<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[AbnerAI的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/AbnerAI</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; AbnerAI]]></copyright><item><title><![CDATA[深度学习GPU选购指南]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/130385198</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/130385198</guid><author>AbnerAI</author><pubDate>Wed, 26 Apr 2023 14:23:15 +0800</pubDate><description><![CDATA[有了8位输入，它允许你以两倍的速度加载矩阵乘法的数据，你可以在缓存中存储两倍的矩阵元素，而在Ada和Hopper架构中，缓存是非常大的，现在有了FP8张量核心，你可以为RTX 4090获得0.66 PFLOPS的计算量。对我的工作的一个批评是："你减少了网络所需的FLOPS，但并没有产生速度的提升，因为GPU不能进行快速的稀疏矩阵乘法"。不过总的来说，这些新的数据类型可以被看作是懒惰的数据类型，因为你可以通过一些额外的编程努力（适当的损失缩放、初始化、规范化、使用Apex）来获得旧数据类型的所有好处。]]></description><category></category></item><item><title><![CDATA[读 AI学者生存策略]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/130303064</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/130303064</guid><author>AbnerAI</author><pubDate>Sat, 22 Apr 2023 12:09:52 +0800</pubDate><description><![CDATA[没有计算资源 ，没有标注的人力，很难做出突破性的研究。如作者最后所说的，(1) 分享一些想法给community，（2）提供一些guidelines ，讨论 学术届 与 工业界的AI赛道差异 （3）引发一些公开的讨论。目前的 grants 也是喜欢 safe and incremental research on popular topics，但这也限制了 很难与工业界的lab 竞争。（读者按：我知道早期2017，2018确实是，需要一点技术，但近期我也不确定有没有好一些。但和大公司相比肯定还是少很多的。]]></description><category></category></item><item><title><![CDATA[【经验帖】深度学习如何训练出好的模型]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/130303024</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/130303024</guid><author>AbnerAI</author><pubDate>Sat, 22 Apr 2023 12:07:28 +0800</pubDate><description><![CDATA[深度学习在近年来得到了广泛的应用，从图像识别、语音识别到自然语言处理等领域都有了卓越的表现。但是，要训练出一个高效准确的深度学习模型并不容易。不仅需要有高质量的数据、合适的模型和足够的计算资源，还需要根据任务和数据的特点进行合理的超参数调整、数据增强和模型微调。在本文中，我们将会详细介绍深度学习模型的训练流程，探讨超参数设置、数据增强技巧以及模型微调等方面的问题，帮助读者更好地训练出高效准确的深度学习模型。]]></description><category></category></item><item><title><![CDATA[深度学习pytorch训练代码模板(个人习惯)]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/130303001</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/130303001</guid><author>AbnerAI</author><pubDate>Sat, 22 Apr 2023 12:04:39 +0800</pubDate><description><![CDATA[目录如下：导入包以及设置随机种子以类的方式定义超参数定义自己的模型定义早停类(此步骤可以省略)定义自己的数据集Dataset,DataLoader实例化模型，设置loss，优化器等开始训练以及调整lr绘图预测



import numpy as np
import torch
import torch.nn as nn
import numpy as np
import pandas as pd
from torch.utils.data import DataLoader, Dataset
from s]]></description><category></category></item><item><title><![CDATA[神经网络初学者的激活函数指南]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/130302976</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/130302976</guid><author>AbnerAI</author><pubDate>Sat, 22 Apr 2023 12:03:40 +0800</pubDate><description><![CDATA[如果你刚刚开始学习神经网络，激活函数的原理一开始可能很难理解。但是如果你想开发强大的神经网络，理解它们是很重要的。但在我们深入研究激活函数之前，先快速回顾一下神经网络架构的基本元素。