- 博客(42)
- 收藏
- 关注
RSS订阅
原创 一文搞懂YOLO系列目标检测！万字长文（附YOLOv8实操教程）
本文介绍目标检测基础概念，算法发展历史，YOLOV8环境配置，数据集标注，模型评估指标，改进策略。
2024-06-26 21:19:32
3339
2
原创 一文搞懂机器学习！2024.6月最新！（附代码实现）
机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习并做出决策或预测，而无需明确编程。它涉及使用算法和统计模型来分析和解释数据，从而发现模式和关系。这些模式随后可以用于预测新数据的结果或分类数据。机器学习的关键技术包括监督学习、无监督学习、半监督学习和强化学习。监督学习通过标记的训练数据来训练模型，使其能够预测或分类新的输入数据。无监督学习则在没有标签的数据上工作，试图发现数据中的结构。半监督学习是两者的结合，使用少量标记数据和大量未标记数据。
2024-06-12 21:47:21
1387
原创 LLM大模型从入门到精通（6）--Stable Diffusion超详细讲解
Stable Diffusion是一种深度学习文本到图像生成模型，它可以根据文本描述生成详细图像，并且可以应用于内补绘制、外补绘制以及在提示词指导下的图像转换等任务。它是由慕尼黑大学的CompVis研究团体、StabilityAI、Runway以及LAION合作开发的潜在扩散模型，并于2022年发布。Stable Diffusion的源代码和模型权重已经公开发布，可以在大多数配备适度GPU的电脑上运行。Stable Diffusion 拓展性强。
2024-07-20 16:49:28
522
原创 LLM大模型从入门到精通（5）--LangChain基础知识入门
LangChain 由 Harrison Chase 创建于2022年10月，它是围绕LLMs（大语言模型）建立的一个框架。LangChain自身并不开发LLMs，它的核心理念是为各种LLMs实现通用的接口，把LLMs相关的组件“链接”在一起，简化LLMs应用的开发难度,方便开发者快速地开发复杂的LLMs应用.中文文档：https://www.langchain.asia官方文档：https://python.langchain.com/docs/get_started/introduction。
2024-07-19 18:37:40
867
原创 LLM大模型实战项目--基于Stable Diffusion的电商平台虚拟试衣
AI虚拟试衣是一种创新的技术，利用人工智能和计算机视觉技术，能够让用户在线上购物时实时试穿衣物，以便更好地了解衣物的效果和适合程度。以下是AI虚拟试衣的一些功能和优势：1. 实时试穿：用户可以通过上传照片或使用摄像头，将自己的身体映射到虚拟试衣系统中，实时试穿衣物。这样，用户无需亲自到实体店试衣，也能够得到试穿的体验。2. 个性化推荐：AI虚拟试衣系统可以根据用户的身体特征和喜好，推荐最适合的衣物款式和尺寸。这样，用户能够更快地找到满意的衣物，提高购物的效率。
2024-07-18 22:12:38
970
原创 LLM大模型ChatGLM-6B 本地部署与运行
本文详细介绍清华开源项目 ChatGLM 本地部署的详细教程。清华开源项目 ChatGLM-6B 已发布开源版本，这一项目可以直接部署在本地计算机上做测试，无需联网即可体验与 AI 聊天的乐趣。
2024-07-17 21:37:33
812
原创 LLM大模型从入门到精通（3）--LLM主流大模型类别
ChatGLM-6B 是清华大学提出的一个开源、支持中英双语的对话语言模型，基于General LanguageModel (GLM) 架构，具有 62 亿参数.该模型使用了和 ChatGPT 相似的技术，经过约 1T 标识符的中英双语训练(中英文比例为1:1)，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 已经能生成相当符合人类偏好的回答（目前中文支持最好）.
2024-07-12 23:12:49
582
原创 LLM大模型从入门到精通（2）--LLM模型的评估指标
BLEU 分数是评估一种语言翻译成另一种语言的文本质量的指标. 它将“质量”的好坏定义为与人类翻译结果的一致性程度. 取值范围是[0, 1], 越接近1, 表明翻译质量越好.：ROUGE 指标是在机器翻译、自动摘要、问答生成等领域常见的评估指标. ROUGE通过将模型生成的摘要或者回答与参考答案（一般是人工生成的）进行比较计算，得到对应的得分.BLEU 根据`n-gram`可以划分成多种评价指标，其中`n-gram`指的是连续的单词个数为n，实践中，通常是取N=1~4，然后对进行加权平均.
