《生成式AI导论》学习笔记

已于 2024-04-22 09:46:42 修改
阅读量341 收藏
点赞数 4
分类专栏： GAI 文章标签： 人工智能 学习 笔记
于 2024-04-21 16:15:10 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/u011868279/article/details/138032836
版权
本文探讨了生成式人工智能的课程定位，介绍了其当前的技术亮点，以及在无法训练AI时如何通过自我学习和利用工具进行个人技能提升。文章还回顾了大语言模型的发展历程，重点强调了自我学习的重要性。
摘要由CSDN通过智能技术生成

1.课程定位

 

 

2.什么是生成式人工智慧？

 

 

 

 

3. 今日的生成式人工智慧厉害在哪里？

 

 

 

 4.训练不了人工智慧？那我训练自己

 

 

 

 

 

5.训练不了人工智慧？你可以训练你自己（中）——拆解问题使用工具

 

 

 

 

 

 

 

 

 

 

 6.大语言模型修炼史——第一阶段：自我学习，积累实力

 

 

【研0深度学习】李宏毅2024春《生成式人工智能导论》持续更新...
m0_52427832的博客
05-28 1560
生成式人工智慧的目的不是进行做有结果的分类，而是使机器生成复杂有结构的物件。今天的生成式人工智慧多以深度学习构成。以现如今流通最广泛的ChatGPT为例，GPT可以看作一个函数，输入图片、语音或者文字等，“创造性”地输出结果。这里的“创造性”的实现是将问题拆解成一连串的文字进行接龙，转化为分类问题。对于每个结果都有概率，在这个概率的基础上掷骰子，进行输出。如下图所示有百分之五十的概率输出“学”字。那么问题来了，如果每次输出概率最大的不行吗？
李宏毅【生成式AI导论 2024】第1讲：生成式AI是什么？
拥抱变化，探索AI，了解AI，使用AI～
03-24 1176
人工智慧可以说是一个目标，是一个我们想要达到的目标。它不是一个单一的技术，并没有哪一个技术叫做人工智慧，人工智慧是一个目标。
生成式AI导论2024-李宏毅
Everyday try to become better -Kobe Bryant
05-26 830
当你用类神经网络（模型）来表达这上万个参数的时候，你做的事情就是深度学习。生成式人工智慧是什么？生成式AI的入门课程。
李宏毅【生成式AI导论 2024】第6讲 大型语言模型修炼_第一阶段_ 自我学习累积实力
拥抱变化，探索AI，了解AI，使用AI～
03-25 2058
背景知识：机器怎么学会做文字接龙 详见：https://blog.csdn.net/qq_26557761/article/details/136986922?spm=1001.2014.3001.5501 在语言模型的修炼中，我们需要训练资料来找出数十亿个未知参数，这个过程叫做训练或学习。找到参数后，我们可以使用函数来进行文字接龙，拿这组参数来使用叫做测试或者是叫做推论。 语言模型学习的三个阶段虽然训练资料不同，但都是在学习文字接龙，所有阶段做的事情是一样的。 机器学习中找参数的挑战 在机器学习中，寻找
人工智能导论学习笔记
qq_39838607的博客
08-15 1979
相信很多人和我一样刚开始不知道人工智能是什么，如何让机器变得智能的。仿佛人工智能是如此的神秘? 当我看完人工智能导论之后我才恍然大悟。这篇没有高级的人工智能教程，只是让初学者有一个总的感念在脑海中生成。......
李宏毅生成式AI课程笔记（持续更新
吃豆人编程的博客
10-15 778
李宏毅生成式AI课程
人工智能导论笔记
yesyesyes_yes的博客
06-22 2073
笔记
《人工智能导论》学习笔记
Jason乐悠的博客
03-11 514
