2024大模型应用实践报告（非常详细）零基础入门到精通，收藏这一篇就够了

网络安全大白 网络安全大白 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.5k累计阅读 1.5k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-02-19 10:32:44 发布 1.5k 阅读 AI 写同款· GEO 优化 ›
AI数据分析：一键生成数据分析报告 假设你是一家新零售企业的销售分析师，有一份销售数据，数据结构如数据结构包括：日期、会员id，门店编号、城市、渠道、商品id、商品类别、销售金额、销量、客单价、等基础字段。未来的赢家是“双核驱动型”人才——既能用AI提效，又能用业务与批判性思维创造不可替代的价值。作为一名数据分析师，我们经常需要做一些数据分析报告，今天我就来手把手教你如何使用大模型一键生成高质量的数据分析报告，提高你的工作效率。小贴士：小编实测，先用AI帮我们生成数据分析维度再用这个数据分析维度生成可视化报告会比直接生成数据分析报告更全面。 阅读详情

人工智能大模型，是指通过在海量数据上依托强大算力资源进行训练后能完成大量不同下游任务的模型。大模型以其在模型精度和泛化能力等多个指标上超越传统AI模型的表现，以及赋能千行百业的巨大潜力，成为当今世界各国人工智能技术发展的核心方向。

大模型经过近一年半的高速发展，已在政府、医院、学校、企业等各类需求群体中建立初步认知。其中一部分需求群体设立专项预算、开放业务场景，对大模型进行试点应用。通过试点应用，需求群体加深了对大模型能力和价值的认同感，进而普遍希望在未来继续增加相关预算，将大模型与实际业务进行更深入、更广泛的融合。

关注公众号：【互联互通社区】，回复【AI314】获取全部报告内容。

人工智能

关注互联互通社区公众号，回复以下编号，可快速下载相关专题报告合辑。

AI001：人工智能核心技术产业白皮书

AI002：2021爱分析人工智能应用趋势报告

AI003：人工智能数据安全风险与治理

AI004：2020年人工智能十大技术进展

AI005：2020中国人工智能厂商全景报告

AI006：2020年中国人工智能商业落地

AI007：新一代人工智能白皮书

AI008：人工智能未来制胜之道

AI009：人工智能新基建发展白皮书

AI010：腾讯人工智能白皮书

AI011：5GAI典型案例

AI012：AI+高等教育发展与应用白皮书

AI013：中国AI+零售行业发展研究报告

AI014：百度大脑AI技术成果白皮书

AI015：AI产业全景图

AI016：2020中国AI中台应用趋势报告

AI017：2021AI智能制造研究报告

AI018：2021中国AI商业落地市场研究报告

AI019：2021认知智能发展研究报告

AI020：上海人工智能创新发展探索与实践案例集

AI021：2021AI中台白皮书

AI022：2021全球人工智能教育落地应用研究报告

AI023：2021可信人工智能白皮书

AI024：中国AI+安防行业发展研究报告

AI025：2021云上智能白皮书

AI026：2021年中国人工智能+医疗与生命科学行业研究报告

AI027：中国云原生AI开发平台白皮书

AI028：2021中国智慧城市AIoT应用研究

AI029：中国AI中台赋能城市空间管理白皮书

AI030：人工智能的认知神经基础白皮书

AI031：企业智能化的路径、方法与领先实践

AI032：AI框架发展白皮书（2022年）

AI033：人工智能白皮书（2022年）

AI034：2022深度合成十大趋势报告

AI035：中国AI数字商业产业展望2021-2025

AI036：可解释AI发展报告2022

AI037：2022百度人工智能专利白皮书

AI038：AI+数字孪生发展现状,应用场景及典型企业

AI039：2022年全球人工智能产业研究报告

AI040：中国神经科学数字化创新（2022）

AI041：全球中小学人工智能教育支撑环境白皮书

AI042：2022年中国知识图谱行业研究报告

AI043：人工智能知识点全景图

AI044：人工智能生成内容（AIGC）白皮书

AI045：2022中国AI商业落地研究报告

AI046：中国AI技术应用场景市场研究及选型评估

AI047：2022金融AI发展研究报告

AI048：可信人工智能产业生态发展报告（2022年）

AI049：2022年中国对话式AI行业发展白皮书
AI050：人工智能技术应用实践白皮书
AI051：人工智能标准化白皮书（2021版）
AI052：商汤人工智能伦理治理年度报告（2022年）
AI053：人工智能深度学习课程高效调研报告
AI054：2022人工智能发展白皮书

