深度学习

介绍了合合信息在文档感知方面的研究进展，并分析了如何将文档识别分析与大语言模型融合，以进一步提高图像文档处理的性能。

在本节中，回顾来自中科院自动化研究所等的学术专家与合合信息等知名企业的研究者在中国图形图像大会关于文档图像分析与处理的相关分享，介绍在多模态大模型时代下文档图像智能分析与处理技术的最新进展和发展展望。

介绍了基于 Amazon SageMaker 创建、部署 Stable Diffusion 模型的相关要点，充分展示了 Amazon SageMaker 在人工智能模型构建、训练和部署过程中的优势。

AIGC 是一个快速发展的领域，有着广阔的应用前景，通过不断改进技术和解决相关问题，AIGC 技术将有望成为许多领域中的重要工具和资源。

古彝文识别研究能够将珍贵的古彝文文本文献转换为电子文件，更加便于其保存和传承。本文介绍了如何将新颖的深度学习技术应用于古老文字的识别上，介绍了合合信息如何解决古彝文识别中的困难与挑战。

推荐系统在用户发现中起主要作用。在本节中，我们将以电影推荐系统为例介绍推荐系统模型构建的方法，从而为用户推荐其真正感兴趣的产品。

在本节中，我们将为自定义数据集定义一个类，定义转换函数，然后使用 Dataset 类从数据集中加载图像，为数据集创建一个 PyTorch 自定义数据集。

损失函数用于计算模型输出值和目标值之间的距离，损失函数也被称为目标函数、成本函数；使用优化器在训练期间更新模型参数(或称权重)。在本节中，我们将学习如何在 PyTorch 中定义损失函数和优化器。

一旦模型、数据集、损失函数和优化器准备完成后，我们就可以开始训练模型了。在本节中，我们将学习如何正确训练和评估深度学习模型。

模型是用于处理输入以生成输出的神经网络层的集合，我们可以使用 torch.nn 包来定义模型，nn 包是提供通用深度学习层的模块集合。本节将介绍在 PyTorch 中如何构建神经网络模型。

深度神经网络训练的大多数情况下，我们需要使用三组数据：训练、验证和测试。在本节中，我们将学习 PyTorch 数据加载和处理数据工具，以使用 PyTorch 库来处理数据集。

PyTorch 建立在张量之上，PyTorch 张量是一个 n 维数组，类似于 NumPy 数组。在本节中，我们将学习如何定义和更改张量，将张量转换为数组，以及在计算设备之间移动张量。

fastText是Facebook研究团队提出的算法模型，用于有效学习单词表示和句子分类。fastText与word2vec的不同之处在于word2vec将每个单词视为最小单位，学习其向量表示形式。

本节介绍使用 skip-gram 和 CBOW 模型构建单词向量。为了构建模型，我们将使用航空公司的情感数据集，其中给出了推文文本，并提供了与推文相对应的情感。

构建单词向量的核心思想是，在向量空间中，每个单词周围都存在着与之相似的单词。 本节将从零开始利用 Keras 构建单词向量。

生成对抗网络 (Generative Adversarial Networks, GAN) 使用神经网络生成与原始图像集非常相似的新图像，它在图像生成中应用广泛，且GAN的相关研究正在迅速发展。

为了了解所提取候选区域的准确性，我们使用了一个名为“交并比” (Intersection over Union, IoU) 的度量，本节将详细介绍 IoU 的基本概念，以及具体实现。

候选区域是整个图像中较小的部分，且该部分包含特定目标对象的可能性较高。候选区域对于目标定位非常重要，因为我们需要从图像中提取候选对象，而对象位于这些区域之中的几率很高。

目标检测的输出是目标的边界框，其中边界框用于定位图像中的目标对象。要构建算法检测图像中目标周围的边界框，就必须首先创建输入-输出映射，其中输入是图像，而输出是给定图像中目标周围的边界框。

基于策略迭代的强化学习算法可以细分为两个部分：策略评估和策略改进。算法从一个随机策略开始，并且在每次迭代中计算出给定策略的策略值；然后从所得的策略值中提取改进的策略。