如果你已经熟悉神经网络的工作原理，可以直接跳到下一节。]]></description><category></category></item><item><title><![CDATA[在金融领域使用机器学习的 9个技巧]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/130302959</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/130302959</guid><author>AbnerAI</author><pubDate>Sat, 22 Apr 2023 12:02:17 +0800</pubDate><description><![CDATA[机器学习已经倍证明可以预测结果和发掘隐藏的数据模式。但是必须小心使用，并遵循一些规则，否则就会在数据的荒野中徘徊而无所获。使用机器学习进行交易的道路充满了陷阱和挑战，只有那些勤奋认真地遵循规则的人才能从中获得收益。下面是一些技巧可以帮助你更好的使用机器学习进行交易。]]></description><category></category></item><item><title><![CDATA[27 个Python数据科学库实战案例 (附代码)]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/130195499</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/130195499</guid><author>AbnerAI</author><pubDate>Mon, 17 Apr 2023 11:05:29 +0800</pubDate><description><![CDATA[的前身是 Torch，其底层和 Torch 框架一样，但是使用 Python 重新写了很多内容，不仅更加灵活，支持动态图，而且提供了 Python 接口。为了大家能够对人工智能常用的 Python 库有一个初步的了解，以选择能够满足自己需求的库进行学习，对目前较为常见的人工智能库进行简要全面的介绍。简单的说，要描述输入的 feature，输入的 label，一些参数，参数和输入之间的计算关系，以及目标节点是什么。它的目标是为机器学习任务和各种预定义的环境提供灵活、易于使用且强大的算法来测试和比较算法。]]></description><category></category></item><item><title><![CDATA[人工智能全球发展趋势、经济影响和未来挑战]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/130195341</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/130195341</guid><author>AbnerAI</author><pubDate>Mon, 17 Apr 2023 10:53:55 +0800</pubDate><description><![CDATA[在过去几年中，全球范围内对人工智能的投资和研究持续增长，这使得人工智能成为了各行各业的关注焦点。此外，文章还将讨论人工智能对全球经济和就业市场的影响，并探讨人工智能未来发展的趋势和挑战。随着人工智能技术的不断进步，全球范围内对人工智能的投资和研究也在迅速增长。据统计，2019年，全球AI企业共获得了140亿美元的投资，其中美国和中国分别占据了43%和26%的市场份额。美国政府也在积极推动人工智能技术的发展，其中包括成立了国家人工智能研究和发展委员会，并拨款100亿美元用于支持人工智能的研究和开发。]]></description><category></category></item><item><title><![CDATA[计算机视觉的热门研究方向与发展趋势]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/130179284</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/130179284</guid><author>AbnerAI</author><pubDate>Sun, 16 Apr 2023 09:48:38 +0800</pubDate><description><![CDATA[小时候看书，说我们人类面临三个世界，一个是虚拟的意识世界，另一个是现实的物理世界，第三个是真理世界，也就是数学世界。当然，我们可以比较客观地说，计算机视觉是让计算机去创造一种新的物种，像人一样具有可辨识、可观察的能力。所以我认为，在学术界的毕业生需要有一种哲学的思辨能力，而并不仅仅是做一种技术的应用，也并不仅仅是提高一些效率。在学术界，你的论文发表了之后，研究就结束了。但在工业界是不一样的，论文发表可能意味这个工作才刚刚开始，后面还有很长的路要走，还要把技术经过一些改进，使它能够成熟到去支持业务的落地。]]></description><category></category></item><item><title><![CDATA[黑盒预测模型有哪些问题？可解释模型有哪些重要意义？]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/129723977</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/129723977</guid><author>AbnerAI</author><pubDate>Thu, 23 Mar 2023 09:20:44 +0800</pubDate><description><![CDATA[这种不安全性体现在两个层面：其一，从建模人员角度来说，由于是"黑盒模型"，结构连他自己都搞不明白，当模型受到外界攻击时，会导致应用奔溃，甚至出现重大问题；其二，从应用者角度来说，拿到一个完全看不见、摸不着的"黑盒模型"，属实心里没底，尤其是模型的风险点到底在哪？"黑盒模型"固然有其好处，即预测性能高，但缺点很明显，那就是可解释很差。今天，和大家谈谈两个问题，分别是"黑盒模型的危害"以及"可解释模型的意义"。这也是可解释性的基础工作，且其识别重要因素的手段众多，有全局的，也有局部的。]]