AI055：2022医疗AI行业研究白皮书

AI056：人工智能治理与可持续发展实践白皮书

AI057：中国人工智能软件基础设施高质量发展报告

AI058：2022年中国AI+金融行业发展研究报告

AI059：人工智能时代的算法治理报告（2022年）

AI060：2022-2023中国人工智能计算力发展评估报告

AI061：2023年AI创意营销趋势白皮书

AI062：2023AIGC发展趋势报告

AI063：中国人工智能框架市场调研报告

AI064：人工智能产业分析报告（2023）

AI065：2023年中国人工智能产业趋势报告

AI066：2023人工智能基础数据服务白皮书

AI067：2023百度AIGC创新营销解决方案V2.0

AI068：AI助力能源央国企数字化转型白皮书

AI069：中国AIGC产业全景图报告

AI070：中国人工智能产业生态图谱

AI071：2023AIGC应用与实践展望报告

AI072：AIGC+电商行业专题报告

AI073：2023中国AIGC应用研究报告

AI074：中国人工智能框架市场调研报告

AI075：百度AIGC创新内容营销解决方案

AI076：人工智能伦理治理标准化指南（2023版）

AI077：AIGC时代的多模态知识工程思考与展望

AI078：AIGC产业发展及应用白皮书

AI079：营销领域AIGC前沿进展与挑战

AI080：AIGC技术赋能教育数字化转型的机遇与挑战

AI081：华为AI盘古大模型研究框架

AI082：AIGC行业综述篇——开启AI新篇章

AI083：阿里达摩院通义大模型概述

AI084：AIGC专题三：国内大模型概览

AI085：AI+行业应用深度研究

AI086：生成式人工智能产业全梳理

AI087：互联网行业专题报告：AI大模型

AI088：2023年AI大模型市场研究报告

AI089：AI大模型需要什么样的数据

AI090：AIGC发展研究（1.0版）

AI091：从阿里、商汤、华为大模型看应用趋势

AI092：中国AIGC商用场景趋势捕捉指北

AI093：AIGC行业应用畅想

AI094：2023大语言模型综合评测报告

AI095：人工智能大模型体验报告

AI096：企业AIGC商业落地应用研究报告

AI097：AIGC专题四：国内外大模型和AI应用梳理

AI098：2022中国大模型发展白皮书

AI099：2023生成式大模型安全与隐私白皮书

AI100：2023AIGC产业应用实践

AI101：AI大模型企业是如何炼成的

AI102：2023生成式AI认知及使用调研报告

AI103：2023年全球生成式AI产业研究报告

AI104：AIGC最新应用与场景研究

AI105：AIGC应用：C端赋能场景，B端数据筑基

AI106：阿里云：玩转AIGC与应用部署

AI107：2023AIGC厂商全景报告

AI108：AIGC专题一：探析AIGC的技术发展和应用

AI109：从营销AIGC化到AIGC营销化

AI110：2023生成式AI报告

AI111：2023中国AIGC商业潜力研究报告

AI112：大模型时代的AI十大趋势观察

AI113：2023年AIGC赋能城市治理应用白皮书

AI114：2023商汤大模型伦理原则与实践白皮书

AI115：2023可信AI技术和应用进展白皮书

AI116：人工智能和智能制造的交汇点

AI117：AI大模型赋能千行百业

AI118：2023AIGC算力全景与趋势报告

AI119：AIGC通用大模型产品测评篇

AI120：人工智能大模型产业创新价值研究报告

AI121：华为盘古大模型专题报告（精选八篇）

AI122：全球人工智能AI行业产业重磅研究手册：从算法演进到产业逻辑构建

AI123：AIGC之AI绘画行业发展研究报告2023

AI124：中国市场大模型落地进展与趋势洞察

AI125：2023年AIGC行业调研报告

AI126：AIGC行业追踪框架

AI127：2023年中国人工智能行业概览

AI128：银行业生成式AI应用报告(2023)

