分类目录归档：人工智能

填充-机器学习/神经网络

评论
47 views

在 机器学习/神经网络 中，填充（Padding） 是一种在输入数据（如图像、序列等）周围添加额外“虚拟值”的技术，主要用于控制卷积操作后输出数据的空间尺寸，并减少信息丢失。以下是详细解释：

1. 为什么需要填充？

  • 保持空间维度：卷积操作（如卷积神经网络中的卷积层）会缩小输入数据的尺寸。例如，输入图像尺寸为 (5 \times 5)，使用 (3 \times 3) 的卷积核后，输出尺寸会变为 (3 \times 3)。填充可以通过在边缘添加额外像素，使输出尺寸与输入一致。
  • 保留边缘信息：不加填充时，图像边缘的像素在卷积中参与计算的次数较少，可能丢失重要特征。
  • 适应深层网络：在深层网络...

Read more

多智能体强化学习-MARL

评论
81 views

多智能体强化学习（Multi-Agent Reinforcement Learning, MARL）是强化学习（Reinforcement Learning, RL）的一个分支，专注于多个智能体在共享环境中通过交互学习策略。与单智能体强化学习不同，MARL 需要考虑智能体之间的合作、竞争或混合关系，这使得问题更加复杂。

1. MARL 的核心问题

MARL 的核心挑战在于如何处理智能体之间的交互和环境的动态变化。以下是 MARL 中的一些关键问题：

  • 非平稳性（Non-stationarity）：在单智能体 RL 中，环境通常是平稳的（即环境动态不随时间变化）。但在 MARL 中，其他...

Read more

GAWM-

评论
77 views

GAWM (Global-Aware World Model) 是一种基于模型的多智能体强化学习（Model-based Multi-Agent Reinforcement Learning, MARL）方法，旨在解决复杂多智能体环境中的全局状态表示和样本效率问题。以下是关于 GAWM 的详细介绍：

1. 背景与挑战

在多智能体强化学习中，模型驱动的方法（Model-based MARL）通过构建环境动态模型来生成伪数据样本，从而提高样本效率。然而，现有的方法在全局状态表示上存在不足，尤其是在部分可观测环境中，无法保证数据样本的全局一致性。这导致生成的伪数据样本与真实样本之间存在分布不...

Read more

感知机、单层感知机与多层感知机原理介绍-视频文字

评论
110 views

感知机、单层感知机与多层感知机：专业解析

感知机（Perceptron）是神经网络的基础模型，由Frank Rosenblatt于1957年提出。它模拟生物神经元的工作机制，通过学习输入数据的特征来实现分类任务。感知机的发展从单层感知机（Single-Layer Perceptron）到多层感知机（Multi-Layer Perceptron, MLP），逐步解决了从简单线性分类到复杂非线性模式识别的任务。以下是它们的专业解析。

1. 感知机（Perceptron）

感知机是一种二分类模型，其核心思想是通过学习输入特征的权重和偏置，将数据分为两类。它的结构包括输入层和输出层，输出层只有...

Read more

LLM概述-V0

评论
51 views

一、LLM：自然语言处理的变革者

在当今数字化时代，大语言模型（LLM，Large Language Model）作为人工智能领域的关键技术，正以前所未有的态势深刻改变着自然语言处理的格局。LLM 是基于深度学习的自然语言处理模型，能够理解和生成人类语言。其核心原理和架构主要基于 Transformer 模型。与传统语言模型相比，它犹如从 “功能手机” 跃升至 “智能手机” 的跨越，在数据规模、训练方式、应用范围等维度展现出无可比拟的优势。 从数据规模看，传统语言模型受限于硬件与算法，处理的数据量极为有限，就像用小勺舀水，难以对海量语言数据进行全面分析。而 LLM 则如同连接了江河的巨型...

Read more

LLM概述-视频文字

评论
56 views

LLM（Large Language Model，大语言模型）是一种基于深度学习的自然语言处理模型，能够理解和生成人类语言。其核心原理和架构主要基于Transformer模型，以下是LLM的原理和架构的详细说明：

1. LLM 的核心原理

LLM 的核心原理是通过大规模数据训练，学习语言的统计规律和语义表示，从而实现对自然语言的理解和生成。其关键点包括：

1.1 自监督学习

  • LLM 通常采用自监督学习（Self-supervised Learning）进行训练。
  • 训练数据是无标注的文本，模型通过预测被掩盖的词（Masked Language Modeling）或生成下一个词（Caus...

Read more

解锁MLOps：机器学习工业化的密钥-V1

评论
79 views

解锁MLOps：机器学习工业化的密钥

在当今数字化时代，机器学习技术正以前所未有的速度推动着各个领域的变革。从智能语音助手到精准医疗诊断，从个性化推荐系统到自动驾驶汽车，机器学习的应用无处不在。然而，随着机器学习项目的日益复杂，如何高效地管理和部署这些模型成为了新的挑战。MLOps，作为一种将机器学习与软件工程相结合的新兴理念，应运而生，为解决这些问题提供了有效的途径。

MLOps：机器学习的新引擎

MLOps，即机器学习运维（Machine Learning Operations），是一套用于管理和优化机器学习模型开发、部署和运维的流程和方法。它融合了机器学习、软件工程、数据工程、云计...

Read more

MLOps：机器学习的新引擎

评论
51 views

MLOps：机器学习的新引擎

在当今数字化浪潮中，机器学习犹如一颗璀璨的明星，照亮了众多领域的创新之路。而在机器学习的广袤宇宙里，MLOps（Machine Learning Operations）正逐渐崭露头角，成为推动其发展的强大引擎。简单来说，MLOps 是一种将机器学习模型从开发到部署、监控和维护的端到端流程进行标准化和自动化的实践。它就像是一位技艺精湛的指挥家，协调着数据科学家、工程师和运维人员等各个角色，让机器学习项目的每一个环节都能精准无误地运行，从而提升效率、可靠性与可重复性。 随着各行业对机器学习应用的深入，从智能推荐系统到精准医疗诊断，从金融风险预测到自动驾驶技术，...

Read more

人类反馈强化学习-RLHF

评论
62 views

人类反馈强化学习（Reinforcement Learning from Human Feedback，RLHF）是一种将人类反馈融入强化学习过程的技术，它在提升人工智能系统的性能和行为方式上发挥着关键作用。

一、基本原理

  1. 强化学习基础
  2. 强化学习是机器学习中的一个领域，其中智能体（agent）在环境（environment）中采取一系列行动（action），目的是最大化累积奖励（reward）。智能体根据环境反馈的奖励信号来学习最优策略（policy），即决定在什么状态下采取什么行动。
  3. 例如，在训练一个机器人走迷宫的场景中，机器人（智能体）在迷宫（环境）中移动（行动），当它成功走出迷宫...

Read more