-
torch.nn
torch.nn Parameters (参数) Containers (容器) Module Sequential ModuleList ParameterList Convolution Layers (卷积层) Conv1d Conv2d Conv3d ConvTranspose1d ConvTranspose2d ConvTra... -
7.2 支持向量机
7.2 支持向量机 第一层、了解SVM 1.1、线性分类 1.1.1、分类标准 1.1.2、1或-1分类标准的起源：logistic回归 1.1.3、形式化标示 1.2、线性分类的一个例子 1.3、函数间隔Functional margin与几何间隔Geometrical margin 1.3.1、函数间隔Functional margin 1.... -
使用自定义 C++ 运算符扩展 TorchScript
使用自定义 C++ 运算符扩展 TorchScript 在 C++ 中实现自定义运算符 使用 TorchScript 注册自定义运算符 构建自定义运算符 环境设置 将 CMake 用于构建 在 Python 中使用 TorchScript 自定义运算符 在跟踪中使用自定义运算符 将自定义运算符与脚本一起使用 在 C++ 中使用 TorchSc... -
第九章 涌动的投资热潮
第九章 涌动的投资热潮 第九章 涌动的投资热潮 AIGC带来了两个很大的突破，一是从对语义的理解进化到了对语义的分析归纳。以前的算法只能知道这张图片里面有什么标签，有什么主体，分析出大概情况。但现在的语义模型已经具备分析和归纳总结的能力了，给它一些很散的内容和资料，它就能提炼出结构化的内容。这也正是ChatGPT如此火爆的主要原因。二是AIGC实现了从... -
torch.nn
torch.nn Parameters class torch.nn.Parameter() Containers(容器）： class torch.nn.Module add_module(name, module) children() cpu(device_id=None) cuda(device_id=None) double() ev... -
从零开始的 NLP：使用序列到序列网络和注意力的翻译
从零开始的 NLP：使用序列到序列网络和注意力的翻译 加载数据文件 Seq2Seq 模型 编码器 解码器 简单解码器 注意力解码器 训练 准备训练数据 训练模型 绘制结果 评估 训练和评估 可视化注意力 练习 从零开始的 NLP：使用序列到序列网络和注意力的翻译 原文：https://pytorch.org/tutoria... -
第三章 智能交互的运行模式
第三章 智能交互的运行模式 第三章 智能交互的运行模式 回顾ChatGPT的发展历程，可以看出，OpenAI其实从GPT-1开始，基本就坚定地把大型语言模型（Large Language Model，LLM）看作通往通用人工智能（Artificial General Intelligence，AGI）的一条必由之路。具体而言，在OpenAI眼中，未来的... -
DCGAN 教程
DCGAN 教程 简介 生成对抗网络 什么是 GAN？ 什么是 DCGAN？ 输入 数据 实现 权重初始化 生成器 判别器 损失函数和优化器 训练 结果 下一步去哪里 DCGAN 教程 原文：https://pytorch.org/tutorials/beginner/dcgan_faces_tutorial.html ... -
第四章 深度学习的核心技术
第四章 深度学习的核心技术 第四章 深度学习的核心技术 很多人发现ChatGPT在自然语言处理的系列任务中，比如在文本理解和生成、对话问答、机器翻译、程序代码生成方面都有很大的进步。这是怎么做到的呢？从技术层面讲，这其实是近几年深度神经网络、大型语言模型的研究不断深入带来的成果，通俗点讲就是海量的数据加上巨大的算力催生了这样一个大型语言模型，使其落地应... -
04 ChatGPT+创作
04 ChatGPT+创作 04 ChatGPT+创作 在人类历史的长河中，以书籍的创作为例，AIGC所属内容生产生态的发展经历了专家生产内容（PGC）、用户生成内容（UGC）、AI辅助生产内容、AI生产内容（AIGC）四个阶段，目前处于第一、二阶段为主，第三阶段为辅的境况。 AIGC克服了PGC与UGC存在的质量、产量无法兼具的缺点，有望成为未来主...