AI129：知识图谱与大模型融合实践研究报告

AI130：政务服务智能化建设研究报告（2023年）

AI131：2023年AI应用市场洞察报告

AI132：可信AI技术和应用进展白皮书（2023）

AI133：人工智能安全标准化白皮书（2023版）

AI134：2023“弈衡”通用大模型评测体系白皮书

AI135：人工智能大模型体验报告2.0

AI136：十大AI商业落地趋势

AI137：2023人工智能发展白皮书

AI138：2023智能算力发展白皮书

AI139：6G内生AI架构及AI大模型

AI140：2023生成式人工智能发展与监管白皮书

AI141：2023大语言模型综合性能评估报告

AI142：2023年中国AIGC产业全景报告

AI143：AI2.0：十年之后我们还能做什么

AI144：地方政府发展培育人工智能产业的策略建议

AI145：开放加速规范AI服务器设计指南

AI146：2023中国人工智能成熟度模型报告

AI147：2023基于家电大模型的产业应用白皮书

AI148：2023全球生成式人工智能监管研究报告

AI149：2023年中国AIGC产业算力发展报告

AI150：2023智能家电与生成式人工智能大模型创新与发展白皮书

AI151：AIGC深度报告：新一轮内容生产力革命的起点

AI152：银行保险金融机构生成式人工智能战略报告

AI153：AI产业人士看大模型发展趋势

AI154：中国人工智能产业技术应用成熟度白皮书

AI155：华为预训练大模型白皮书

AI156：行业大模型标准体系及能力架构研究报告

AI157：2023年AIGC数据安全与算法治理报告

AI158：AI大模型开源生态及大模型平台实践

AI159：2023AI大模型应用中美比较研究报告

AI160：2023企业生成式AI市场现状报告

AI161：全球生成式AI应用全景图

AI162：AIGC产业研究报告2023-图像生成篇

AI163：2023年AI生物医药发展研究专题报告

AI164：生成式AI的收获季节：各行业生成式AI的广泛应用

AI165：大语言模型的前世、今生与未来

AI166：体系化人工智能与大模型

AI167：2023生成式人工智能服务合规发展白皮书

AI168：2023人工智能大模型在工业领域知识问答稳定性评测报告

AI169：运营商AI先进存力白皮书

AI170：人工智能与类脑计算产业发展研究报告（2023）

AI171：2023年中国AI技术变革行业发展白皮书

AI172：2023百度生成式AI浪潮中的增长新范式

AI173：【AIGC+教育】落地场景与发展方向探讨

AI174：2023中国大模型市场商业化进展研究报告

AI175：中国移动：九天客服大模型技术解读

AI176：大模型：原理、进展及其影响

AI177：中国AI基础软件市场研究报告（2023）

AI178：2023年中国AI技术变革企业服务白皮书

AI179：海外模型应用复盘，国内AI奇点已至

AI180：中国AI大模型工业应用指数

AI181：智慧图书馆大模型创新与应用白皮书

AI182：2023中国智驾大模型应用研究报告

AI183：2023年认知智能技术与应用研究报告

AI184：人工智能行业研究框架：奔赴人工智能的星辰大海

AI185：AIGC产业链北京市专精特新企业图谱

AI186：生成式AI企业应用落地技术白皮书

AI187：大兴区AI赋能高质量发展白皮书

AI188：2023人工智能现状报告

AI189：2023年AI新范式下对象会计的研究报告

AI190：2023年AI大底座价值实现白皮书

AI191：2023AIGC加速企业创新实践指南

AI192：发展负责任的生成式人工智能

AI193：中国算力发展指数白皮书（2023年）

AI194：人工智能大模型赋能医疗健康产业白皮书

AI195：2023电信AI产业发展白皮书

AI196：2023人工智能大模型体验报告3.0

AI197：大模型治理蓝皮报告（2023年）——从规则走向实践

AI198：游戏与人工智能发展报告2023

AI199：2023人工智能大模型保险行业应用评测报告

AI200：2023金融业大模型应用报告

AI201：AIGC在数字化活动领域十大应用场景白皮书

AI202：北京市人工智能行业大模型创新应用白皮书（2023年）

AI203：大模型与AIGC蓝皮书

AI204：2023-2024年中国人工智能计算力发展评估报告

AI205：人工智能在金融行业中的创新应用

AI206：2023大模型安全解决方案白皮书

AI207：2023中国银行业人工智能与大数据用例分析报告

AI208：2023年人工智能全域变革图景展望

AI209：AI时代中小企业智能化发展报告

AI210：中国人工智能产业应用图谱2023

AI211：2023大模型合规白皮书

AI212：2023AI视觉赋能智造白皮书

AI213：大模型在金融行业的落地探索