人工智能是技术、伦理与社会的交汇点，需平衡创新与风险。学习时应注重理论基础（如概率、线性代数）、实践能力（编程与项目开发）和跨学科视野（如伦理与哲学）。未来，AI将向更通用、更可信的方向演进，成为推动人类文明的关键力量。
《人工智能导论》速成笔记
湫喃
06-30 779
人工智能导论
云原生算力引擎：分布式推理的流体动力学
桂月二二博客
03-21 1164
OpenAI推理集群日处理4.5亿次请求，CUDA 12.3实现μs级张量切换。特斯拉Dojo超算芯片间延迟0.5ns，阿里巴巴PAI平台节省58%训练时长。Nvidia Omniverse实现百万级数字孪生体实时联动，字节跳动Volcano调度决策耗时6ms。MLPerf榜单显示分布式推理性能年增79%，PyTorch 2.3支持亚线性内存优化，Google TPU v5实现3D芯片堆叠通信延迟降42%。最终实现"算力无形，智能似水"的下一代人工智能基础设施。▋ 基因测序：PB级数据流处理。
数值计算精度体系技术解析
weixin_47696437的博客
03-24 824
1. FP64（双精度浮点数）2. FP32（单精度浮点数）3. FP16（半精度浮点数）4. FP8（8位浮点数）1. INT16（16位整数）2. INT8（8位整数）3. INT4（4位整数）
OpenEMMA: 基于多模态大语言模型的端到端开源自动驾驶框架
qq_35975367的博客
03-21 799
为了减轻多模态大语言模型在目标检测任务中已知的局限性，OpenEMMA 集成了经过微调的 YOLO 版本，该版本针对自动驾驶场景中的 3D 边界框预测进行了专门优化，显著提高了检测精度。此外，通过利用多模态大语言模型预先存在的世界知识，OpenEMMA 可以为场景理解等感知任务生成可解释、人类可读的输出，从而提高了透明度和可用性。为了克服这一挑战，在不额外微调多模态大语言模型的情况下实现高检测精度，我们将一个外部的视觉专业模型集成到 OpenEMMA 中，有效地解决了检测任务。
论文解读：《Word embedding factor based multi-head attention》——基于词嵌入因子的多头注意力
m0_67511537的博客
03-25 630
线性地将查询、键和值投影到不同的子空间中，允许模型从不同的角度理解输入序列，并利用输入句子序列中有关令牌之间关系的信息。第一，头的数量总是手动设置的，并且不清楚在面对新的NLP任务时，我们应该设置多少头才能达到最佳性能。第二，当这些头将自注意力机制中的查询、键和值投影到不同的子空间时，它们的实际意义缺乏合理的解释。1.引入了分歧正则化来多样化注意力分布，增强了模型捕获不同特征的能力。2.提出了一种改进多头协作的方法，这表明当前的方法可能无法充分利用不同头的协作潜力。
【一步步开发AI运动APP】三、在APP中引入识别插件
赣州云智技术的技术铺子
03-25 382
项目引入插件后，需要提交自定义基座云打包，iOS端的开发证书，可以参考我们之前分享的没有MAC电脑，如何申请苹果开发证书、上架APP Store博文。待自定义基座打包成功后，就可以调用插件功能，进行调试了，可以直接使用提供的Demo进行测试。下篇我们将为您介绍相机的抽帧，敬请期待…
cnn中的dropout技术
最新发布
ganggangwawa的博客
03-25 293
编程中犯浑，无意栽柳，我就不必去求证了，辛顿估计也是这样的（前人很感兴趣的研究出了成果），促使他的dropout技术，论文我也没看，我就这个风格，喜欢瞎猜！然而，我没意识到使用序号（6*16）index=i*w+j，在6*18中已经变了，然而没有意识到，训练成绩反而成了佼佼者！我在无意中，把这个connection_table增加了两列=6*18，增加两列使用五合一。按辛顿的意思，dropout是随机丢弃一部分，我想，这是什么意思，有意的安排，变成了乱序，不就是随机吗？，可能给了辛顿灵感！