2024-07-09 16:01:59
170
原创 LLM大模型从入门到精通（1）--LLM基础知识介绍
llm是一种人工智能模型, 旨在理解和生成人类语言. 大语言模型可以处理多种自然语言任务，如文本分类、问答、翻译、对话等等.通常, 大语言模型 (LLM) 是指包含数千亿 (或更多) 参数的语言模型(目前定义参数量超过10B的模型为大语言模型)，这些参数是在大量文本数据上训练的，例如模型 GPT-3、ChatGPT、GLM、BLOOM和LLaMA等.
2024-07-09 15:30:10
294
原创 LLM大模型中LoRA是什么？面试经验回答汇总（2024.7月最新）
介绍：通过低秩分解来模拟参数的改变量，从而以极小的参数量来实现大模型的间接训练。
2024-07-03 22:22:04
854
原创 LLM大模型如何微调？面试经验回答汇总（2024.7月最新）
其实这块我有个自己的想法，e 和 a 是否也可以做衰减，随着训练过程逐渐减小，来避免loss spike的现 象 另外假设我们能一次性加载所有样本进行训练（实际上不可能做到），是否还会出现loss spike的现象 最后目前流行的fp8，fp16混合训练，如果upscale设置的过小，导致梯度在进入优化器之前就下溢，是 不是会增加浅层梯度长时间不更新的可能性，进而增加loss spike的出现的频率。预训练过程中，可以加下游SFT的数据，可以让模型在预训练过程中就学习到更多的知识。
2024-07-03 15:03:25
731
原创 LLM大模型工程师面试经验宝典--进阶版2（2024.7月最新）
监督学习中主动学习的两个基本原则是寻找多样性的数据，模型不确定性的数据，在寻找 的过程中，我们使用了一些小技巧，比如聚类去重，对抗半监督过滤，自建reward二分类等方 法。这几个小技巧，学术上没有什么高深莫测的东西，都是实践中总结出来的好用的方法。
2024-07-02 17:06:35
696
原创 YOLO模型评价指标
4. 平均准确率均值（mean average precision，mAP）：用于衡量模型在不同类别上的平均准确率。5.FPS（Frame Per Second）：评估模型检测速度时常用的指标是 FPS，即每秒帧率， 表示每秒内可以检测的图片数量。3. F1值（F1-score）：综合考虑准确率和召回率的指标，由准确率和召回率的加权调和平均值计算而得。1. 准确率（Precision）：指模型预测为正样本中实际为正样本的比例。2. 召回率（Recall）：指实际为正样本中模型预测为正样本的比例。
2024-06-27 20:01:56
265
原创 YOLO目标检测综述（2024.6月最新！）
目标检测算法，这类检测算法将检测问题划分为两个阶段，第一个阶段首先产生候选区域（Region Proposals），包含目标大概的位置信息，然后第二个阶段对候选区域进行分类和位置精修，这类算法的典型代表有R-CNN，Fast R-CNN，Faster R-CNN等。不过，随着研究的发展，两类算法都在两个方面做改进，均能在准确度以及速度上取得较好的结果。与以往的版本相比，YOLOv5引入了新的网络架构，以及一种新的训练方法，使用更大的数据集和更长的训练时间，从而提高了算法的性能。可以追溯到20世纪80年代。
2024-06-27 19:57:53
1420
原创 YOLOv8数据集标注
数据集是必不可少的部分，数据集的优劣直接影响训练效果。一般来说，一个完整的数据集应该包括训练集、测试集和验证集。通常，数据集会被划分为训练集和测试集，比如将数据集的70%用作训练集，30%用作测试集。在进行训练时，可以使用交叉验证的方法将训练集再次划分为训练子集和验证子集，用于模型的训练和验证。训练集是用于模型的训练的数据集。在训练过程中，模型使用训练集中的样本进行学习和参数调整，通过不断迭代优化模型的参数，使模型能够更好地拟合训练集中的数据。测试集是用于模型的评估的数据集。
2024-06-26 21:22:17
875
原创 一文搞懂强化学习！（2024.6月最新！）
