文章目录 1. 机器翻译 2. 文本分类 3. 命名实体识别 4. 问答系统 5. 文本生成 6. 情感分析 7. 语言生成与处理 8. 信息检索与摘要 9. 文本纠错与修复 10. 智能对话系统 总结 欢迎来到AIGC人工智能专栏~深度学习在自然语言处理中的十大应用领域 ☆_ o(≧▽≦)o _☆嗨~我是IT·陈寒
文章目录 孤注一掷——基于文心Ernie-3.0大模型的影评情感分析 写在前面 一、数据直观可视化 1.1 各评价所占人数 1.2 词云可视化 二、数据处理 2.1 清洗数据 2.2 划分数据集 2.3 加载数据 2.4 展示数据 三、RNIE 3.0文心大模型 3.1 导入模型 3.2 模型训练 3.3 可视化训练曲
深度学习PyTorch笔记（4）：Tensor的其它操作 1.2.3 改变形状 1.2.4 一些简单的矩阵操作 1.2.5 把多个张量连结（concatenate）在一起 1.2.6 通过逻辑运算符构建二维张量 1.2.7 求和 这是《动手学深度学习》（PyTorch版）（Dive-into-DL-PyTorch）的学习笔记，里面有一些代
0. 简介 PyTorch是一个深度学习框架，它使用张量（tensor）作为核心数据结构。在可视化PyTorch模型时，了解每个张量运算的意义非常重要。张量运算作为神经网络模型中的基本操作。它们用于处理输入数据、执行权重更新和生成预测结果。同时张量运算还用于计算损失函数。损失函数衡量了模型预测与真实标签之间的差异。通过使用张量运算，可以计算出模型的预测结果与真实标签之间的差异，并将其最小化。所以
文章目录 1. 强化学习简介 2. 强化学习在游戏AI中的应用 2.1 游戏智能体训练 2.2 游戏AI决策 2.3 游戏测试和优化 3. 强化学习在游戏AI中的挑战 3.1 探索与利用的平衡 3.2 多样性的应对 4. 解决方法与展望 4.1 深度强化学习 4.2 奖励设计和函数逼近 5. 总
深度学习PyTorch笔记（1）：创建Tensor 1. Tensor预备知识 1.1 创建Tensor 1.1.1 创建未初始化的Tensor 1.1.2 生成随机数 1.1.3 torch.Tensor()与torch.tensor() 1.1.4 一些特殊值矩阵 这是《动手学深度学习》（PyTorch版）（Dive-into-DL-PyT
一、时间复杂度： Transformers模型的时间复杂度主要取决于输入序列的长度N和模型中隐藏层的数量H。对于一个具有L个层的Transformer模型，其时间复杂度为O(LN^2H)，其中 N ^2来自于注意力机制的计算。因此，对于较长的输入序列和更深的模型，Transformer的时间复杂度可能会非常高。 这里表示算法的时间复杂度是O(LN ^ 2H)，其中L、N、H是三个参数。在这个算
文章目录 1. 神经网络架构的演化历程 1.1 感知机（Perceptron） 1.2 多层感知机（Multi-layer Perceptron，MLP） 1.3 卷积神经网络（Convolutional Neural Network，CNN） 1.4 循环神经网络（Recurrent Neural Network，RNN） 1.5 长短时记忆网络（Lo
深度学习PyTorch笔记（2）：Tensor的算术操作 1.2.1 算术操作 这是《动手学深度学习》（PyTorch版）（Dive-into-DL-PyTorch）的学习笔记，里面有一些代码是我自己拓展的。 其他笔记在专栏 深度学习 中。 1.2.1 算术操作 加减乘除、求余、求幂、指数、绝对值： #可以是两个张量，也可以是张量
基于Pytorch的图卷积网络GCN实例应用及详解 一、图卷积网络GCN定义 图卷积网络GCN实际上就是特征提取器，只不过GCN的数据对象是图。图的结构一般来说是十分不规则，可以看作是多维的一种数据。GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类（node classification）、图分类（graph classification）、边预
