- 博客(4)
- 收藏
- 关注
RSS订阅原创 【Datawhale AI 夏令营】从零入门 AI for Science（AI+气象）
学习内容包括深度学习RNN方案逐步进阶、torch和数据处理、特征工程和模型搭建思路，以及往期赛事方案案例的介绍。- 学习使用PyTorch框架进行深度学习模型的搭建和训练，包括张量的概念、自动微分机制、模型和优化器的选择等。- 学习循环神经网络（RNN）的结构和工作原理，包括RNN的基本结构、循环机制、状态更新等。- 掌握模型搭建的基本步骤和方法，如模型架构设计、超参数调优、模型评估等。- 了解不同方案的设计思路和实现方法，如数据预处理、特征工程、模型选择等。3. 特征工程和模型搭建思路。
2024-07-26 13:53:52
368
原创 【Datawhale AI 夏令营】了解机器翻译 & 理解赛题【笔记】
总结： 机器翻译和理解竞赛是检验自然语言处理技术的绝佳平台。通过本笔记中的指导，参赛者可以更好地理解赛题要求，制定有效的解决方案，并优化他们的模型以在竞赛中脱颖而出。关键在于深入理解任务需求，合理利用提供的数据，创造性地解决问题，并有效地展示自己的成果。概述： 机器翻译和理解竞赛旨在挑战参赛者设计、开发和优化能够理解文本内容并准确翻译的算法和模型。这类赛事通常要求参赛者在给定的数据集上训练他们的模型，并在未见过的测试数据上展示其翻译和理解的能力。本笔记将概述赛题的常见格式、关键挑战和解决策略。
2024-07-20 23:51:28
230
原创 【Datawhale AI 夏令营】基于Transformer模型的机器翻译任务解析【笔记】
概述： 机器翻译是自然语言处理（NLP）中的一个重要任务，它的目标是将一种语言的文本准确、流畅地翻译成另一种语言。Transformer模型，自2017年由Google提出以来，因其独特的自注意力机制（Self-Attention）和并行处理能力，在多种NLP任务中取得了显著的性能提升。总结： Transformer模型由于其独特的结构和高效的处理能力，已成为解决机器翻译任务的首选模型之一。随着技术的不断进步和数据的积累，这些系统的性能将不断提升，为用户提供更加准确、自然的翻译服务。
2024-07-20 23:47:20
240
原创 【Datawhale AI 夏令营】基于术语词典干预的机器翻译挑战赛——baseline【笔记】
这个模型用编码器理解英语句子，用解码器一个字一个字地生成中文翻译，有时候（由teacher_forcing_ratio控制）会使用正确的中文来指导翻译，这叫"教师强制"。在解码器中它也使用embedding来处理中文字，rnn（GRU）帮助它记住之前翻译的内容，fc_out用来预测下一个中文字。比如"人工智能"这四个字在一起出现，比单独出现"人"、"工"、"智"、"能"要好。通过这种评分方式，我们可以客观地评估我们的翻译模型性能，并且可以用它来比较不同模型或者跟踪同一个模型在训练过程中的进步。
2024-07-17 23:18:59
285
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