强化学习是一种机器学习的分支，其目标是通过与环境的交互来学习最优的行为策略。在强化学习中，有一个智能体（agent）和一个环境（environment）之间进行交互。智能体通过观察环境的状态，选择合适的动作，并根据环境的反馈（奖励或惩罚）来调整自己的策略。强化学习的核心概念是奖励信号和价值函数。奖励信号是环境根据智能体的动作给出的反馈，用来衡量动作的好坏。价值函数是衡量一个状态或动作的价值的函数，用来指导智能体的决策。
2024-06-16 22:42:04
690
原创 机器学习十大算法（8）K最近邻算法KNN（附代码实现）
K最近邻算法（k-Nearest Neighbors，简称KNN）是一种常见的分类和回归算法。它基于一个简单的假设：如果一个样本在特征空间中的K个最近邻中的大多数属于某个类别，则该样本也属于该类别。KNN算法的。K值的选择需要根据具体问题和数据集的特点进行调整。常用的距离度量方法包括欧氏距离、曼哈顿距离和闵可夫斯基距离。KNN算法的优点是简单易实现，适用于多分类和回归问题。但它的缺点是计算复杂度高，需要存储全部训练样本，对于大规模数据集计算开销较大。
2024-06-16 08:15:00
544
原创 机器学习十大算法（7）聚类（附代码实现）
聚类（是一种无监督学习的方法，用于将数据集中的数据点分组成N个簇。其目标是使每个聚类内部的样本之间的相似度最大化，而不同聚类之间的相似度最小化。图中每一块不同颜色的区局称为”。它可以应用于各种领域，如生物学、社交网络分析、市场细分等。然而，简介聚类也存在一些挑战，如对初始聚类中心的选择比较敏感，以及对数据的维度较为敏感等。因此，在实际应用中，需要根据具体问题选择合适的聚类算法和参数设置。聚类的过程通常包括以下步骤：1. 选择合适的相似度度量方法，如欧氏距离或余弦相似度等。
2024-06-16 08:00:00
485
原创 机器学习十大算法（6）朴素贝叶斯分类器（附代码实现）
朴素贝叶斯算法简单、易于实现，且在处理大量特征的数据集时表现良好，尤其适用于文本分类等任务。朴素贝叶斯分类器的基本步骤如下：数据预处理：对输入数据进行清洗、转换和归一化等操作。特征选择：选择与分类目标相关的特征。计算先验概率：统计训练集中各个类别出现的概率。计算条件概率：对于每个特征，计算在给定类别的条件下该特征的概率。应用贝叶斯定理：通过乘积法则计算给定特征的条件下各类别的概率。分类决策：选择概率最大的类别作为分类结果。
2024-06-15 18:33:26
417
原创 机器学习十大算法（5）支持向量机SVM详解（附代码实现）
支持向量机（Support Vector Machines, SVM）试图在特征空间中找到最优的（或）来分开两类样本，适用于分类和回归问题。SVM是一种强大的算法，通过在数据点之间寻找最大间隔的决策边界来区分不同的类别。它使用支持向量，即距离边界最近的点，来确定这个边界。SVM通过核技巧处理非线性问题，将数据映射到高维空间以找到线性分隔面。常见的核函数包括线性核、多项式核和径向基函数核。，旨在最大化间隔同时最小化误差。它对异常值和噪声具有鲁棒性，因为只有支持向量影响最终的决策边界。
2024-06-15 17:38:09
710
原创 机器学习十大算法（4）随机森林详解（附代码实现）
随机森林算法是一种集成学习方法，通过构建多个决策树模型来进行分类或回归任务。随机森林算法的基本思想是将多个决策树模型集成在一起，通过投票或平均的方式进行预测。具体步骤如下：1. 随机选择训练数据集中的部分样本进行有放回抽样，构建一个决策树模型。这样可以保证每个决策树的训练数据不完全相同，增加模型的多样性。2. 在每个节点上，随机选择一部分特征进行划分。这样可以保证每个决策树的划分规则不完全相同，增加模型的多样性。3. 重复步骤1和步骤2，构建多个决策树模型。
2024-06-12 19:16:01
1180
原创 机器学习十大算法（3）决策树详解（附代码实现）
它通过学习简单的决策规则从数据特征中推断出目标值。决策树通过递归地选择最优特征进行分割，构建树状模型，每个内部节点代表特征上的测试，每个分支代表测试的结果，每个叶节点代表最终的决策或预测结果。它的优点包括易于理解和解释，能够处理数值和类别特征，并且不需要太多的数据预处理。然而，决策树容易过拟合，因此可能需要剪枝等技术来提高模型的泛化能力。是一种监督学习算法，用于分类和回归任务。
2024-06-08 19:56:22
283
原创 机器学习十大算法（2）逻辑回归详解（附代码实现）