AI214：2024：AI应用的真正元年

AI215：2023中国AIGC数据标注产业全景报告

AI216：2023年AI大模型应用研究报告

AI217：2023年度AI设计实践报告

AI218：2023大模型金融应用实践及发展建议报告

AI219：政务大模型建设路径及评价体系研究报告

AI220：2023大模型技术深度赋能保险行业白皮书

AI221：中文大模型基准测评2023年度报告

AI222：2023矿山智能化暨矿山大模型最佳实践白皮书

AI223：2024AIGC应用层十大趋势

AI224：工业大模型技术应用与发展报告1.0

AI225：可信开源人工智能大模型案例汇编（第一期）

AI226：2023大模型可信赖研究报告

AI227：人工智能大模型产业创新价值研究报告

AI228：2023金融大模型技术创新与应用探索

AI229：2023新一代人工智能基础设施白皮书

AI230：2023中国AIGC文生图产业自皮书

AI231：2023大模型落地应用案例集

AI232：2023年AIGC场景应用展望研究报告

AI233：中国算力发展观察报告

AI234：2023年AI应用需求与付费意愿调研报告

AI235：前沿大模型的风险、安全与治理报告

AI236：2024大语言模型能力测评报告

AI237：人工智能伦理治理研究报告（2023年）

AI238：产业大模型应用白皮书2023：融入产业、赋能未来

AI239：2024中国AIGC广告营销产业全景报告

AI240：中国文娱业人工智能行业应用发展图谱2023

AI241：中国制造业人工智能行业应用发展图谱报告2023

AI242：2024大模型安全与伦理研究报告

AI243：生成式人工智能治理与实践白皮书

AI244：大模型在政务领域应用的实践及前景

AI245：2023年AIGC入局与低代码产品市场的发展研究报告

AI246：AIGC产品应用及商业化落地实践报告

AI247：2024年AIGC+教育行业报告

AI248：2024量子人工智能技术白皮书

AI249：2023大模型推荐技术及展望报告

AI250：2023大模型厂商全景报告

AI251：大模型赋能智慧办公评测报告-PPT生成

AI252：2023金融领域先进AI存力报告

AI253：2024生成式AI时代下的数据战略白皮书

AI254：2024年AI安全白皮书

AI255：2024年AI手机白皮书

AI256：中国联通人工智能隐私保护白皮书

AI257：大模型招投标市场分析报告（2023）

AI258：生成式人工智能用例汇编，6大行业60个案例

AI259：中文大模型基准测评2024年2月报告

AI260：多模态大模型技术演进及研究框架

AI261：AIGC发展研究资料（2.0版）

AI262：中国人工智能行业应用发展图谱2023

AI263：多模态AI研究框架

AI264：2023中国人工智能系列白皮书（共八册）

AI265：2024中国人工智能行业应用发展趋势

AI266：2024 Al+洞察报告：重塑与创造

AI267：2023年中国AI开发平台市场报告

AI268：生成式人工智能服务安全基本要求

AI269：面向生产服务的大模型评估体系探讨

AI270：五大关键要素解锁生成式AI全新机遇

AI271：2024年AIGC发展趋势报告

AI272：2024年金融业生成式AI应用报告

AI273：人工智能的下一站：文生3D

AI274：家庭大脑白皮书-大模型时代智慧家庭应用新范式

AI275：AI大模型发展白皮书

AI276：预训练大模型与医疗：从算法研究到应用

AI277：生成式人工智能服务安全基本要求

AI278：2024人工智能大模型工业应用准确性测评

AI279：2024中国百模大战竞争格局分析报告

AI280：2024年中国AI大模型产业发展报告

AI281：2024人工智能安全报告

AI282：2024年工业大模型应用报告

AI283：数字基础设施评估体系研究报告（2024年）

AI284：2024人工智能+时代公共云发展模式与路径研究报告

AI285：2024年AI电商行业展望与价值分析报告

AI286：中国汽车业人工智能行业应用发展图谱2024

AI287：大模型现状及发展路径展望

AI288：2024AI智算产业趋势展望分析报告

AI289：大模型在金融领域的应用技术与安全白皮书

AI291：中国生成式AI开发者洞察2024

AI290：大模型赋能下的AI 2.0数字人平台

AI291：中国生成式AI开发者洞察2024

AI292：2023年第4季度中国大模型季度监测报告

AI293：2024AI原生应用生态白皮书

AI294：2024年中国大模型评测报告（摘要版）

AI295：大模型时代，智算网络性能评测挑战

AI296：AI下半场，应用落地，赋能百业

AI297：AI大模型研究框架

AI298：2024年人工智能指数报告

AI299：2023年中国人工智能产业研究报告 (VI)

