AI
文章平均质量分 70
maopig
这个作者很懒,什么都没留下…
展开
-
大模型的定义、发展及相关概念
原创 2024-06-10 11:38:37 · 122 阅读 · 0 评论 -
LLMs,即大型语言模型
开发的一种大型语言模型,具有大规模的预训练模型,拥有约1750亿参数,这使得它具有极高的准确性,而且仅需少量的样本训练就能达到其他模型使用大量样本训练后的效果。总的来说,LLMs已成为人工智能领域的重要技术之一,它们在理解、生成和处理自然语言方面取得了巨大的进步,为各个领域的应用提供了强大的支持。)是另一款重要的大型语言模型,其特点是通过预训练和微调,以及与人类反馈对齐等技术,提高了模型的可用性和安全性。LLMs在众多领域都有广泛的应用,如自然语言理解(NLU),语言生成,以及语音识别和合成等。原创 2024-06-08 20:27:36 · 567 阅读 · 0 评论 -
监督学习、无监督学习、半监督学习、强化学习、自监督学习
监督学习、无监督学习、半监督学习和强化学习是机器学习中常见的学习方式。监督学习是利用标记数据进行训练,可以用于分类、回归等任务。无监督学习则是利用未标记数据进行训练,可以用于聚类、异常检测等任务。半监督学习则是介于监督学习和无监督学习之间的一种学习方式,利用一小部分已标记数据和大量未标记数据进行训练。强化学习则是利用智能体与环境的交互进行学习,可以用于处理与环境交互的问题。每种学习方式都有其优缺点,需要根据具体任务选择最适合的学习方式。原创 2024-06-08 19:58:09 · 656 阅读 · 0 评论 -
泛化能力的理解
泛化(Generalisation)可以理解为一种迁移学习的能力大致可以理解为把从过去的经验中学习到的表示、知识和策略应用到新的领域,是大模型最被需要的能力。在NLP的上下文中,泛化意味着模型应该能够在没有直接训练的数据上表现得同样出色。泛化能力对于大模型的应用尤为重要。因为在我们使用大模型时,我们希望它不仅在训练数据上表现得很好,而且在实际应用中也能够处理各种各样的未见过的数据。尽管泛化的重要性几乎是无可争议的,但是当前的大模型在泛化方面的能力到底在什么水平?原创 2024-06-08 19:33:21 · 328 阅读 · 0 评论 -
多模态模型是什么意思(国内外的AI多模态有哪些)
那么,多模态模型是什么意思呢?本文将为您详细解释这个概念的含义和应用。我们需要明确什么是"模态"。在语6言学中,"模态"是指表达思想、情感或意愿的方式或方法。例如,我们可以使用文字来表达思想,也可以使用声音、图像等其他方式。因此,当我们说"多模态模型"时,我们指的是能够处理多种类型的输入数据的模型。多模态模型是一种能够处理多种类型数据(如文本、图像、音频和视频)的人工智能模型。这种模型的目标是通过结合不同类型的数据来提供更全面、更准确的信息。原创 2024-06-08 19:23:49 · 636 阅读 · 0 评论 -
全景视频拼接关键技术
一、原理介绍 图像拼接(Image Stitching)是一种利用实景图像组成全景空间的技术,它将多幅图像拼接成一幅大尺度图像或360度全景图,图像拼接技术涉及到计算机视觉、计算机图形学、数字图像处理以及一些数学工具等技术。图像拼接其基本步骤主要包括以下几个方面:摄相机的标定、传感器图像畸变校正、图像的投影变换、匹配点选取、全景图像拼接(融合),以及亮度与颜色的均衡处理等,以下对各个步骤进行分析。摄相机标定 由于安装设计,以及摄相机之间的差异,会造成视频图像之间有缩放...转载 2021-10-12 18:26:11 · 1914 阅读 · 0 评论 -
人工智能Ai芯片层出不穷,GPU、FPGA、ASIC用于人工智能的优势和劣势对比
人工智能(AI)主要包括三大要素,分别是数据、算法和算力。其中数据是基础,正是因为在实际应用当中的数据量越来越大,使得传统计算方式和硬件难以满足要求,才催生了AI应用的落地。而算法是连接软件、数据、应用和硬件的重要桥梁,非常关键。算力方面,主要靠硬件实现,也就是各种实现AI功能的处理器,而随着应用和技术的发展,能实现各种算力、满足不同应用的AI处理器陆续登场,经过不同的发展阶段,发挥着各自的作用。在比较成熟的AI平台方面,在2012年出现了AlexNet,一直到最近,2018年出现了AlphaGo Ze转载 2021-10-12 11:04:03 · 7895 阅读 · 0 评论 -
CPU、GPU、FPGA、ASIC等AI芯片特性及对比
1、前言目前,智能驾驶领域在处理深度学习AI算法方面,主要采用GPU、FPGA 等适合并行计算的通用芯片来实现加速。同时有部分芯片企业开始设计专门用于AI算法的ASIC专用芯片,比如谷歌TPU、地平线BPU等。在智能驾驶产业应用没有大规模兴起和批量投放之前,使用GPU、FPGA等已有的通用芯片可以避免专门研发定制芯片(ASIC)的高投入和高风险,但是,由于这类通用芯片设计初衷并非专门针对深度学习,因而存在性能不足、功耗过高等方面的问题。这些问题随着自动驾驶行业应用规模的扩大将会日益突出。本文从芯..转载 2021-10-12 11:02:34 · 17143 阅读 · 0 评论