人工智能作业3

已于 2022-05-08 23:06:55 修改
阅读量527 收藏
点赞数 1
分类专栏： AI 文章标签： 人工智能 pytorch python
于 2022-05-08 23:02:46 首次发布
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/m0_53678120/article/details/124654475
版权

一、使用pytorch复现课上例题。

import torch
 
x1, x2 = torch.Tensor([0.5]), torch.Tensor([0.3])
y1, y2 = torch.Tensor([0.23]), torch.Tensor([-0.07])
print("=====输入值：x1, x2；真实输出值：y1, y2=====")
print(x1, x2, y1, y2)
w1, w2, w3, w4, w5, w6, w7, w8 = torch.Tensor([0.2]), torch.Tensor([-0.4]), torch.Tensor([0.5]), torch.Tensor(
    [0.6]), torch.Tensor([0.1]), torch.Tensor([-0.5]), torch.Tensor([-0.3]), torch.Tensor([0.8])  # 权重初始值
w1.requires_grad = True
w2.requires_grad = True
w3.requires_grad = True
w4.requires_grad = True
w5.requires_grad = True
w6.requires_grad = True
w7.requires_grad = True
w8.requires_grad = True
 
 
def sigmoid(z):
    a = 1 / (1 + torch.exp(-z))
    return a
 
 
def forward_propagate(x1, x2):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = sigmoid(in_h1)  # out_h1 = torch.sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = sigmoid(in_h2)  # out_h2 = torch.sigmoid(in_h2)
 
    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = sigmoid(in_o1)  # out_o1 = torch.sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = sigmoid(in_o2)  # out_o2 = torch.sigmoid(in_o2)
 
    print("正向计算：o1 ,o2")
    print(out_o1.data, out_o2.data)
 
    return out_o1, out_o2
 
 
def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    loss = (1 / 2) * (y1_pred - y1) ** 2 + (1 / 2) * (y2_pred - y2) ** 2  # 考虑 ： t.nn.MSELoss()
    print("损失函数（均方误差）：", loss.item())
    return loss
 
 
def update_w(w1, w2, w3, w4, w5, w6, w7, w8):
    # 步长
    step = 1
    w1.data = w1.data - step * w1.grad.data
    w2.data = w2.data - step * w2.grad.data
    w3.data = w3.data - step * w3.grad.data
    w4.data = w4.data - step * w4.grad.data
    w5.data = w5.data - step * w5.grad.data
    w6.data = w6.data - step * w6.grad.data
    w7.data = w7.data - step * w7.grad.data
    w8.data = w8.data - step * w8.grad.data
    w1.grad.data.zero_()  # 注意：将w中所有梯度清零
    w2.grad.data.zero_()
    w3.grad.data.zero_()
    w4.grad.data.zero_()
    w5.grad.data.zero_()
    w6.grad.data.zero_()
    w7.grad.data.zero_()
    w8.grad.data.zero_()
    return w1, w2, w3, w4, w5, w6, w7, w8
 
 
if __name__ == "__main__":
 
    print("=====更新前的权值=====")
    print(w1.data, w2.data, w3.data, w4.data, w5.data, w6.data, w7.data, w8.data)
 
    for i in range(1):
        print("=====第" + str(i) + "轮=====")
        L = loss_fuction(x1, x2, y1, y2) # 前向传播，求 Loss，构建计算图
        L.backward()  # 自动求梯度，不需要人工编程实现。反向传播，求出计算图中所有梯度存入w中
        print("\tgrad W: ", round(w1.grad.item(), 2), round(w2.grad.item(), 2), round(w3.grad.item(), 2),
              round(w4.grad.item(), 2), round(w5.grad.item(), 2), round(w6.grad.item(), 2), round(w7.grad.item(), 2),
              round(w8.grad.item(), 2))
        w1, w2, w3, w4, w5, w6, w7, w8 = update_w(w1, w2, w3, w4, w5, w6, w7, w8)
 
    print("更新后的权值")
    print(w1.data, w2.data, w3.data, w4.data, w5.data, w6.data, w7.data, w8.data)