AI300：2024年AI营销应用解析报告

AI301：2024人工智能发展白皮书

AI302：2024大型语言模型行业图谱研究报告

AI303：首批国际AI安全标准（两项）

AI304：生成式人工智能在医疗医药领域的潜在应用报告

AI305：政务大模型产业图谱研究报告

AI306：2024年第1季度中国大模型季度监测报告

AI307：工业大模型的五个基本问题

AI308：2024中国AIGC应用全景报告

AI309：2024中国AI Agent行业研究报告

AI310：2024中国大模型先锋案例TOP30

AI311：主流旗舰手机AI功能评测报告

AI312：2024北京市人工智能大模型行业应用分析报告

AI313：superBench大模型综合能力评测报告

AI314：2024大模型应用实践报告

以下是报告部分内容

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2024最新版优快云大礼包：《AGI大模型学习资源包》免费分享

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2024最新版优快云大礼包：《AGI大模型学习资源包》免费分享

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

img

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2024最新版优快云大礼包：《AGI大模型学习资源包》免费分享

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2024最新版优快云大礼包：《AGI大模型学习资源包》免费分享

四、AI大模型商业化落地方案

img

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2024最新版优快云大礼包：《AGI大模型学习资源包》免费分享

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。

收录于
程序员

当前文章被收录于：

程序员
693 篇文章 35 人学习
订阅专栏 查看详情
科技

当前文章被收录于：

科技
511 篇文章 2 人学习
订阅专栏 查看详情
人工智能

当前文章被收录于：

人工智能
53 篇文章 1 人学习
订阅专栏 查看详情
标签
#机器学习 #人工智能 #目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
neruolib全脑建模计算框架 neurolib 是一个用python编写的全脑建模计算框架，也是可扩展的、允许轻松实现自定义神经质量模型，能够在介观尺度上表示脑区平均活动。 阅读详情

相关推荐

W5500 TCP服务器状态机详解：从SOCK_CLOSED到SOCK_ESTABLISHED的完整流程

本文深入解析W5500芯片作为TCP服务器时的状态机转换流程，从SOCK_CLOSED到SOCK_ESTABLISHED的完整链路实践。通过硬件协议栈架构分析、状态机全流程拆解及异常处理方案，帮助开发者构建高可靠性的嵌入式网络服务端，优化TCP连接性能与稳定性。

Jerry的专栏 1165

利用LLM大模型实现智能报表生成

以某电商平台的销售报表为例，通过利用LLM大模型，实现对销售数据的自动分析和挖掘，快速生成各类销售报表。自动化报表生成：通过对企业业务数据的分析和挖掘，利用LLM大模型自动生成各类报表，提高工作效率。实时报表生成：通过实时获取业务数据，利用LLM大模型快速生成报表，为企业决策提供及时支持。个性化报表生成：根据用户的个性化需求，利用LLM大模型定制化生成报表，满足不同用户的需求。特征提取：利用LLM大模型的特性，从数据中提取出有用的特征，为后续的报表生成提供支持。三、如何利用LLM大模型实现智能报表生成。

weixin_41888295的博客 3456

【全网最新】使用 1panel面板 部署若依系统（ springboot 和 vue）项目

打开前端项目的vue.config.js文件，检查devServer下的proxy代理部分，然后将下面这个端口修改为你要在打包后访问的端口，即使用nginx代理前的接口。这个端口默认是80端口，这里把其修改为不会冲突的8010端口，后台接口的地址配置为9080，不过感觉这里设置的8010和9080可能没有用，因为部署前端静态页面是，也配置了一次网页的外部接口和api的接口，后期有空了再验证。打开右侧的Maven，点击：生存期->package，然后点击运行，等待打包成功，包在如图所示的文件夹中。

老薛的专栏 1756

不用再找了，这是大模型实践最全的总结

随着ChatGPT的迅速出圈，加速了大模型时代的变革。对于以Transformer、MOE结构为代表的大模型来说，传统的单机单卡训练模式肯定不能满足上千（万）亿级参数的模型训练，这时候我们就需要解决内存墙和通信墙等一系列问题，在单机多卡或者多机多卡进行模型训练。最近，我也在探索大模型相关的一些技术，下面做一个简单的总结，后续争取每一个季度更新一次，本文主要涉及AI集群、AI集群通信、大模型训练（参数高效微调）、大模型推理加速、大模型评估、大模型生态相关技术等相关内容.同时，也对之前写过的一些大模型相关的文章