文章目录 1. 数据预处理 2. 批量归一化（Batch Normalization） 3. 学习率调整 4. 提前停止（Early Stopping） 5. 模型压缩与剪枝 6. 模型并行与分布式训练 7. 自动化超参数调整 结论 欢迎来到AIGC人工智能专栏~探索Java中的静态变量与实例变量 ☆_ o
深度学习PyTorch笔记（3）：Tensor的索引 1.2.2 索引 这是《动手学深度学习》（PyTorch版）（Dive-into-DL-PyTorch）的学习笔记，里面有一些代码是我自己拓展的。 其他笔记在专栏 深度学习 中。 1.2.2 索引 裁剪 x = torch.tensor([[1, 2, 3], [4, 5, 6], [
文章目录 1. 自然语言处理（NLP） 2. 图像识别与计算机视觉 3. 医疗诊断与影像分析 4. 金融风险管理 5. 预测与推荐系统 6. 制造业和物联网 7. 能源管理与环境保护 8. 决策支持与智能分析 结论 欢迎来到AIGC人工智能专栏~探索人工智能在机器学习中的八大应用领域 人工智能（AI）和机器学习（Machin
目录 全量梯度下降 随机梯度下降 小批量梯度下降 三种梯度下降区别和优缺点 全量梯度下降 Batch Gradient Descent 在梯度下降中，对于θ的更新，所有的样本都有贡献，也就是参与调整θ。其计算得到 的是一个标准梯度。因而理论上来说一次更新的幅度是比较大的。如果样本不多的情况下， 当然是这样收敛的速度会更快啦。全量梯度下降每次学习都使用整个训
深度学习PyTorch笔记（5）：广播机制与内存开销 1.3 广播机制 1.4 运算的内存开销 这是《动手学深度学习》（PyTorch版）（Dive-into-DL-PyTorch）的学习笔记，里面有一些代码是我自己拓展的。 其他笔记在专栏 深度学习 中。 1.3 广播机制 当对两个形状不同的Tensor按元素运算时，可能会触发广播（broadcas
基于Pytorch的PyTorch Geometric（PYG）库构造个人数据集 一、目的 PyTorch Geometric库中虽然已经包含自带的数据集如 Cora 等，但有时我们也需要用户个人数据创建自己的数据集进行一些数据研究。当然博主也建议大家若是第一次使用PyTorch Geometric库可以先使用其自带的数据集进行理解，再创建自己的数据集做到灵活运用。 二、前期准备和参考资料
摘要 机器学习算法是数据挖掘、数据能力分析和数学建模必不可少的一部分，而随机森林算法和决策树算法是其中较为常用的两种算法，本文将会对随机森林算法的Python实现进行保姆级教学。 0 绪论 数据挖掘和数学建模等比赛中，除了算法的实现，还需要对数据进行较为合理的预处理，包括缺失值处理、异常值处理、特征值的特征编码等等，本文默认读者的数据均已完成数据预处理，如有需
Bert模型之unable to parse config.json as a URL or as a local path错误解决方案 一、点击下面的链接从Kaggle网站下载Bert模型权重文件，注意：下载之前需要在Kaggle网站注册账户和登录才能进行文件下载，下载需要五分钟左右，请耐心等候。 Kaggle官方网站：点击打开torch_bert_weights网站 二、下载完成
目录 摘要 0 绪论 1 材料准备 2 算法原理 3 算法实现 4 结论 5 备注 摘要 KNN算法是一种传统的机器学习算法，在数学建模、数据挖掘和数据分析竞赛中也是常用的算法之一，网上的实现方法基本都是将最近邻数（n_neighbors）设为一个固定值，但实际上，这个n_neighbors是并不一定是最优的，所以，本文在这个背景下，在n_neighbor
摘要 XGBoost算法（eXtreme Gradient Boosting）在目前的Kaggle、数学建模和大数据应用等竞赛中非常流行。本文将会从XGBOOST算法原理、Python实现、敏感性分析和实际应用进行详细说明。 目录 0 绪论 一、材料准备 二、算法原理 三、算法Python实现 3.1 数据加载 3.2 将目标变量的定
第三方账号登入
看不清？点击更换
第三方账号登入
QQ 微博 微信