二、对比【作业3】和【作业2】的程序，观察两种方法结果是否相同？如果不同，哪个正确？

作业2运行结果
在这里插入图片描述

作业3运行结果
在这里插入图片描述
对比可得，作业3的答案正确

三、【作业2】程序更新（保留【作业2中】的错误答案，留作对比。新程序到作业3。）

新的代码

import numpy as np

w1, w2, w3, w4, w5, w6, w7, w8 = 0.2, -0.4, 0.5, 0.6, 0.1, -0.5, -0.3, 0.8
x1, x2 = 0.5, 0.3
y1, y2 = 0.23, -0.07
print("输入值 x0, x1:", x1, x2)
print("输出值 y0, y1:", y1, y2)


def sigmoid(z):
    a = 1 / (1 + np.exp(-z))
    return a


def forward_propagate(x1, x2, y1, y2, w1, w2, w3, w4, w5, w6, w7, w8):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = sigmoid(in_h2)

    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = sigmoid(in_o2)

    print("正向计算，隐藏层h1 ,h2：", end="")
    print(round(out_h1, 5), round(out_h2, 5))
    print("正向计算，预测值o1 ,o2：", end="")
    print(round(out_o1, 5), round(out_o2, 5))

    error = (1 / 2) * (out_o1 - y1) ** 2 + (1 / 2) * (out_o2 - y2) ** 2

    print("损失函数(均方误差)：",round(error, 5))

    return out_o1, out_o2, out_h1, out_h2


def back_propagate(out_o1, out_o2, out_h1, out_h2):
    # 反向传播
    d_o1 = out_o1 - y1
    d_o2 = out_o2 - y2

    d_w5 = d_o1 * out_o1 * (1 - out_o1) * out_h1
    d_w7 = d_o1 * out_o1 * (1 - out_o1) * out_h2
    d_w6 = d_o2 * out_o2 * (1 - out_o2) * out_h1
    d_w8 = d_o2 * out_o2 * (1 - out_o2) * out_h2

    d_w1 = (d_o1 * out_h1 * (1 - out_h1) * w5 + d_o2 * out_o2 * (1 - out_o2) * w6) * out_h1 * (1 - out_h1) * x1
    d_w3 = (d_o1 * out_h1 * (1 - out_h1) * w5 + d_o2 * out_o2 * (1 - out_o2) * w6) * out_h1 * (1 - out_h1) * x2
    d_w2 = (d_o1 * out_h1 * (1 - out_h1) * w7 + d_o2 * out_o2 * (1 - out_o2) * w8) * out_h2 * (1 - out_h2) * x1
    d_w4 = (d_o1 * out_h1 * (1 - out_h1) * w7 + d_o2 * out_o2 * (1 - out_o2) * w8) * out_h2 * (1 - out_h2) * x2

    print("w的梯度:",round(d_w1, 2), round(d_w2, 2), round(d_w3, 2), round(d_w4, 2), round(d_w5, 2), round(d_w6, 2),
          round(d_w7, 2), round(d_w8, 2))

    return d_w1, d_w2, d_w3, d_w4, d_w5, d_w6, d_w7, d_w8


def update_w(w1, w2, w3, w4, w5, w6, w7, w8):
    # 步长
    step = 1
    w1 = w1 - step * d_w1
    w2 = w2 - step * d_w2
    w3 = w3 - step * d_w3
    w4 = w4 - step * d_w4
    w5 = w5 - step * d_w5
    w6 = w6 - step * d_w6
    w7 = w7 - step * d_w7
    w8 = w8 - step * d_w8
    return w1, w2, w3, w4, w5, w6, w7, w8


if __name__ == "__main__":

    print("权值w0-w7:",round(w1, 2), round(w2, 2), round(w3, 2), round(w4, 2), round(w5, 2), round(w6, 2), round(w7, 2),
          round(w8, 2))


