HelloWorld 开发者社区
AI 与大模型
人工智能,应该如何测试?(三)数据构造与性能测试篇
前言人工智能场景中的性能测试与我们在互联网中创建到的有很大的不同,因为它需要模拟更复杂的情况。当然它也有相似的地方,只不过今天我们主要介绍它们不同的地方。产品分类首先我们需要澄清一下,从AI产品的类型来划分的话,我们可以分成两个大的类别:人工智能的业务类
超全大模型资源汇总|30 个优质 NLP 数据集和模型,一键使用 8 个 demo,建议收藏!
近两年来,大模型的热度持续高涨,并且开始在更广泛的领域进行落地探索。随着行业整体的快速发展,越来越多的开源大模型涌入市场,进一步推动了上层应用的拓展。对于开发者而言,挑选优质大模型和数据集对其后续的研发、模型微调至关重要。为了方便大家选择并下载适配开发需求的模型与数据集,HyperAI超神经
人工智能,应该如何测试?(二)数据挖掘篇
前言数据决定模型的上限,而算法调参只是尽量的帮你逼近那个上限,建模工程师80%的时间都是在跟数据打交道,国内在AI上的发展与国外最大的差距不是在算力上,而是高质量的数据。相信大家在网络上都见过类似的说法,事实上这些说法都是正确的。并且对于测试人员来说也是
什么是神经网络学习中的反向传播算法?
反向传播算法是神经网络中用于训练的核心算法,它通过计算损失函数相对于网络参数的梯度来更新参数,从而最小化损失函数。这个过程涉及到了复杂的数学运算,但其基本思想是利用链式法则来高效地计算这些梯度。通过反向传播,神经网络能够从输出层向输入层逐层调整权重,以提高模型的预测准确性。反向传播算法
什么是人工智能领域的卷积神经网络
卷积神经网络是一种深度学习模型,它在处理具有网格拓扑结构的数据,如图像(2D网格)和音频(1D网格)时,表现出色。CNN通过模仿生物视觉系统的工作原理,能够从图像中自动学习和提取有用的特征,这一能力使其成为视觉识别任务中的首选模型。CNN的关键构件卷积层:这是
卷积神经网络中池化层的概念介绍
在深度学习中,尤其是在卷积神经网络(CNN)的结构里,池化层(PoolingLayer)扮演着重要的角色。池化层通常跟在卷积层之后,其主要目的是减少卷积层输出的特征图(FeatureMaps)的空间大小,同时保留最重要的信息。这一过程不仅有助于减少计算量,还能提高模型的泛化能力,减少过拟合的风险
卷积神经网络的全连接层的概念
全连接层是深度学习中常见的一种网络层,特别是在卷积神经网络(CNN)中。在这个层中,神经元与前一层中的每一个神经元都有连接,因此称为<code全连接</code。全连接层的主要作用是对前面卷积层或池化层提取到的特征进行整合,并最终输出一个固定大小的向量。这个向量通常用于分类或回归任务的最终决策。
人工智能,应该如何测试?(一)基础效果篇(内含大模型的测试内容)
前言这个系列算是科普文吧,尤其这第一篇可能会比较长,因为我这8年里一直在AI领域里做测试,涉及到的场景有些多,我希望能尽量把我经历过的东西都介绍一下,算是给大家科普一下我们这些在AI领域内做测试的人,每天都在做什么事情。当然AI领域很庞杂,我涉及到的可能也仅仅是一小部
使用 AI 生成正则表达式,告别正则烦恼
!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/4988e42a0c379870e7299a2fe3669715.png)如果你有处理正则表达式的需求,那么这个网站(autoregex.xyz)一定要收藏好。可以根据文
马斯克开源大模型Grok-1,手把手教你如何使用
<blockquote马斯克一直在指责OpenAI没有开源,终于开源自家的大模型Grok1,也把压力给到了OpenAI</blockquoteGitHub链接:https://github.com/xaiorg/grok1(https://link.segmentfault.com
正在加载更多文章…
加载更多已加载文章中没有匹配内容,可继续加载更多。