新研究!AI扫描视网膜即可预测心脏病;康奈尔大学『智能系统机器学习』课程;MLOps简化平台;公益活动报名小程序(开源);前沿论文 | ShowMeAI资讯日报

对Image caption的一些理解(看图说话) 1. 背景 ​ 在计算机视觉中,图像分类和目标检测任务是比较成熟的领域,已经应用到实际的产品领域。而“看图说话”要实现的功能是,给定一张图像,计算机能告诉我们图片的内容,显然,这会使一个比较复杂的任务,因为它涉及到了如下的子任务: 1)检测图像中的目标; 2)目标的属性,比如颜色、尺寸等; 3)目标之间的关联; 4)语言模型,用于把上面的信息表述成句子; 2. 相关的论文 2.1 “... 阅读详情

👀日报合辑 | 📆电子月刊 | 🔔公众号下载资料 | 🍩@韩信子

📢 新研究!AI扫描视网膜,即可精准预测心脏病和中风

https://bjo.bmj.com/content/early/2022/09/12/bjo-2022-322517

British Journal of Ophthalmology(英国眼科杂志在线)发表的一项研究发现,全自动 AI 算法(QUantitative Analysis of Retinal vessels Topology and siZe,简称 QUARTZ)可以扫描视网膜图像,了解血管健康状况,并帮助预测识别心脏病/中风的高危患病人群。

研究人员将 QUARTZ 应用于 88052 名 40-69 岁的参与者视网膜图像,专门观察视网膜小动脉和小静脉的宽度、血管面积和弯曲度(曲折度),以开发中风/心脏病发作的预测模型。随后将模型应用于欧洲 EPIC 研究项的 7411 名 48-92 岁的参与者的视网膜图像,并跟踪所有参与者的健康状况长达 7-9 年,对 QUARTZ 的性能与泛化能力进行验证。

结果显示,AI驱动的系统(当与年龄、性别、吸烟状况和病史相结合时)可以提供中风和心脏病的10年风险分数,这与最常用的诊断工具——弗雷明汉风险评分(FRS)——效果相当。但是,FRS诊断需要验血和测量血压,而自动眼球扫描技术则不需要——这意味着如果该技术被广泛部署,那么更多的人可以得到更好的监测。

工具&框架

🚧 『MLOps Platform Skeleton』MLOps 简化平台

https://github.com/dpleus/mlops

MLOps Platform Skeleton 包含一个简化的 MLOps 平台(包括训练、服务和监控),是受到 MLOps Zoomcamp 的启发而开发的。项目中包含的教程展示了各个服务的作用以及它们如何共同工作。代码被保持在精简程度,所有东西都被捆绑在docker compose中。它可以作为一个骨架,扩充后用于更高级的项目。

🚧 『detrex』基于 Transformer 的检测算法工具包

https://github.com/IDEA-Research/detrex

https://detrex.readthedocs.io/en/latest/

detrex 是一个开源的工具箱,提供最先进的基于 Transformer 的检测算法。它建立在 Detectron2 之上,其模块设计部分借鉴了 MMDetection 和 DETR。主分支可以在 Pytorch 1.10 以上版本中工作(推荐 Pytorch 1.12)。

🚧 『WeGongYi』 公益培训报名小程序

https://github.com/tanshuimaohenquejiao/WeGongYi

公益培训报名小程序,提供给文化馆,图书馆,文体中心,青少年活动中心,少年宫等社会公益机构进行公益培训活动报名登记的小工具,前后端代码完整,主要功能包括公告通知,课堂风采,报名列表,报名登记,采用腾讯提供的小程序云开发解决方案,无须服务器和域名。

🚧 『DetHub』开源目标检测 / 实例分割实验中心

https://github.com/okotaku/dethub

DetHub 是一个开源的物体检测/实例分割实验中心。我们希望通过它支持检测数据集和基线分享,包括:

  • 支持越来越多的数据集
  • 为这些数据集提供可重复的基线配置
  • 为这些数据集提供预训练的模型、结果和推理代码

🚧 『CodeGeeX』具有130亿参数的多编程语言代码生成预训练模型

https://github.com/THUDM/CodeGeeX

https://models.aminer.cn/codegeex/playground

CodeGeeX 是一个拥有130亿个参数的大规模多语言代码生成模型,在20多种编程语言的大型代码语料库上进行预训练获得。CodeGeeX有以下特性:

  • 多语言代码生成。CodeGeeX 在生成几种主流编程语言的可执行程序方面具有良好的性能,包括 Python、C++、Java、JavaScript、Go 等。
  • 跨语言的代码翻译。CodeGeeX 支持不同语言间的代码片段的翻译。只需点击一下,CodeGeeX 就可以将程序转化为任何预期的语言,而且精度很高。
  • 可定制的编程助手:CodeGeeX 在 VS Code 扩展市场上是免费提供的。
  • 开源和跨平台。所有的代码和模型权重将被公开用于研究目的。

如下图所示,为代码生成和代码翻译两个任务的 DEMO!

博文&分享

👍 『CS4780 / CS5780 | Machine Learning for Intelligent Systems』康奈尔大学 · 智能系统机器学习 · 课程及资料

https://www.cs.cornell.edu/courses/cs4780/2018fa/page18/

https://www.youtube.com/playlist?list=PLl8OlHZGYOQ7bkVbuRthEsaLr7bONzbXS

如何构建随着经验自动改进的计算机程序,是机器学习领域关注的方向,许多应用程序也取得了成功——从学习检测欺诈性信用卡交易的数据挖掘程序,到学习用户阅读偏好的信息过滤系统,再到学习驾驶的自动驾驶汽车。

本课程将对机器学习领域进行广泛的介绍。课程学习需要有一定的数学基础,如矩阵代数、概率论/统计学、多元微积分。

  • Machine Learning Setup(机器学习设置)
  • k-Nearest Neighbors / Curse of Dimensionality(k-最近邻/维度灾难)
  • Perceptron(感知器感知器)
  • Estimating Probabilities from data(从数据估计概率)
  • Bayes Classifier and Naive Bayes(贝叶斯分类器和朴素贝叶斯)
  • Logistic Regression / Maximum Likelihood Estimation / Maximum a Posteriori(逻辑回归/最大似然估计/最大后验)
  • Gradient Descent(梯度下降)
  • Linear Regression(线性回归)
  • Support Vector Machine(支持向量机)
  • Empirical Risk Minimization(经验风险最小化)
  • Model Selection(模型选择)
  • Bias-Variance Tradeoff(偏差-方差权衡)
  • Kernels(核)
  • Gaussian Processes(高斯过程)
  • k-Dimensional Trees(k 维树)
  • Decision Trees(决策树)
  • Bagging
  • Boosting
  • Neural Networks(神经网络)
  • Deep Learning / Stochastic Gradient Descent(深度学习/随机梯度下降)

课程参考书籍是以下两本:『Machine Learning A Probabilistic Perspective』『The Elements of Statistical Learning』。

数据&资源

🔥 『Awesome Graph Neural Network Systems』图神经网络(GNN)系统相关文献资源列表

https://github.com/chwan1016/awesome-gnn-systems

本资源列表包含图神经网络(GNN)系统相关资源,包括常用工具库和如下研究方向的论文和代码:

  • GNN 综述
  • GNN 内核
  • GNN 编译器
  • 分布式 GNN 训练系统
  • 大型图的训练系统
  • 量化的 GNNs
  • GNN 数据加载器
  • GNN 训练加速器
  • GNN 推理加速器

研究&论文

可以点击 这里 回复关键字 日报,免费获取整理好的论文合辑。

科研进展

  • 2022.09.15 『看图说话』 LAVIS: A Library for Language-Vision Intelligence
  • 2022.09.20 『反色调映射』 Text2Light: Zero-Shot Text-Driven HDR Panorama Generation
  • 2022.09.18 『语义分割』 SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation

⚡ 论文:LAVIS: A Library for Language-Vision Intelligence

论文时间:15 Sep 2022

领域任务:Image Captioning, Image Retrieval, 看图说话,图像检索

论文地址:https://arxiv.org/abs/2209.09019

代码实现:https://github.com/salesforce/lavis

论文作者:Dongxu Li, Junnan Li, Hung Le, Guangsen Wang, Silvio Savarese, Steven C. H. Hoi