    for i in range(1):
        print("=====第" + str(i+1) + "轮=====")
        out_o1, out_o2, out_h1, out_h2 = forward_propagate(x1, x2, y1, y2, w1, w2, w3, w4, w5, w6, w7, w8)
        d_w1, d_w2, d_w3, d_w4, d_w5, d_w6, d_w7, d_w8 = back_propagate(out_o1, out_o2, out_h1, out_h2)
        w1, w2, w3, w4, w5, w6, w7, w8 = update_w(w1, w2, w3, w4, w5, w6, w7, w8)

    print("更新后的权值w:",round(w1, 2), round(w2, 2), round(w3, 2), round(w4, 2), round(w5, 2), round(w6, 2), round(w7, 2),
          round(w8, 2))

在这里插入图片描述

四、对比【作业2】与【作业3】的反向传播的实现方法。总结并陈述。

作业2是通过手动用链式法则推公式方式实现的，容易出错，而作业3是通过计算图，backward()自动梯度计算实现的，方便很多。

五、激活函数Sigmoid用PyTorch自带函数torch.sigmoid()，观察、总结并陈述。

运行结果
在这里插入图片描述

将激活函数更换后，运行后结果并没有发生变化，所以直接调用torch.sigmoid可以节省很多操作

六、激活函数Sigmoid改变为Relu，观察、总结并陈述。

改变代码
在这里插入图片描述
运行结果
在这里插入图片描述

七、损失函数MSE用PyTorch自带函数 t.nn.MSELoss()替代，观察、总结并陈述。

替换损失函数

def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    #loss = (1 / 2) * (y1_pred - y1) ** 2 + (1 / 2) * (y2_pred - y2) ** 2  # 考虑 ： t.nn.MSELoss()
    loss_m=torch.nn.MSELoss()
    y_pred = torch.cat((y1_pred,y2_pred),dim=0)
    y = torch.cat((y1,y2),dim=0)
    loss=loss_m(y_pred,y)
    print("损失函数（均方误差）：", loss.item())
    return loss

运行结果
在这里插入图片描述

八、损失函数MSE改变为交叉熵，观察、总结并陈述。

交叉熵（Cross Entropy）：表示两个概率分布之间的距离，交叉熵越大，两个概率分布距离越远，两个概率分布越相异；交叉熵越小，两个概率分布距离越近，两个概率分布越相似.
替换代码为

def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    #loss = (1 / 2) * (y1_pred - y1) ** 2 + (1 / 2) * (y2_pred - y2) ** 2  # 考虑 ： t.nn.MSELoss()
    loss_m=torch.nn.CrossEntropyLoss()
    y_pred = torch.stack([y1_pred,y2_pred],dim=1)
    y = torch.stack([y1,y2],dim=1)
    loss=loss_m(y_pred,y)
    print("损失函数（均方误差）：", loss.item())
    return loss

运行结果
在这里插入图片描述

九、改变步长，训练次数，观察、总结并陈述。

# torch.nn.Sigmoid(h_in)
import matplotlib.pyplot as plt
import torch

x1, x2 = torch.Tensor([0.5]), torch.Tensor([0.3])
y1, y2 = torch.Tensor([0.23]), torch.Tensor([-0.07])
print("=====输入值：x1, x2；真实输出值：y1, y2=====")
print(x1, x2, y1, y2)
w1, w2, w3, w4, w5, w6, w7, w8 = torch.Tensor([0.2]), torch.Tensor([-0.4]), torch.Tensor([0.5]), torch.Tensor(
    [0.6]), torch.Tensor([0.1]), torch.Tensor([-0.5]), torch.Tensor([-0.3]), torch.Tensor([0.8])  # 权重初始值
w1.requires_grad = True
w2.requires_grad = True
w3.requires_grad = True
w4.requires_grad = True
w5.requires_grad = True
w6.requires_grad = True
w7.requires_grad = True
w8.requires_grad = True


def sigmoid(z):
    a = 1 / (1 + torch.exp(-z))
    return a


def forward_propagate(x1, x2):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = sigmoid(in_h1)  # out_h1 = torch.sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = sigmoid(in_h2)  # out_h2 = torch.sigmoid(in_h2)

