HelloWorld 开发者社区
科技资讯
百度世界提出智能组织思路,关注 AI 从个人工具进入业务闭环
openKylin 全球生态推广会举行,推进本地化与社区合作
光船 1.1.0 尝鲜版二更新,探索 AI 会话与代码生成结合
Argus 0.5.0 发布:新增进程控制,完善原生 Windows 任务管理
MetaForge 2026.0.0 发布,整合数据库工作台与可视化分析
qData 1.6.7 发布:修复增量读取与 ETL 字段传递问题
Apple HomeView 在部分地区开售,整合家庭控制与视频通话
Cloudflare 推出 Spend Management Beta,为 Workers 增加支出限制
Cloudflare 开源 Kitesurf:面向 AI 智能体的轻量浏览器引擎
JeecgBoot 与敲敲云介绍分层方案,连接低代码开发与业务搭建
开源项目
全部项目推荐好文
MaskFormer:将语义分割和实例分割作为同一任务进行训练
目标检测和实例分割是计算机视觉的基本任务,在从自动驾驶到医学成像的无数应用中发挥着关键作用。目标检测的传统方法中通常利用边界框技术进行对象定位,然后利用逐像素分类为这些本地化实例分配类。但是当处理同一类的重叠对象时,或者在每个图像的对象数量不同的情况下,这些方法通常会出现问题。诸如Faster
图解transformer中的自注意力机制
本文将将介绍注意力的概念从何而来,它是如何工作的以及它的简单的实现。注意力机制在整个注意力过程中,模型会学习了三个权重:查询、键和值。查询、键和值的思想来源于信息检索系统。所以我们先理解数据库查询的思想。假设有一个数据库,里面有所有一些作家和他们的书籍信息。现在我想读一些Rab
想要更好地理解大模型架构?从计算参数量快速入手
<blockquote<p编者按:要理解一种新的机器学习架构(以及其他任何新技术),最有效的方法就是从头开始实现它。然而,还有一种更简单的方法——计算参数数量。</p<p通过计算参数数量,读者可以更好地理解模型架构,并检查其解决方案中是否存在未被发现的错误。</p<p该文章提供了精确的T
在Transformers 中使用约束波束搜索引导文本生成
引言本文假设读者已经熟悉文本生成领域波束搜索相关的背景知识,具体可参见博文如何生成文本:通过Transformers用不同的解码方法生成文本(https://link.segmentfault.com/?encfbrYgNmKnTntyqx8Py8CQg%3D%3D
解码器 | 基于 Transformers 的编码器-解码器模型
基于transformer的编码器解码器模型是_表征学习_和_模型架构_这两个领域多年研究成果的结晶。本文简要介绍了神经编码器解码器模型的历史,更多背景知识,建议读者阅读由SebastionRuder撰写的这篇精彩博文(https://link.segmentfault.
编码器 | 基于 Transformers 的编码器-解码器模型
基于transformer的编码器解码器模型是_表征学习_和_模型架构_这两个领域多年研究成果的结晶。本文简要介绍了神经编码器解码器模型的历史,更多背景知识,建议读者阅读由SebastionRuder撰写的这篇精彩博文(https://link.segmentfault.
Hugging News #0602: Transformers Agents 介绍、大语言模型排行榜发布!
每一周,我们的同事都会向社区的成员们发布一些关于HuggingFace相关的更新,包括我们的产品和平台更新、社区活动、学习资源和内容更新、开源库和模型更新等,我们将其称之为「HuggingNews」,本期HuggingNews有哪些有趣的消息,快来看看吧!重磅更新
编码器-解码器 | 基于 Transformers 的编码器-解码器模型
基于transformer的编码器解码器模型是_表征学习_和_模型架构_这两个领域多年研究成果的结晶。本文简要介绍了神经编码器解码器模型的历史,更多背景知识,建议读者阅读由SebastionRuder撰写的这篇精彩博文(https://link.segmentfault.
背景 | 基于 Transformers 的编码器-解码器模型
<pre<code!pipinstalltransformers4.2.1!pipinstallsentencepiece0.1.95</code</preVaswani等人在其名作Attentionisallyouneed(https://link.s
RWKV – transformer 与 RNN 的强强联合
在NLP(NaturalLanguageProcessing,自然语言处理)领域,ChatGPT和其他的聊天机器人应用引起了极大的关注。每个社区为构建自己的应用,也都在持续地寻求强大、可靠的开源模型。自Vaswani等人于2017年首次提出AttentionIsAll
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。