- 博客(11)
- 收藏
- 关注
RSS订阅原创 Ai coding实战：搭建简易记单词demo
本文以搭建简易记单词 demo 为例，展示 AI coding 与人类协同开发实践。项目针对单词学习中查记分离、分类混乱、复习无据等痛点，用 Python 实现查词缓存、话题分类、艾宾浩斯复习算法等功能。开发中 AI 辅助代码实现，人类主导架构与核心逻辑，快速完成可用 MVP，为 AI 协作开发提供实战参考。
2025-08-17 19:59:23
1100
原创 多模态实操总结篇：创新体系
本篇面向对多模态AI感兴趣的本科生、研究生，以及希望了解多模态前沿方向的科研人员。无论你是初学者还是有一定基础的研究者，都能在本框架中找到适合自身成长与创新的切入点。
2025-07-09 22:25:15
1207
原创 多模态实操第五期：多模态融合方法
图像模态：BasicCNN (0.7471) 表现最佳文本模态：Basic1DCNN (0.6226) 表现稳定网页模态：Basic1DCNN (0.6310) 表现稳定单模态CNN平均：约0.67，为多模态融合提供了重要对比基准。
2025-07-06 09:43:30
1589
原创 多模态实操第四期：网页信息（HTML）
本期聚焦于MR2数据集的网页（HTML）模态，系统讲解多种文本建模方法（Basic1DCNN、TextCNN、Transformer、BERT）在网页信息谣言检测中的应用、工程实现、超参数调优与实验对比。所有代码均可复现，适合科普教学与工程入门。
2025-07-05 17:26:43
789
原创 多模态实操第三期：文本分类模型与Optuna超参数调优
本期聚焦于MR2数据集的文本模态，详细讲解多种文本分类模型（FastText、TextCNN、Basic1DCNN、Transformer）的原理、工程实现、超参数调优与实验记录。所有代码均可复现，适合科普教学与工程入门。如有问题或建议，欢迎在评论区留言交流。
2025-07-04 20:41:50
1394
原创 多模态实操第二期：2D-CNN在谣言检测中的应用
本期专栏聚焦于MR2数据集的图像模态，系统梳理了主流2D-CNN模型在谣言检测中的应用与工程实践。内容涵盖模型原理、工程实现、自动调参、实验对比与实用经验，适合多模态AI初学者与工程师参考。
2025-07-03 23:25:12
937
原创 多模态实操第一期：多模态AI是什么？能做什么？
在日常生活中，我们每时每刻都在用多种感官感知世界：眼睛看、耳朵听、嘴巴说、手脚动。AI要想真正"聪明"，也必须学会像人一样，融合多种信息源。这就是多模态AI的核心目标。举个例子，智能音箱不仅能听懂你的语音指令，还能识别你上传的图片，甚至能根据你的语气判断情绪。这背后，就是多模态AI的功劳。多模态AI（Multimodal AI）指的是能够同时处理和理解多种类型数据（如图像、语音、文本、传感器信号等）的人工智能系统。相比传统的"单模态AI"（只处理一种数据类型），多模态AI更贴近真实世界的复杂性。
2025-07-01 17:52:06
1080
原创 为什么你的LLM回答总是不准确？这3个提示词技巧帮你解决
提示词工程是一门专门研究如何设计、优化和调试与大语言模型交互的输入文本，以获得期望输出的技术。它结合了语言学、心理学和计算机科学的原理，是AI应用开发的关键技能。请总结我们之前的讨论要点，并以Markdown格式输出为process.md文件，包含：1. 已解决的问题2. 达成的共识3. 待进一步讨论的议题RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）是一种通过人类反馈优化语言模型行为的技术，旨在使模型输出更符合人类价值观。
2025-06-30 11:39:16
985
原创 负置信度损失函数：“是什么”与“不是什么”的讨论
负置信度方法为深度学习分类任务提供了一种全新的思路。通过让模型同时学习"是什么"和"不是什么"，目前来看提高了分类准确率，还为模型提供了更丰富的认知表达，但是其核心部分代码可能存在错误欢迎指正。更强的判别能力: 双重学习机制更好的不确定性建模: 负值表示强烈否定更丰富的语义表达: 不仅知道答案，还知道为什么不是其他答案后续我们将继续探索三元置信度系统，进一步推进深度学习中的不确定性建模研究。参考资料PyTorch官方文档深度学习中的不确定性建模负置信度相关研究作者简介。
2025-06-25 09:28:25
783
原创 Food-11 图像分类 – 不平衡样本
探索 LDAM、Class-Balanced Loss 等更细粒度重加权策略，以及在目标检测、语义分割中的适配。：依赖预训练 ViT + 双重重采样即可显著缓解不平衡，无需大规模调参。：保证每个 mini-batch 均包含足量少数类，稳定优化方向。扩展为多标签向量或配合 Focal Loss，可覆盖更广泛任务。：方法与数据、网络结构弱耦合，可快速迁移到其他分类任务。仅需重新统计类别频次，权重与采样器即可自动适配。，并验证方法在其他数据集上的可迁移性。损失与采样模块与主干解耦，可直接复用。
2025-06-07 22:19:09
584
1
多模态实践项目全文件包含单模态文件
2025-07-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人