    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = sigmoid(in_o1)  # out_o1 = torch.sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = sigmoid(in_o2)  # out_o2 = torch.sigmoid(in_o2)

    print("正向计算：o1 ,o2")
    print(out_o1.data, out_o2.data)

    return out_o1, out_o2


def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    loss = (1 / 2) * (y1_pred - y1) ** 2 + (1 / 2) * (y2_pred - y2) ** 2  # 考虑 ： t.nn.MSELoss()
    print("损失函数（均方误差）：", loss.item())
    return loss


def update_w(w1, w2, w3, w4, w5, w6, w7, w8):
    # 步长
    step = 1
    w1.data = w1.data - step * w1.grad.data
    w2.data = w2.data - step * w2.grad.data
    w3.data = w3.data - step * w3.grad.data
    w4.data = w4.data - step * w4.grad.data
    w5.data = w5.data - step * w5.grad.data
    w6.data = w6.data - step * w6.grad.data
    w7.data = w7.data - step * w7.grad.data
    w8.data = w8.data - step * w8.grad.data
    w1.grad.data.zero_()  # 注意：将w中所有梯度清零
    w2.grad.data.zero_()
    w3.grad.data.zero_()
    w4.grad.data.zero_()
    w5.grad.data.zero_()
    w6.grad.data.zero_()
    w7.grad.data.zero_()
    w8.grad.data.zero_()
    return w1, w2, w3, w4, w5, w6, w7, w8


if __name__ == "__main__":

    print("=====更新前的权值=====")
    print(w1.data, w2.data, w3.data, w4.data, w5.data, w6.data, w7.data, w8.data)
    Y=[]
    X=[]

    for i in range(40):
        print("=====第" + str(i) + "轮=====")
        L = loss_fuction(x1, x2, y1, y2)  # 前向传播，求 Loss，构建计算图
        L.backward()  # 自动求梯度，不需要人工编程实现。反向传播，求出计算图中所有梯度存入w中
        print("\tgrad W: ", round(w1.grad.item(), 2), round(w2.grad.item(), 2), round(w3.grad.item(), 2),
              round(w4.grad.item(), 2), round(w5.grad.item(), 2), round(w6.grad.item(), 2), round(w7.grad.item(), 2),
              round(w8.grad.item(), 2))
        w1, w2, w3, w4, w5, w6, w7, w8 = update_w(w1, w2, w3, w4, w5, w6, w7, w8)
        Y.append(L.item())
        X.append(i)

    plt.rcParams['font.sans-serif'] = ['SimHei']  # 可以plt绘图过程中中文无法显示的问题
    plt.plot(X,Y)
    plt.xlabel('迭代次数')
    plt.ylabel('Loss，step=1')
    plt.show()
    print("更新后的权值")
    print(w1.data, w2.data, w3.data, w4.data, w5.data, w6.data, w7.data, w8.data)


在这里插入图片描述
在这里插入图片描述

十、权值w1-w8初始值换为随机数，对比【作业2】指定权值结果，观察、总结并陈述。

更换为随机值
在这里插入图片描述

在这里插入图片描述
更换为随机值后相比作业2收敛速度降低。

十一、全面总结反向传播原理和编码实现，认真写心得体会。

反向传播算法主要由两个环节(激励传播、权重更新)反复循环迭代，直到网络的对输入的响应达到预定的目标范围为止。它的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层。如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，网络的学习在权值修改过程中完成。误差达到所期望值时，网络学习结束。另外如果激活函数使用的不是sigmoid函数而是ReLU,LeakyReLU或者是其它，只要对新的激活函数的一般形式进行求导，然后将求导结果应用到反向传播算法中即可。