论文简介:We introduce LAVIS, an open-source deep learning library for LAnguage-VISion research and applications./我们推出LAVIS,一个用于LAnguage-VISION研究和应用的开源深度学习库。

论文摘要:我们推出LAVIS,一个用于语言-视觉研究和应用的开源深度学习库。LAVIS旨在成为一个一站式的综合平台,为研究人员和从业人员提供语言-视觉领域的最新进展,并促进未来的研究和发展。它有一个统一的界面,可以方便地访问最先进的图像语言、视频语言模型和通用数据集。LAVIS支持各种任务的训练、评估和基准测试,包括多模态分类、检索、字幕、视觉问题回答、对话和预训练。同时,该库还具有高度的可扩展性和可配置性,便于未来的开发和定制。在这份技术报告中,我们描述了该库的设计原则、关键组件和功能,并介绍了常见语视任务的基准测试结果。该库的网址是:https://github.com/salesforce/LAVIS

⚡ 论文:Text2Light: Zero-Shot Text-Driven HDR Panorama Generation

论文时间:20 Sep 2022

领域任务:inverse tone mapping, Inverse-Tone-Mapping, 反色调映射

论文地址:https://arxiv.org/abs/2209.09898

代码实现:https://github.com/frozenburning/text2light

论文作者:Zhaoxi Chen, Guangcong Wang, Ziwei Liu

论文简介:To achieve super-resolution inverse tone mapping, we derive a continuous representation of 360-degree imaging from the LDR panorama as a set of structured latent codes anchored to the sphere./为了实现超分辨率反色调映射,我们从LDR全景图中导出了360度成像的连续表示,作为一组锚定在球体上的结构化潜伏编码。

论文摘要:高质量的HDRI(高动态范围图像),通常是HDR全景图,是在图形中创建逼真的照明和360度反射的3D场景的最流行的方法之一。鉴于捕捉HDRIs的难度,人们非常需要一个通用的、可控的生成模型,让普通用户能够直观地控制生成过程。然而,现有的最先进的方法仍然难以合成复杂场景的高质量全景图。在这项工作中,我们提出了一个零拍摄文本驱动的框架,即Text2Light,以生成4K+分辨率的HDRIs,而不需要配对的训练数据。给定一个自由格式的文本作为场景的描述,我们通过两个专门的步骤合成相应的HDRI。1)文本驱动的低动态范围(LDR)和低分辨率的全景图生成,以及2)超分辨率反色调映射,在分辨率和动态范围上扩大LDR全景图。具体来说,为了实现零拍摄文本驱动的全景图生成,我们首先建立双编码簿作为不同环境纹理的离散表示。然后,在预先训练好的CLIP模型的驱动下,一个文本条件下的全局采样器学会根据输入文本从全局编码簿中采样整体语义。此外,一个结构感知的局部采样器在整体语义的指导下,学习逐片合成LDR全景图。为了实现超分辨率反色调映射,我们从LDR全景图中导出了360度成像的连续表示,作为锚定在球体上的一组结构化潜伏编码。这种连续表示使一个多功能模块可以同时提高分辨率和动态范围。大量的实验证明了Text2Light在生成高质量HDR全景图方面的卓越能力。此外,我们还展示了我们的工作在现实渲染和沉浸式VR中的可行性。

⚡ 论文:SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation

论文时间:18 Sep 2022

领域任务:Semantic Segmentation,语义分割

论文地址:https://arxiv.org/abs/2209.08575

代码实现:https://github.com/visual-attention-network/segnext , https://github.com/Jittor/JSeg

论文作者:Meng-Hao Guo, Cheng-Ze Lu, Qibin Hou, ZhengNing Liu, Ming-Ming Cheng, Shi-Min Hu