人工智能（AI）系统化学习路线
xiaoyu❅的博客
03-19 2208
本文为AI初学者提供一条清晰的学习路径，涵盖数学基础、编程技能、机器学习/深度学习核心算法、垂直领域应用及工程化部署，助你少走弯路！
边缘计算革命：重构软件架构的范式与未来
lgf228的专栏
03-22 1912
边缘计算通过将算力下沉至网络边缘，正在颠覆传统中心化软件架构的设计逻辑。本文系统分析了边缘计算对软件架构的范式革新，包括分布式分层架构、实时资源调度、安全防护体系等技术变革，并结合工业物联网、智慧医疗等场景案例，探讨了云边端协同、微服务改造、边缘AI融合等实践路径。文章提出“分层解耦-动态优化-智能自治”的架构设计框架，为开发者提供兼具理论性与操作性的指导。
北京APP开发公司推荐：专业团队助力企业数字化转型
weixin_44382039的博客
03-25 229
公司拥有成熟的跨平台开发能力，支持iOS、Android及HarmonyOS系统适配，确保应用覆盖全终端用户。在数字化浪潮的推动下，北京作为中国科技创新中心，汇聚了众多技术实力雄厚的APP开发企业。选择一家专业可靠的开发公司，不仅能确保项目高效落地，更能为企业品牌注入科技动能。本文结合行业调研与客户口碑，精选以下五家优质企业（排名不分先后），为企业提供参考。例如，为某零售品牌开发的APP中，通过动态定价与个性化推荐功能，实现销售额增长45%。
一文说清预训练与微调：AI的双重训练法则
lifetragedy的专栏
03-22 509
预训练和微调构成了现代AI模型的核心，了解它们的关系和区别，有助于更好地理解人工智能如何在特定任务中展现高效性能。
李宏毅 生成式AI导论
01-24
### 李宏毅生成式AI导论课程资料概述 #### 课程简介 李宏毅教授的《生成式AI导论》是一门深入浅出介绍生成式人工智能理论和技术的课程。该课程不仅涵盖了生成式AI的基础概念和发展历程，还探讨了当前最前沿的研究成果及其实际应用场景[^1]。 #### 主要内容概览 - **第0讲：课程说明** - 对整个系列讲座的内容框架进行了详细介绍。 - **第1讲：生成式AI是什么？** - 解释了生成式AI的核心定义以及其与其他类型的人工智能的区别所在。 - **第二讲：今日的生成式人工智慧厲害在哪裡？從「工具」變為「工具人」** - 探讨现代生成式AI的强大之处，并分析这些进步如何使机器不仅仅作为辅助工具存在，而是能够承担更多自主任务的角色转变过程。 - **第三讲：训练不了人工智能？你可以训练你自己（上）** - 讨论个人技能提升的重要性，特别是在面对复杂多变的技术环境时自我调整和适应的方法论建议。 #### 结构化学习与生成式学习的关系 在过去，“结构化学习”指的是让计算机学会处理具有特定格式的数据；而如今所说的“生成式学习”，则是指通过大量无标注数据来构建可以创造新样本或模拟真实世界现象的概率分布模型。尽管两者名称不同，但在某些方面确实存在着一定的联系——它们都涉及到模式识别、特征提取等关键技术环节。然而值得注意的是，在具体实现方式和技术细节层面二者之间差异巨大，尤其是在近十年间随着深度学习算法的发展，后者取得了前所未有的突破性进展[^2]。 #### 获取资源途径 为了方便国内学生获取最新版本的教学材料，《李宏毅2024生成式人工智能导论》提供了中文镜像版指导文档及配套练习题库，所有相关内容均已托管至GitHub平台供免费下载使用。这一举措得到了原作者正式授权许可，体现了教育工作者对于知识传播开放共享精神的支持态度[^3]。 ```bash git clone https://github.com/user/repo.git cd repo ``` 上述命令可以帮助用户轻松克隆仓库并浏览其中包含的各种教学素材。
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