></description><category></category></item><item><title><![CDATA[ChatGPT数据集之谜]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/129711174</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/129711174</guid><author>AbnerAI</author><pubDate>Wed, 22 Mar 2023 15:35:18 +0800</pubDate><description><![CDATA[来源丨网络作者丨Alan D. Thompson半个月以来，ChatGPT这把火越烧越旺。国内很多大厂相继声称要做中文版ChatGPT，还公布了上线时间表，不少科技圈已功成名就的大佬也按捺不住，携巨资下场，要创建“中国版OpenAI“。不过，看看过去半个月在群众眼里稍显窘迫的Meta的Galactica，以及Google紧急发布的Bard，就知道在短期内打造一个比肩甚至超越ChatGPT效果的模型没那么简单。让很多人不免感到诧异的是，ChatGPT的核心算法Transformer最初是由Google提出的，]]></description><category></category></item><item><title><![CDATA[让PyTorch训练速度更快，你需要掌握这17种方法]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/129704191</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/129704191</guid><author>AbnerAI</author><pubDate>Wed, 22 Mar 2023 10:26:04 +0800</pubDate><description><![CDATA[与传统的学习率 schedule 相比，在最好的情况下，该 schedule 实现了巨大的加速（Smith 称之为超级收敛）。然后，这个周期的长度应该略小于总的 epochs 数，并且，在训练的最后阶段，我们应该允许学习率比最小值小几个数量级。一个比较好用的经验是，batch 大小加倍时，学习率也要加倍。当使用 torch.utils.data.DataLoader 时，设置 num_workers > 0，而不是默认值 0，同时设置 pin_memory=True，而不是默认值 False。]]></description><category></category></item><item><title><![CDATA[21个深度学习开源数据集分类汇总]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/129703849</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/129703849</guid><author>AbnerAI</author><pubDate>Wed, 22 Mar 2023 10:14:38 +0800</pubDate><description><![CDATA[GENKI-R2009a包含11159个图像，GENKI-4K包含4000个图像，分为“笑”和“不笑”两种，每个图片的人脸的尺度大小，姿势，光照变化，头的转动等都不一样，专门用于做笑脸识别。GENKI-SZSL包含3500个图像，这些图像包括广泛的背景，光照条件，地理位置，个人身份和种族等。UCF50 是一个由中佛罗里达大学发布的动作识别数据集，由来自 youtube 的真实视频组成，包含 50 个动作类别，如棒球投球、篮球投篮、卧推、骑自行车、骑自行车、台球、蛙泳、挺举、跳水、击鼓等。]]></description><category></category></item><item><title><![CDATA[常见机器学习可解释性Python框架！]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/129680332</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/129680332</guid><author>AbnerAI</author><pubDate>Tue, 21 Mar 2023 07:46:52 +0800</pubDate><description><![CDATA[它提供全方位可解释的人工智能和可解释的机器学习能力来解决实践中机器学习模型在产生中需要判断的几个问题。对于需要在ML过程的各个阶段解释各种类型的数据、模型和解释技术的数据科学家、ML研究人员，OmniXAI希望提供一个一站式的综合库，使可解释的AI变得简单。InterpretML展示了两种类型的可解释性：glassbox模型——为可解释性设计的机器学习模型（如：线性模型、规则列表、广义可加模型）和黑箱可解释性技术——用于解释现有系统（如：部分依赖，LIME）。在可解释性领域，最早出名的方法之一是LIME。]]></description><category></category></item><item><title><![CDATA[数据别愁！机器学习、深度学习数据集汇总]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/129615176</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/129615176</guid><author>AbnerAI</author><pubDate>Fri, 17 Mar 2023 11:05:22 +0800</pubDate><description><![CDATA[Kaggle 数据集：Find Open Datasets and Machine Learning Projects | Kaggle爱竞赛的盆友们应该很熟悉了，Kaggle上有各种有趣的数据集，拉面评级、篮球数据、甚至西雅图的宠物许可证。牛津的机器人汽车：这个数据集来自牛津的机器人汽车，它于一年时间内在英国牛津的同一条路上，反反复复跑了超过100次，捕捉了天气、交通和行人的不同组合，以及建筑和道路工程等长期变化。UCI机器学习库：最古老的数据集源之一，是寻找有趣数据集的第一站。]]