机器学习社区 2929

硬件压力测试工具使用方法

B, --bind host# 绑定到主机的多个地址中的一个。当客户端到服务器端的测试结束时，服务器端通过-l选项指定的端口（或默认为客户端连接到服务器端的端口），反向连接至客户端。-c, --client host#如果Iperf运行在服务器模式，并且用-c参数指定一个主机，那么Iperf将只接受指定主机的连接。-C, --compatibility# 与低版本的Iperf使用时，可以使用兼容模式。-b, --bandwidth #[KM] UDP模式使用的带宽，单位bits/sec。

weixin_53303772的博客 8217

自适应陷波器的原理与实现

x(t)是叠加有两个频率干扰信号的输入信号，s(t)是需要保留的有用信号，在输入信号中，我们只知道频率w1和w2，但不知道信号的幅度A和相位θ，自适应陷波器可以估计两个未知的幅度和相位值，这需要我们提供两路相互正交的单频信号，如cos(w1t)、sin(w1t)，通过调整其权值，从而合成出与干扰信号完全相同的信号A1cos(w1t+θ1)，从而实现干扰信号的滤除。采用LMS算法，在保证不损失其他有用信号的情况下，有效地抑制输入信号中某一频率的干扰，如需滤除多个频率，只需要增加相应的输入信号。

Melkiades2333的博客 6888

2023大模型安全解决方案白皮书

在当今迅速发展的数字化时代，人工智能技术正引领着科技创新的浪潮而其中的大模型技术则被视为人工智能的一大突破。大模型是指参数量巨大能力强大的人工神经网络模型，以其卓越的表现在自然语言处理、计算机视觉、语音识别等领域赢得了持续的关注和青睐。这些模型的出现，不仅在学术界引起了研究者们的广泛兴趣，也在商业应用领域带来了一系列创新和变革大模型技术的崛起，首要得益于深度学习的发展以及硬件计算能力的提升。深度学...

1444

systrace分析 之 问题初步定位

如下surfaceflinger空缺点，上面对应的bufferTX 中有buffer，但VSYNC-SF 过来后，SurfaceFlinger却没有去取，检查测试app “android.settings”, 也没有GPU completion 时间长的问题，所以该部分可以请SurfaceFlinger的owner 进一步确认为何不取buffer。. GPU拿的是acquireFence HWC拿的是releaseFence， GPU是绘图，HWC是合成显示，这两个是互相等待的关系，

yangzex的专栏 3195

大模型技术生态研究报告 2024

随着大模型技术的快速发展，大模型的生态体系也在快速构建。典型的大模型平台如 ChatGPT、文心一言、讯飞星火等提供如 APP、网页版、API 接口等多种形式的开放服务，并通过开放插件机制、Function Call 等实现大模型外部工具、服务的调用，加速应用生态的发展。与此同时，开源大模型也已经成为生态体系中的关键组成部分。通过大模型的开源共建，凝聚了来自企业、高校、科研院所等众多领域高水平开发者的力量，加速大模型的科研创新和产品迭代。

Python_cocola的博客 1800

2025年最新自动化/控制保研夏令营&预推免面试真题分享（东南大学苏州校区/华东理工/南航/天大）

笔者来2021级本科自动化专业，以下部分将介绍我在夏令营以及预推免期间发生经历和问题。

Control Everything 2583

嵌入式NuttX RTOS面试题及参考答案

NuttX 的板级支持包（BSP）是一组软件组件，用于将 NuttX 操作系统适配到特定的硬件平台上。BSP 提供了硬件抽象层，使得 NuttX 能够与硬件进行交互，包括初始化硬件设备、提供设备驱动程序等。BSP 的主要作用是隐藏硬件细节，为上层应用程序和操作系统内核提供统一的接口，从而提高软件的可移植性和可维护性。开发 NuttX 的 BSP 通常需要以下步骤：硬件分析：首先需要对目标硬件平台进行详细的分析，了解硬件的架构、处理器类型、外设接口等信息。