r02～
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
人工智能导论课程大作业.zip
03-18
人工智能（Artificial Intelligence，简称AI）是一种前沿的计算机科学技术，其核心目标是通过模拟、延伸和拓展人类智能来构建智能机器与系统。它融合了计算机科学、数学、统计学、心理学、神经科学等多个学科的知识...
人工智能大作业.zip
06-28
本项目“人工智能大作业”便是一个集知识表示与推理、机器学习和自然语言处理技术于一体的五子棋对战系统，它通过Java编程语言实现，为学习者提供了一个全面理解AI技术的实践平台。 首先，我们来探讨知识表示与推理...
人工智能大作业
皮小孩的博客
07-04 7993
选择一个感兴趣的人工智能应用场景，写一个研究报告（需要有算法、代码实现）。举例：迷宫搜索、垃圾邮件检测、社交网络异常账号检测、信用卡欺诈、棋类强化学习、游戏强化学习等等（其他各种场景或者比赛项目都可以，自由选择）。不能抄袭或用往届的的材料。 大作业的结构包括选题背景、简要介绍、概要设计/总体设计、详细设计（每个模块，算法，包）、核心代码和实现、总结、分工等信息。 本文展示的是自然语言处理里面的词向量训练，训练预料是corpus语料库。 需要代做加QQ1975728171 研究报告部分展示： .
《人工智能》大作业反馈
April_Liu的blog
04-22 1067
春学期带了一门很有意思的课《人工智能与机器学习》，在学期初就在构思怎么才能把这门课上好，怎么才能让一群土木大类专业的小孩对人工智能这个领域感兴趣，怎么才能让他们将这个专业与自己专业结合起来。我对自己的要求就是希望自己能成为一个纽带，能够缩短双非学生和双一流学校学生的差距。于是本门课最后一周应用了双一流高校最喜欢的授课形式——大作业pre+报告。单从目前收到的ppt汇报上看，效果还不错呢。（20240419）
人工智能导论大作业
Sunflower的博客
01-10 5609
人工智能导论大作业题目 经过一学期，学过了人工智能导论，给我印象最深的莫过于最后的那个大题-贝叶斯公式。仅仅是简单的六个点竟然需要多次的递归调用才能实现。 · 不过其他的题目也是很可以的，都是需要斟酌不少，不会让你直接就做出来的。其实我也是比较喜欢这种模式的，虽然没有考试，但是做过这次的大作业之后，也能够把相对重要的知识点Get到。新型的课程也是需要新型的考察方式。 下学期的...
人工智能决策树大作业
weixin_45202602的博客
12-29 2480
以西瓜集 2.0 为建模数据，采用交叉验证方法进行数据训练集和验证集的划分，实现决策树 “预剪枝”算法
人工智能大作业——五子棋
qq_45043734的博客
08-01 9212
前言： 我这个五子棋作业是参考： https://blog.csdn.net/wudingan/article/details/106812722 （实现了完整的人机对战，通俗易懂。） 我只是在此基础上做修改增加加入进入游戏界面，人人对战，回到主界面，重新开始游戏的一些小功能 使用pygame 主界面效果图 这个主界面嘛都是ps上去的，主要是为了好看，我们需要实现点击人机对战和人人对战两个按钮进入相应的界面，这个就需要在代码中添加这两个按钮对应的x,y范围。 1.导入必要库以及定义一些全局变量 2.定义一
人工智能作业及答案
qq_42829312的博客
06-07 4648
人工智能课程作业总结
AI作业ch7
JamSlade的博客
04-23 841
决策树样例 测评代码 #include <bits/stdc++.h> using namespace std; // 每个数据或是整数或是浮点数，实际使用时每个数据仅其中一个值有效 struct Val { int i; double d; Val(int _i): i(_i), d(0) {} Val(double _d): i(0), d(_d) {} }; bool operator != (const Val& lhs, const Va
人工智能大作业合集
热门推荐
qq_39767973的博客
02-15 1万+
