-
Character.AI：提示词工程的艺术与科学
在Character.AI，掌握提示词工程的艺术与科学至关重要。本文介绍了如何利用Prompt Poet工具设计和管理生产提示，使提示设计更加精确和引人入胜。了解提示视为状态函数的概念，以及使用YAML和Jinja2混合的方法来创建和管理提示。- 362
- 0
-
NLP大模型在Colab上的应用指南
了解如何在Colab上使用NLP大模型进行机器学习项目开发。Colab提供免费GPU资源和云端集成开发环境，方便用户进行各种NLP任务。同时，探索Hugging Face社区的丰富资源库和合作网络，加速技术创新和知识交流。- 511
- 0
-
-
使用Sentence Transformers进行模型微调的指南
了解如何使用Sentence Transformers库进行模型微调，提高在特定任务上的性能。本文介绍了数据集、损失函数、训练参数、评估器等训练组件，帮助您有效训练模型并优化性能。- 114
- 0
-
-
-
-
CRATE-α：新兴的可解释视觉处理Transformer模型
了解CRATE-α，一种基于数学推导的新型可解释性视觉处理Transformer模型，实现了性能与可解释性的平衡。探索CRATE-α在不同规模下的应用，提高模型性能并保持可解释性。- 236
- 0
-
-
OpenAI研究院Jason Wei讨论成功的语言模型评估
阅读OpenAI研究院Jason Wei在个人网站上发表的博客，讨论成功的语言模型评估及NLP领域的最新进展。了解评估测试在NLP领域的重要性和影响。- 597
- 0
-
-
-
-
浏览器中运行机器学习模型的Transformers.js详细步骤
Transformers.js是一个JavaScript库，可在浏览器中使用预训练的机器学习模型。本文详细介绍了使用Transformers.js库加载模型、准备输入数据、进行模型推理和处理输出的步骤。- 548
- 0
-
语言模型Tokenization详解：词粒度、字符粒度和subword粒度对比
本文详细介绍了语言模型中Tokenization的三种粒度：词粒度、字符粒度和subword粒度，以及它们在不同语言文本下的应用和效果。- 532
- 0
-
基于Transformer架构的大语言模型优化方案解析
本文分析了基于Transformer架构的大语言模型优化方案，介绍了帝江模型及其基于频域自注意力变换核的原理，并讨论了与原始模型微调继承相关的关键问题。- 360
- 0
-
Transformer：领先AI技术的引领者
本文从Transformer的原理、应用和产业实践等方面，探讨其如何引领AI技术百花齐放，涵盖了自然语言处理和计算机视觉领域的研究进展，包括Transformer在NLP和计算机视觉领域的应用成果，以及我国在Transformer领域的学术研究和产业应用。- 216
- 0
-
-
-
￥优惠劵使用时效：无法使用使用时效：
之前
使用时效：永久有效优惠劵ID：×