维脑图,已经上传,要链接的访问的主页查看资源。一路走来,我们学习了数据管理、模型学习、模型验证、模型部署等重要的步骤。其中模型学习,包括模型选择和模型训练。模型验证,要求:能够满足未知数据,泛化,合理处理,鲁棒性,满足需求;在人工智能项目中,数据管理、模型学习、模型验证和模型部署是构建和运营机器学习模型的核心步骤。每个步骤都有其独特的作用,包含一系列关键技术、细分步骤、理念和工具方法。原创 2024-03-03 23:33:44 · 615 阅读 · 0 评论 -
【大厂AI课学习笔记NO.62】模型的部署
我们历尽千辛万苦,总算要部署模型了。这个系列也写到62篇,不要着急,后面还有很多。这周偷懒了,一天放出太多的文章,大家可能有些吃不消,从下周开始,本系列将正常更新。这套大厂AI课,非常经典,我已经通过这套课程,考过了腾讯云的人工智能TCA认证。模型的部署要考虑很多问题,面临很多挑战。比如语言,我们都是用R语言或者PYTHON来开发,但是部署时,很多时候需要转换成C或者JAVA。我们还要考虑可移植性、可扩展性,还有算力的分配,等等。我们还需要需要模型引擎、工具库、数据转换器、模型库等。原创 2024-03-03 23:24:30 · 1026 阅读 · 0 评论 -
【大厂AI课学习笔记NO.61】环境部署的选择
开发环境是软件开发者在编写和调试代码时所使用的环境。原创 2024-03-03 23:17:08 · 899 阅读 · 0 评论 -
【大厂AI课学习笔记NO.60】(13)模型泛化性的评价
模型泛化性的评价方法主要包括留出验证、交叉验证、自助法等,下面详细阐述留出验证和交叉验证这两种常用的方法,以及它们的步骤和重要的工具,并给出具体的例子来说明。需要注意的是,在实际应用中,我们通常会结合多种评估方法和工具来全面评估模型的泛化性能。训练集用于训练模型,验证集用于调整模型参数和选择最佳模型,测试集用于评估模型的泛化性能。交叉验证是一种将数据集分成多份,每次使用其中的一份作为验证集,其余的作为训练集的验证方法。例如,将70%的数据作为训练集,剩余的30%再平均分为验证集和测试集。原创 2024-03-03 23:10:30 · 736 阅读 · 0 评论 -
【大厂AI课学习笔记NO.59】(12)过拟合与欠拟合
简单的模型可能具有较高的偏差和较低的方差,而复杂的模型可能具有较低的偏差和较高的方差。因此,在选择模型和优化策略时,需要综合考虑偏差和方差之间的平衡,以及数据的特性。需要注意的是,偏差和方差通常是相互矛盾的,即偏差的减小可能导致方差的增加,反之亦然。因此,在选择模型时,需要综合考虑偏差和方差之间的平衡,以及噪声对模型性能的影响,从而选择出最优的模型。总的来说,偏差-方差分解提供了一种从偏差和方差的角度来解释学习算法泛化性能的方法,有助于我们更好地理解模型的性能表现,并指导我们进行模型选择和优化。原创 2024-03-03 23:02:05 · 983 阅读 · 0 评论 -
【大厂AI课学习笔记NO.58】(11)混淆矩阵
混淆矩阵是一个N×N的矩阵(N为类别的数量),用于展示分类模型的预测结果与真实结果之间的对应关系。矩阵的每一行代表实际类别,每一列代表预测类别。矩阵中的元素表示实际类别与预测类别之间的样本数量。原创 2024-03-03 22:54:05 · 1114 阅读 · 0 评论 -
【大厂AI课学习笔记NO.57】(10)分类任务的评价指标
我们实际做的是一个分类任务。在人工智能深度学习项目中,分类任务是指一种特定的任务类型,即预测结果是离散值的任务。具体来说,分类任务的目标是将输入数据划分到不同的类别中。这些类别可以是二分类(如垃圾邮件分类,将邮件分为垃圾邮件或非垃圾邮件),也可以是多分类(如图像识别,将图像分为猫、狗、鸟等多个类别)。在分类任务中,深度学习模型通过学习输入数据的特征,并找到能够区分不同类别的分界面或决策边界。当新的输入数据进入模型时,模型会根据学习到的分界面将其划分到相应的类别中。原创 2024-03-03 22:49:06 · 781 阅读 · 0 评论 -
【大厂AI课学习笔记NO.56】(9)模型评测
腾讯云人工智能从业者TCA认证,信息系统项目管理师。原创 2024-03-03 22:42:56 · 854 阅读 · 0 评论 -
【大厂AI课学习笔记NO.55】2.3深度学习开发任务实例(8)模型训练
作者简介:giszz,腾讯云人工智能从业者TCA认证,信息系统项目管理师。博客地址声明:本学习笔记来自腾讯云人工智能课程,叠加作者查阅的背景资料、延伸阅读信息,及学习心得理解等。仅供学习使用,请勿转载,如有争议,请联系博主。笔记思维脑图已上传,有需要的朋友可到博主首页——下载,自行获取。原创 2024-02-26 23:15:09 · 1197 阅读 · 0 评论 -
【大厂AI课学习笔记NO.54】2.3深度学习开发任务实例(7)数据标注和数据集拆分
它主要用于创建计算机视觉和机器学习应用所需的标记数据集,支持多种标注类型,如矩形框、多边形、圆形、多段线、线段、点等,可以用于目标检测、图像分割等任务。它的源代码已经开源,并且可以在服务器上安装使用,是一个在线的Javascript图像标注工具,可以在任意地方使用,不需要在电脑中安装大型数据集。在YOLO格式中,这个文件的每一行代表一个对象,包含以下信息:对象类别ID、对象的中心点x坐标、对象的中心点y坐标、对象的宽度、对象的高度。这些信息都是相对于图像的宽度和高度的比例值,并且是按空格分隔的浮点数。原创 2024-02-26 22:53:40 · 827 阅读 · 0 评论