本文是我上课的人工智能大作业集锦 总共有四个大作业 仅供大家参考 如果有时间就分开讲讲 有关于： 知识表示法 人工神经网络 专家系统 机器学习等的概念上的理解和异同之类的知识。最近出了成绩 成绩比较高 所以自认为还是有些参考价值的 都是百度不到的东东 希望对大家有帮助吧 奥利给~~ 链接：https://pan.baidu.com/s/14t_g272I23el-4IArA2smA 提取码：jqy...
基于Python实现的人工智能作业小车问题
毕业作品网站
09-20 1191
本次设计为强化学习方面的程序设计，通过这次作业我加深了对 Q-learning 和 SARSA 两类算法的理解，用实践巩固了理论知识，并从程序结果更清晰地体会到了不同算法之间的差异，新学习了 SARSA(λ)和函数逼近的 DQN 算法，也是对之前监督学习的一个回顾，同时， 我掌握并锻炼了 python 语言的编写，熟悉了 pycharm 平台的相关操作，有了上大作业的经验，这次配置环境、安装数据包等都熟练了很多。3.1 离散版本𝐌𝐨𝐮𝐧𝐭𝐚𝐢𝐧𝐂𝐚𝐫 − 𝐯𝟎 2。（2）Q-learning 算法 2。
人工智能 清览作业1
zumhui的博客
11-16 2029
1.考虑一个实时的在线电话翻译系统，该系统实现英语与日语之间的实时在线翻译，讨论该系统的性能度量，环境，执行器，感知器，并对该环境的属性进行分析。 性能度量：翻译的正确率 环境：电话线路、电话两侧的声音来源 传感器：麦克风 执行器：音响 环境属性：完全可观察的，单agent，确定的，片段的，静态的，离散的 为了确保翻译的完整性，这个agent的传感器应该在每个时间点上都能获取环境的完整状态，即读取音源，故是完全可观察的； 实事翻译不需要和别的agent交互，故是单agent； 在线电话翻译agent的下一状
人工智能大作业/课程设计
12-25
人工智能大作业/课程设计 小白不懂运行，下载完可以私聊问，可远程教学 该资源内项目源码是个人的课程设计，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心下载使用！ ## 项目备注 1、该...
人工智能课程大作业.pdf
05-29
总的来说，人工智能在五子棋游戏中的应用体现了其在解决复杂决策问题的能力，通过不断学习和优化，有望实现更加智能、反应更快的AI系统。这不仅是对五子棋游戏的提升，也是人工智能在更广泛领域的应用探索。
GZHU 人工智能作业.zip
03-18
人工智能（Artificial Intelligence，简称AI）是一种前沿的计算机科学技术，其核心目标是通过模拟、延伸和拓展人类智能来构建智能机器与系统。它融合了计算机科学、数学、统计学、心理学、神经科学等多个学科的知识...
大模型微调工具-torchtune
weixin_40777649的博客
08-08 1058
1.定义2.安装3. 案例。
根据哈希值或者特征值判断图片是否相同
Y_warmth
08-09 717
detectAndCompute 方法结合了特征检测和描述符计算两个步骤，可以在图像中检测出特征点并计算这些特征点的描述符。ORB（Oriented FAST and Rotated BRIEF）是一种结合了 FAST 特征检测器和 BRIEF 描述符的特征提取算法，具有旋转不变性和尺度不变性，适用于图像特征匹配、目标检测等任务。接着使用 ORB 对象的 detectAndCompute() 方法检测图像中的特征点并计算描述符，最后将特征点绘制在图像上并显示出来。
LangChain与Elasticsearch向量数据库的完美结合
最新发布
python1234_的博客
08-13 1173
在过去的一年中，生成式 AI (Generative AI) 领域取得了显著的进展。许多新的服务和工具应运而生。其中，LangChain 已成为构建大语言模型 (LLM) 应用程序（例如检索增强生成 (RAG) 系统）最受欢迎的框架之一。该框架极大地简化了原型开发，并使开发者能够轻松实验不同的模型和检索系统。最近Elasticsearch将其集成从社区包升级为官方的 LangChain 合作伙伴包。这一升级使得在 LangChain 应用程序中引入 Elasticsearch 功能变得更加简便。
阿里推出视频 AI 生成式框架 Tora，通过轨迹生成视频
qq_57728300的博客
08-13 408
阿里集团推出面向轨迹的视频生成框架 Tora，可以生成精美的视频。
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