论文简介:Notably, SegNeXt outperforms EfficientNet-L2 w/ NAS-FPN and achieves 90. 6% mIoU on the Pascal VOC 2012 test leaderboard using only 1/10 parameters of it./值得注意的是,SegNeXt的性能优于EfficientNet-L2 w/NAS-FPN,在Pascal VOC 2012测试排行榜上只用了1/10的参数就达到了90. 在Pascal VOC 2012测试排行榜上,仅用其1/10的参数就达到了6%的mIoU。

论文摘要:我们提出了SegNeXt,一个用于语义分割的简单卷积网络架构。由于自我注意在编码空间信息方面的效率,最近基于变压器的模型在语义分割领域占主导地位。在本文中,我们表明卷积注意是一种比变压器中的自我注意机制更有效率和效果的编码上下文信息的方式。通过重新审视成功的分割模型所拥有的特征,我们发现了导致分割模型性能提高的几个关键成分。这促使我们设计了一个新颖的卷积注意力网络,它使用廉价的卷积操作。在没有任何附加条件的情况下,我们的SegNeXt大大改善了以前最先进的方法在流行基准上的性能,包括ADE20K、Cityscapes、COCO-Stuff、Pascal VOC、Pascal Context和iSAID。值得注意的是,SegNeXt的性能优于EfficientNet-L2 w/ NAS-FPN,在Pascal VOC 2012测试排行榜上只用了它的1/10的参数就达到了90.6%的mIoU。与最先进的方法相比,SegNeXt在ADE20K数据集上以相同或更少的计算量平均实现了约2.0%的mIoU改进。代码可在 https://github.com/uyzhang/JSeg (Jittor)和 https://github.com/Visual-Attention-Network/SegNeXt (Pytorch)。

我们是 ShowMeAI,致力于传播AI优质内容,分享行业解决方案,用知识加速每一次技术成长!

◉ 点击 日报合辑,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。

◉ 点击 电子月刊,快速浏览月度合辑。

◉ 点击 这里 ,回复关键字 日报 免费获取AI电子月刊与论文 / 电子书等资料包。

【大模型】直接在VS Code(Visual Studio Code)上安装CodeGeeX插件的过程 这个可以自行百度,肯定比我说的全面、客观。这是仅说一下我的理解(当然并不全面,这里只针对我要用它干嘛,而不是它全部的用途哦)。对于我来讲,它主要的用途有两个:代码生成器和智能问答。1、CodeGeex是一个多语言代码生成模型。意思大概就是,它可以根据自然语言指令(就是我们说的大白话,比如:给我生成一段冒泡排序的代码),按照多种指定的语言(如python、C、Java、Go……老多了,都是我不会的语言,就不列举了),自动生成一段代码。 阅读详情

相关推荐

《AI大模型开发笔记》——CodeGeeX2: 更强大的多语言代码生成模型

CodeGeeX2 是多语言代码生成模型) 的第二代模型。不同于一代 CodeGeeX(完全在国产华为昇腾芯片平台训练) ,CodeGeeX2 是基于架构加入代码预训练实现,得益于 ChatGLM2 的更优性能,CodeGeeX2 在多项指标上取得性能提升(+107% > CodeGeeX;

qq837993702的博客 1320

详解a-PyTorch-Tutorial-to-Image-Captioning-master代码中的model模型,此代码是对show attend and tell论文的复现,基于Pytorch

详解a-PyTorch-Tutorial-to-Image-Captioning-master代码中的model模型,此代码是对show attend and tell论文的复现,基于Pytorch

weixin_51666355的博客 1182

【拯救C盘】一文搞懂Windows修改Anaconda默认的虚拟环境存放路径及其原理

Anaconda创建的虚拟环境可能会默认保存在C盘,但C盘的存储空间很宝贵,由于每个虚拟环境的大小可能达到n个GB,稍不注意就会遇到C盘红色警告。因此有必要做点什么来拯救被虚拟环境占用的大部分空间!!!