></description><category></category></item><item><title><![CDATA[OpenAI发布GPT-4，有哪些技术趋势值得关注？]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/129614875</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/129614875</guid><author>AbnerAI</author><pubDate>Fri, 17 Mar 2023 10:55:41 +0800</pubDate><description><![CDATA[GPT 4.0去年8月就做好了，估计现在GPT 5.0正在炼丹过程中，这么长的时间窗口，结果Google都能落到目前这个局面，想想Transformer、CoT等非常关键的一些研究都是自己做出来的，竟沦落至此，不知一众高层作何感想。，也代表了一个技术方向。所谓Self Instruct，就是采取一定技术手段，不用人工标注Instruct，而是从OpenAI的接口里，好听点叫“蒸馏”出Instruct，也就是不用人标注，而是ChatGPT作为teacher，给你的Instruct打上标注结果。]]></description><category></category></item><item><title><![CDATA[Stable Diffusion的入门介绍和使用教程]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/129597362</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/129597362</guid><author>AbnerAI</author><pubDate>Thu, 16 Mar 2023 20:06:37 +0800</pubDate><description><![CDATA[使用这个模型，可以生成包括人脸在内的任何图像，因为有开源的预训练模型，所以我们也可以在自己的机器上运行它，如下图所示。看完本文希望你已经知道了如何使用Stable Diffusion以及它具体工作的原理，如果你对他的处理流程还有疑问，可以通过自定义处理管道来深入的了解他的工作流程，希望本文对你有所帮助。增加的比例越多，图像的质量就会越高，但是你得到的输出就会越少。然后使用潜在空间的种子生成大小为64×64的随机潜在图像表示，通过CLIP的文本编码器将输入的文本提示转换为大小为77×768的文本嵌入。]]></description><category></category></item><item><title><![CDATA[数据挖掘、机器学习、深度学习的区别]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/129521382</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/129521382</guid><author>AbnerAI</author><pubDate>Tue, 14 Mar 2023 11:21:23 +0800</pubDate><description><![CDATA[数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。机器学习的概念就是通过输入海量训练数据对模型进行训练，使模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确的分类或预测。]]></description><category></category></item><item><title><![CDATA[计算机视觉面试中一些热门话题整理]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/129500688</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/129500688</guid><author>AbnerAI</author><pubDate>Mon, 13 Mar 2023 17:54:15 +0800</pubDate><description><![CDATA[Google团队提出的将Transformer应用在图像分类的模型，虽然不是第一篇将transformer应用在视觉任务的论文，但是因为其模型“简单”且效果好，可扩展性强（scalable，模型越大效果越好），成为了transformer在CV领域应用的里程碑著作，也引爆了后续相关研究，目前来说VIT已经做为目标检测和分割的骨干模型。当我们有一个小数据集时，它是非常有用的，但通常来说，它是一个很好的做法，因为我们希望我们的模型更准确。并且它的大小更小(由于使用全局平均池化，而不是完全连接的层)。]]></description><category></category></item><item><title><![CDATA[计算机视觉CV - 技术学习路线图]]></title><link>https://blog.youkuaiyun.com/AbnerAI/article/details/129500638</link><guid>https://blog.youkuaiyun.com/AbnerAI/article/details/129500638</guid><author>AbnerAI</author><pubDate>Mon, 13 Mar 2023 17:52:50 +0800</pubDate><description><![CDATA[AI - Interview]IEEE Spectrum专访吴恩达（一）小就是新的大Small is the New Big。[AI - Interview]IEEE Spectrum专访吴恩达（二）小就是新的大Small is the New Big。[AI - Interview]IEEE Spectrum专访吴恩达（三）小就是新的大Small is the New Big。1 图像分类（Image Classification）3 图像分割（Image Segmentation）]]></description><category></category></item></channel></rss>