- 博客(307)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 在目标检测模型中使用正样本和负样本组成的损失函数。
在这种设置中，正样本（预测框A）用于计算主要的分类和定位损失，使得模型能够学习更好地预测目标的类别和位置。而负样本（预测框B和C）则用于计算分类损失，帮助模型不误检测不相关的框。这种方式通过优化正样本的损失，并在负样本中最小化不必要的影响，从而提升目标检测模型的整体性能。
2024-09-06 18:41:07
801
原创 Anchor Alignment Metric来优化目标检测的标签分配和损失函数。
通过这种方式，TaskAligned方法能够动态调整Anchor的标签分配，使得模型能够在训练过程中更加关注与真实目标对齐的Anchor，从而提升目标检测的性能。
2024-09-06 18:23:26
822
原创 【github pull request贡献】
我们可以简单的将开源项目划分成两类，一类是给最终用户使用的项目；对于第二类项目，有可以分为几类：开发框架（各种Web MVC框架）、基础服务（MySQL、Message Queue）、可以被插件扩展的软件（FIrefox、Chrome）、编程语言（Ruby、Python、NodeJS）、模板引擎（SaSS、Less、HAML）等等。好的开源项目，通常会选择合理的目录结构，来组织自己的代码。而包（Package），则往往具有一定的可重用性。我们可以认为，一个模块，开源出去未必会有人来用。
2024-09-02 14:31:01
281
原创 【写提示最厉害的了：Prompt Poet 通过低代码简化了 Prompt Design 的过程】
全球最大的 AI 虚拟人物对话平台 Character.AI 开源了它们的 Prompt Design 项目—— Prompt Poet
2024-08-27 18:27:52
202
原创 【docker compose 部署和 go 热部署工具fresh】
文件配置得很全面，以下是一些注释如果你想启用热部署以便每次修改代码后自动重启 API 服务，可以使用fresh工具。下面是如何安装和配置fresh。
2024-08-23 11:31:04
503
原创 【3种 LangChain 替代品 LlamaIndex、FlowiseAI、Autochain】
LlamaIndex、FlowiseAI、Autochain
2024-08-22 16:32:22
278
原创 【llamaindex和GraphRAG】
LlamaIndex是一个利用大型语言模型（LLMs）构建具备情境增强功能的生成式人工智能应用程序的框架。数据连接器：从其原始来源和格式中导入现有数据，如 API、PDF、SQL 等。数据索引：以中间表示形式结构化数据，便于 LLM 高效使用。引擎查询引擎：用于问答的强大接口（例如，RAG 管道）。聊天引擎：用于与数据进行多轮“来回”互动的对话接口。智能体：由 LLM 驱动的知识工作者，通过工具增强，从简单的助手功能到 API 集成等。可观测性/评估集成。
2024-08-19 13:36:45
587
原创 【层归一化用于单个样本适合于序列建模，通俗】
层归一化，简称LayerNorm，会将神经网络层的激活值规范到均值为0，并将其方差归一化为1。尤其是在循环神经网络（RNNs）和自注意力模型（如 Transformers）中。LayerNorm 会对输入样本分别归一化（下图中的行,水平箭头）;使用dim=-1是在最后一个维度（特征维度）而不是行维度（样本数）上进行计算。
2024-08-09 20:28:53
704
原创 【BM25和TFIDF比较 精华】
TF-IDF是一种简单的加权机制，通过词频和逆文档频率来衡量单词的重要性。BM25是一种更复杂的算法，通过引入非线性词频变换和文档长度归一化，提供了更精确的文档相关性评估，适合需要高精度检索结果的应用场景。在信息检索系统中，BM25主要用于排序阶段，即对已经召回的文档进行相关性评分和排序。然而，在召回阶段，BM25本身并不是直接使用的工具。召回阶段通常依赖于索引和搜索机制来获取一个初步的文档集合，然后再对这些文档使用BM25进行排序。BM25在信息检索系统中主要用于排序阶段。
2024-08-07 11:33:42
1001
原创 【PCA提取主要特征通俗】
通过上述步骤，我们可以将原始数据投影到主要成分上，从而生成新的特征集合。这些新的特征保留了数据中的主要信息，同时简化了数据结构。假设我们已经通过PCA计算出了特征向量（主要成分），我们可以将原始数据投影到这些主要成分上。其中 (\mu) 是每个特征的均值，(\sigma) 是每个特征的标准差。：将原始数据投影到选定的主要成分上，得到新的特征集合。这样，我们就得到了新的特征集合（主成分）( Y )。：确保数据的每个特征都有均值为0，标准差为1。：选择前几个特征值最大的特征向量作为主要成分。
2024-08-05 17:46:48
995
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人