大模型大数据攻城狮的专栏 1304

2024版最新AI大模型入门教程(非常详细)，从零基础入门到精通，收藏这一篇就够了

坚持到了这儿，恭喜你，表示你有做AI大模型工程师的潜力。其实我想说的上面的内容只是冰山一角，刚开始大家不需要多么精通了解这些内容。主要是不断练习，让自己跳出「舒适区」，进入「学习区」，但是又不进入「恐慌区」，不断给自己「喂招」。记住，学习是一个持续的过程。大模型技术日新月异，每天都有新的研究成果和技术突破。要保持对知识的渴望，不断学习最新的技术和算法。同时，实践是检验学习成果的最佳方式。通过实际项目实践，你将能够将理论知识转化为实际能力，不断提升自己的技术实力。最后，不要忘记与同行交流和学习。

Python_0011的博客 1948

详解大模型微调数据集构建方法(持续更新)

本文详细介绍了大模型微调数据集构建方法，希望能对学习大模型的同学们有所帮助。 文章目录 1. 前言 2. 微调数据集构建方法 2.1 方法一 2.2 方法二 2.3 方法三 2.4 方法四 2.5 方法五

herosunly的博客 28万+

2024年学习AGI大模型到底有多重要？零基础入门到精通，收藏这一篇就够了

AGI大模型的重要性不仅体现在其技术本身，更体现在其对我们生活的深远影响。它将改变我们的工作方式，提升我们的生活质量，推动社会的发展。因此，学习AGI大模型，了解其背后的原理和应用，对于我们来说至关重要。在2024年，AGI大模型将成为科技发展的关键力量。它将引领我们进入一个全新的智能时代，为我们带来前所未有的便利和机遇。因此，让我们抓住这个机遇，学习AGI大模型，掌握未来的科技力量，为自己的生活增添更多的可能性。那么，我们该如何学习大模型？作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。

2201_75735270的博客 936

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

2024大模型行业应用十大典范案例集（非常详细）零基础入门到精通，收藏这一篇就够了

来源 | 数字产业创新研究中心6月5日，由数字产业创新研究中心主办，锦囊专家、首席数字官承办，中国软件行业协会CIO分会、中关村天使投资联盟协办的“2024中国数字企业峰会–成果发布日”成功于线上举办。《2024大模型行业应用十大典范案例集》在百余位行业专家、业内同仁的云端见证下重磅发布。**《2024大模型行业应用十大典范案例集》自5月发起征集，历时1个月，累计申报企业超过60家，涉及80余个项目。

logic1001的博客 1974

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

AIGC大模型实践总结（非常详细）零基础入门到精通，收藏这一篇就够了

而他们的底座就是大模型（Large Models），大模型在人工智能领域通常指的是具有大量参数的(通常包含十亿甚至千亿参数)、复杂计算结构和强泛化能力的机器学习模型。其主要特点包括：大量参数：大模型拥有庞大的参数量，通常包含十亿甚至千亿参数，远超过传统的小型模型。使其具备极高的表达能力，能够模拟和学习非常复杂的函数关系。强大的学习能力：由于参数量巨大，这些模型具有强大的学习和泛化能力，能够在各种任务上达到或超越人类的表现。

Python_paipai的博客 2939

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

大模型如何微调（非常详细）零基础入门到精通，收藏这一篇就够了

如今，大模型（Large Language Models）在人工智能领域可是炙手可热的话题。它们拥有庞大的参数和广泛的知识，能够处理各种复杂的任务。然而，就像一把锋利的刀需要经过磨砺才能更贴合手型一样，大模型也需要经过微调（Fine-Tuning）才能更好地适应特定的场景和需求。

Python_0011的博客 1551

2024大模型人才市场分析（非常详细）零基础入门到精通，收藏这一篇就够了

这篇报告是关于2024年大模型领域的人才状况的分析，主要内容包括：人才供需：大模型领域的人才供需比为1.76，整体供大于求，但特定技术岗位如云计算、音视频算法、大模型算法等仍处于紧缺状态。薪酬情况：大模型行业提供的薪酬涨幅相对理性，人才涨薪幅度多在30%-50%。人才考量因素：高素质人才在选择企业时会考虑更多因素，如技术流派、模型架构、市场方向等。人才分布：大模型人才主要集中在一线城市，北京在人才数量上领先。企业招聘：大模型创业公司的人员规模相对较小，但对技术研发人才需求较大。

