人工智能学习笔记

深度学习模型泛化性小结

浅层模型泛化和深层模型泛化泛化性指模型经过训练后，应用到新数据并做出准确预测的能力。一个模型在训练数据上经常被训练得太好即过拟合，以致无法泛化。

[程序员必会]最常用算法YOLO，讲了什么？如何快速部署？

“You Only Look Once”算法 “You Only Look Once” (YOLO) 是一种快速、准确的物体检测算法，由 Joseph Redmon 等人在 2015 年提出。与传统的物体检测方法不同，YOLO 采用了端到端的方式，直接在图像上进行检测和分类。

工具

观察分析

又快又好的SSD算法是什么？什么原理？

SSD通过将图片一层层进行更小块儿的分割，实现更好的识别。这张图片展示了SSD（Single Shot MultiBox Detector）框架的工作原理和结构。SSD是一种用于目标检测的深度学习模型，能够在单个前向传播中预测多个类别的目标位置和类别。

观察分析

工具

YOLO V1-V9 你需要知道的都在这里了！图片标注算法全解析！上集

这张图片展示了一个视觉和语言表示学习（Vision-and-Language Representation Learning）以及视觉到语言生成学习（Vision-to-Language Generative Learning）的框架。这个框架主要涉及图像编码器、查询Transformer（Q-Former）和大型语言模型（LLM）。

观察分析

工具

from ultralytics import YOLO # Build a YOLOv9c model from scratch model = YOLO("yolov9c.yaml") # Build a YOLOv9c model from pretrained weight model = YOLO("yolov9c.pt") # Display model information (optional) model.info() # Train the model on the COCO8 example dataset for 100 epochs results = model.train(data="coco8.yaml", epochs=100, imgsz=640) # Run inference with the YOLOv9c model on the 'bus.jpg' image results = model("path/to/bus.jpg")

推荐

观察分析

GPT4o可能用了什么技术！

作为GPT-4的扩展，我基于以下技术实现和优化，使得性能比GPT-4更好且速度更快: 1.架构改进改进变压器架构，包括: 更深层次的网络:增加了变压器的层数，使模型能够捕捉更复杂的语言模式和语义信息。更宽的网络:增加了每层的神经元数量，提升了模型的容量和表达能力。 2.高效的训练方法混合精度训练:采用混合精度计算(使用16位和32位浮点数)，提高训练速度的同时节省内存。分布式训练:利用多GPU和TPU集群进行分布式训练，显著加快了型的训练过程。

观察分析

神经网络的理解

神经网络本质来说是一次关于数学的加权求和

推荐

观察分析

开发

Function Calling

Function Calling 这节课会带给你 1.用自然语言连接系统的认知，面向未来思考系统间的集成 2.GPTS 是如何连接外部世界的 3.用 Function Calling 把大模型和业务连接起来

观察分析

思考

推荐

从 AI编程认知 AI

从 AI编程认知 AI 这节课会带给你 1.所有人:通过 AI编程，洞察 A的能力本质 2.编程新手:掌握十倍提升学习、编码效率的工具 3.编程老手:了解 AI 编程的原理，触类旁通其它应用场景

观察分析

工具

开发

ChatGPT 正在做什么……为什么它有效？(上)

ChatGPT 能够自动生成类似于人类书写文本的东西，即使是表面上的相似，这是非常了不起的，也是出乎意料的。但它是如何做到的呢？为什么它会起作用呢？我的目的在于大致概述 ChatGPT 内部发生的事情，然后探讨它为什么能够在生成我们认为有意义的文本方面做得如此出色。我应该在一开始就说，我将专注于正在发生的大局，并且虽然我会提到一些工程细节，但我不会深入探讨它们。（我将要说的实质同样适用于其他当前的“大型语言模型”[LLMs]，如同适用于 ChatGPT。）

推荐

观察分析

ChatGPT 正在做什么……为什么它有效？(下)

The Practice and Lore of Neural Net Training神经网络训练的实践与知识特别是在过去的十年里，神经网络训练的艺术取得了许多进展。是的，这基本上是一门艺术。有时候，尤其是事后，人们可以看到至少有一点“科学解释”来解释正在进行的事情。但大多数情况下，这些发现都是通过反复试验、添加想法和技巧来逐步建立了关于如何处理神经网络的重要知识。有几个关键部分。首先，关键是要考虑为特定任务使用什么样的神经网络架构。然后是如何获取用于训练神经网络的数据的关键问题。而且，越来越多的情况下，不再需要从头开始训练网络：相反，一个新网络可以直接整合另一个已经训练好的网络，或者至少可以使用该网络为自己生成更多的训练示例。

推荐

观察分析

如何最快速写一篇论文？手把手教你！多模态无人机检测

What is this paper doing? Detect drones (from airplanes, birds, helicopters) using a multimodal approach of sound and image. Uses fewer computing resources. Faster response speed (real time)

观察分析

工具

1 2

NotionNext

一个普通的干饭人🍚