它通过使用Sigmoid函数将线性回归的输出映射到0和1之间，从而预测事件发生的概率。模型参数通常通过最大似然估计来确定，使用二元交叉熵损失作为损失函数，并通过优化算法如梯度下降来求解。逻辑回归（Logistic Regression）也称线性判别回归（Linear Discriminant Analysis Regression, LDA），是一种用于二分类问题的统计方法，简单来说就是通过一条直线（三维中是超平面）将两个不同的类分开，如图所示。
2024-06-08 19:50:17
228
原创 机器学习十大算法（1）线性回归详解（附代码实现）
线性回归（Linear Regression）是机器学习十大算法中的一种，用于预测连续数值型的输出。它试图找到特征变量（输入）和目标变量（输出）之间的线性关系。线性回归主要有两种形式：简单线性回归和多元线性回归。简单线性回归（Simple Linear Regression）简单线性回归涉及一个自变量（解释变量）和一个因变量（响应变量），试图找到它们之间的线性关系。多元线性回归（Multiple Linear Regression）多元线性回归涉及两个或更多自变量，试图找到它们与因变量之间的线性关系。
2024-05-12 23:08:16
360
2
原创 深度学习速成(13)循环神经网络RNN项目实战-基于BiLSTM的文本情感分类
本项目针对传统LSTM模型对文本情感极性预测效果不佳的问题，提出一种结合BiLSTM模型的算法。算法首先对文本中进行预处理后，对文本切分，再通过Word Embedding模型生成词向量。将所述词向量输入到该BiLSTM模型中，将输出结果进行拼接操作，使用softmax函数对输出的向量进行分类,获得文本情感分类结果。本发明能够充分结合上下文语境，有效防止过拟合与梯度爆炸、梯度消失问题，从而显著提高模型的鲁棒性和文本情感分类的准确率。2.创建一个word_sequence.py的文件，完成数据的处理操作。
2023-07-09 17:22:16
396
3
原创 深度学习速成(12)LSTM的参数
例如，input_size决定了输入特征的维度，hidden_size决定了隐藏状态的维度，num_layers决定了LSTM的层次深度等等。除了这些参数，LSTM模型还有其他可训练的参数，例如权重和偏置，在LSTM模型的初始化过程中，这些参数会自动创建。6. dropout：一个介于0和1之间的数值，表示应用于每个LSTM层输出的dropout比率，默认为0（不应用dropout）实例化LSTM之后，不仅要传入数据，还需要传入前一次的隐藏状态h_0,和前一次的记忆C_0。2.LSTM的实例化。
2023-07-03 16:28:58
4077
原创 深度学习速成(11)BiLSTM
BiLSTM即双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）最早由Jürgen Schmidhuber和Sepp Hochreiter等人于1997年在论文《Long short-term memory》中提出，它是传统长短期记忆网络（Long Short-Term Memory, LSTM）的一种扩展形式，结合了正向LSTM和反向LSTM来获取更完整的上下文信息。这样，在每个时间步骤，每个LSTM单元都能够同时访问前面和后面的上下文信息。
2023-07-03 16:08:08
5708
3
原创 深度学习速成(10)LSTM长短期记忆网络
LSTM（Long Short-Term Memory）是一种特殊类型的循环神经网络（Recurrent Neural Network，RNN），用于处理序列数据。相比于传统的RNN，LSTM具有更强大的记忆能力，可以更好地捕捉和处理长期依赖关系。LSTM通过使用称为"门"的机制来控制信息的流入和流出。主要有三种类型的门：遗忘门（forget gate）、输入门（input gate）和输出门（output gate）。遗忘门决定了前一时刻的记忆状态中哪些信息将被遗忘，输入门控制着当前输入应该存储多
2023-07-02 15:51:29
130
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人