首页
AI Coding
数据标注
NEW
沸点
课程
直播
活动
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
登录
注册
确定删除此收藏集吗
删除后此收藏集将被移除
取消
确定删除
确定删除此文章吗
删除后此文章将被从当前收藏集中移除
取消
确定删除
编辑收藏集
名称:
描述:
0
/100
公开
当其他人关注此收藏集后不可再更改为隐私
隐私
仅自己可见此收藏集
取消
确定
AI/机器学习/神经网络
订阅
陳粟粟好叻仔喎
更多收藏集
微信扫码分享
微信
新浪微博
QQ
144篇文章 · 0订阅
法律文档智能分析系统:NLP+法律知识库的技术实现方案
经过深入的技术调研和实践探索,我发现NLP技术与法律知识库的深度融合为解决这一难题提供了创新性的解决方案。自然语言处理技术以其强大的文本理解和信息抽取能力,能够准确识别法律文档中的关键要素;而结构化的
RAG技术的PDF智能问答系统
关键要点 系统基于RAG(检索增强生成)技术,允许用户上传PDF并进行智能问答。 使用Ollama的deepseek-r1模型和FAISS向量数据库,支持普通对话和基于PDF的问答模式。 提供简洁的W
循环神经网络6-循环神经网络的简洁实现
本文介绍如何使用PyTorch高级API简洁实现循环神经网络(RNN),涵盖模型定义、隐状态初始化、训练与预测,帮助你轻松理解RNN的核心概念与应用。
自注意力与位置编码:让模型理解序列的魔法
揭秘自注意力如何实现全局交互,三角位置编码如何让模型理解顺序,对比CNN、RNN与自注意力的核心原理,助你掌握Transformer的核心机制。
现代卷积神经网络3-网络中的网络(NiN)
NiN:通过像素级全连接创新设计,减少参数量与过拟合风险,大幅提升训练效率和模型表现力,同时适用于多种视觉任务。
理解多头注意力机制:像乐队合奏一样处理信息
本文将复杂模型拆解为“多视角观察-独立计算-智能融合”三步,结合歌词分析实例与代码实现,揭秘多头注意力如何通过并行计算捕捉多样化特征,如同交响乐团各声部协奏出智能的华丽乐章。
PyTorch对抗生成网络模型及Android端的实现
前学习和了解使用 PyTorch 实现生成对抗网络(GAN),训练一个简单的图片生成模型,并尝试在 Android 端运行该模型,在手机上直接推理生成图片。
开发也能看懂的大模型:特征选择和稀疏学习
特征选择与稀疏学习是机器学习中重要的技术,主要用于提升模型的性能和可解释性,特别是在高维数据场景中(如文本处理、生物信息学)。
深度学习架构师手册——理解卷积神经网络(CNN)
MLP 结构是为了接受一维数据设计的,不能直接处理二维或更高维的数据,除非进行预处理。一维数据也称为表格数据,通常包括分类数据、数值数据,可能还包括文本数据。二维数据或更高维数据是某种形式的图像数据。
大模型低显存推理优化-Offload技术
由于 GPU 资源稀缺和昂贵,一定程度上使得大模型的应用和普及变得困难。因此,本文从大模型推理部署出发,介绍了一些低硬件成本(消费级GPU、CPU等)部署大模型的方法,并着重介绍了低显存推理优化技术O