Python_0011的博客 1416

大模型从入门到实战教程（非常详细）大模型从入门到实战，收藏这一篇就够了！

在人工智能领域，大语言模型（Large Language Models, LLMs）正迅速成为一个热点话题。本学习路线旨在为有基本Python编程和深度学习基础的学习者提供一个清晰、系统的大模型学习指南，帮助你在这一领域快速成长。

h1453586413的博客 3814

AI大模型系列之一：大模型原理科普（深度好文）非常详细，从零基础到精通，收藏这篇就够了！

强化学习，是让模型在环境里采取行动，获得结果反馈，从反馈里学习，从而能在给力情况下采取最佳行动来最大化奖励或是最小化损失。和训练小狗类似，刚开始的时候，小狗会随心所欲做出很多动作，但随着和训犬师的互动，小伙会发现某些动作能够获得零食，某些动作没有流失，某些动作甚至会遭受惩罚。通过观察动作和奖惩之间的联系，小狗的行为会逐渐接近训犬师的期望。强化学习可以应用在很多任务上，举例：**让模型下围棋时，获得不同行动导致的奖励或损失反馈，从而在一局游戏里优化策略，学习如何采取行动达到高分。

Python_0011的博客 1236

大模型的学习路线（非常详细）零基础入门到精通，收藏这一篇就够了

下面的步骤写给想系统性学习大模型的朋友们。（后续打算写一个大模型学习系列，详细介绍相关知识点，欢迎关注）先来一张整体结构图，越是下面部分，越是基础：需要了解深度学习的基本原理和常见术语，如神经网络、梯度下降、反向传播、监督学习、无监督学习、分类、回归、聚类等。这些概念是理解和应用大模型的基础。掌握Python语言以及相关的库和框架，如NumPy、Pandas、PyTorch或TensorFlow等。这些工具将帮助技术人员在实践中实现和运行大模型。

leah126的博客 1671

如何学习大模型？（非常详细）零基础入门到精通，收藏这一篇就够了

目前大模型非常的火，国内开始流行大模型应用，那么作为程序员对于大模型有什么要了解和学习的我们今天就来研究下。

Javachichi的博客 1992

2024【大模型的实战应用深入解析】（非常详细）零基础入门到精通，收藏这一篇就够了

ChatGPT从年初炸裂的诞生，引领了新一轮AI的浪潮——大模型。说来惭愧，其实从去年开始就有人提大模型，那时候大厂都在内部做，谷歌facebook腾讯阿里等等，我当时其实持反对意见的，每家都烧这么多钱，人力物力搞大模型，最后大概率一地鸡毛。然后OpenAI这家创业公司发布ChatGPT，引领江湖。这也揭示了一些规律，颠覆性的创新大概率是从创业公司诞生的，因为大厂太安逸了，做的东西都是流水线。每次大的科技变革都是一场战争，其中的泡沫，scam，和烧掉的钱都是不可避免的。

wholeliubei的博客 797

大模型微调终极指南（非常详细）零基础入门到精通，收藏这一篇就够了

今天给大家带来一篇大模型微调相关的最新综述，主要大模型微调归纳为7个阶段分别为数据准备、模型初始化、训练环境配置、模型微调、模型评估与验证、模型部署以及模型监控与维护。模型微调（Fine-Tuning）就是以预训练模型为基础，通过相对较少的特定数据集进行的进一步训练，主要是在模型预先存在的知识之上用过减少数据和计算成本来提高特定任务的效果。模型预训练与微调之间差距大模型微调的优势：迁移学习：利用预训练过程中获得的知识，通过减少计算时间和资源，将其适应于特定任务。

Python_paipai的博客 2659

目前国内AI大模型30强榜单，零基础入门到精通，收藏这一篇就够了

除了我上述展示的功能外，Kimi还有更多定制的Kimi+比如：最近有一家公司很适合跳槽，你可以让Kimi帮你准备面试。无论你是程序员、设计师、文案、律师、测算师、会计…任何职业的人群，都可以通过Kimi快速实现工作效率提升，彻底解放，拥有更多摸鱼时间！并且，功能都是免费且不限制使用次数的！

leah126的博客 2893
上一篇： 筛选大模型的应用场景（非常详细）零基础入门到精通，收藏这一篇就够了
下一篇： 大语言模型机器学习框架（非常详细）零基础入门到精通，收藏这一篇就够了
点赞 29
评论 0
书签 书签 27
网络安全大白
网络安全大白
博客等级 码龄5年 7305粉丝 698原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值