Roach007的博客 3万+

教你用PyTorch实现“看图说话”(附代码、学习资源)

深度学习目前是一个非常活跃的领域---每天都会有许多应用出现。进一步学习Deep Learning最好的方法就是亲自动手。尽可能多的接触项目并且尝试自己去做。这将会帮助你更深刻地掌握各个主题,成为一名更好的Deep Learning实践者。 这篇文章将和大家一起看一个有趣的多模态主题,我们将结合图像和文本处理技术来构建一个有用的深度学习应用,即看图说话(...

weixin_33682790的博客 793

保姆级教程:用Code Blocks搞定中科蓝讯AB5768E蓝牙音响SDK开发环境(附资源包)

本文提供了一份详细的Code Blocks配置指南,帮助开发者快速搭建中科蓝讯AB5768E蓝牙音响SDK开发环境。从工具链安装、环境配置到工程导入和调试技巧,涵盖全流程避坑要点,特别适合K12开发板初学者。附资源包下载,助您高效完成蓝牙音响开发。

weixin_28692817的博客 449

STM32输入捕获功能,同时捕获8路波形。

STM32输入捕获功能,使用TIM2和TIM3同时捕获8路波形。 工作上的一个需求,要采集两组控制步进电机的信号。就是采集8个通道的方波,测量频率和计脉冲个数。看起来简简单单的东西,磕磕碰碰搞了两天,走了一些弯路,这里写出来记录一下。顺便理解一下输入捕获个多种用法。 1. 硬件设计 首先看一下用到那些IO口。在STM32手册里找这样TIMx_CHx的就是输入捕获的口了。 这里用了TIM2的4个口和TIM3的4个口。 定义 端口 TIM2_CH1 PA0 TIM2_CH2 PA1 TI

qq_36353009的博客 5126

基于Transformer的文本情感分析编程实践(Encoder编码器-Decoder解码器框架 + Attention注意力机制 + Positional Encoding位置编码)

# coding=utf-8 import configparser def get_config(config_file='config.ini'): parser=configparser.ConfigParser() parser.read(config_file) # get the ints, fl...

あずにゃん梓喵的博客 6129

FreeRTOS OTA实战:从Bootloader设计到安全升级的完整流程(附MQTT示例代码)

本文详细介绍了在FreeRTOS系统中实现安全OTA固件升级的完整流程。内容涵盖从Bootloader设计、存储分区规划到与MQTT协议集成的OTA Agent任务开发,并重点解析了固件签名验证、防回滚等关键安全机制,为嵌入式物联网设备提供了一套高可靠性的远程升级解决方案。

weixin_29248653的博客 162

python encoder decoder_Image Caption 的 Encoder – Attention – Decoder pytorch实现(一)

https://github.com/sgrvinod/a-PyTorch-Tutorial-to-Image-Captioning首先要感谢这个在github上公开代码的大佬,很牛~“站在巨人的肩膀上”,这里记录一下最近一段时间理解这个代码的心得体会。一、模型输入数据1、create_input_files.py + utils.py(create_input_files函数)这两个东西,是用来...

weixin_31775717的博客 687

协方差矩阵自适应进化策略(CMA-ES)详解:从基础原理到优化算法

CMA-ES是一种先进的无导数优化算法,基于生物进化原理解决连续域非线性优化问题。该算法通过自适应调整多元正态分布的均值、协方差矩阵和步长参数,自动学习搜索空间结构,无需梯度信息即可高效优化。核心创新包括协方差矩阵的秩1和秩μ更新策略,以及基于进化路径的步长控制机制。CMA-ES具有旋转不变性、标度不变性和全局探索能力,特别适合3-300维的黑盒优化问题,在复杂系统仿真、超参数调优等领域表现优异。算法实现中关键参数如种群大小、学习率等均有自适应设置规则,使其成为连续优化领域的基准算法之一。

qq_42212808的博客 527

Vue - 在纯 HTML 普通项目中实现组件化,让原生 html 项目支持引入 *.vue 组件 / 组件与组件间的互相引用等,完美解决了引入组件出现的跨域问题(保姆级详细教程,完整示例源码及插件)

html中使用vue组件,在HTML页面中引入vue组件,HTML界面利用http-vue-loader.js以组件方式引入vue文件,使用http-vue-loader引入组件出现报错,在html页面使用http-vue-loader插件引入组件报跨域错误,如何解决http-vue-loader引用组件时出现跨域问题,纯html原生web项目引入vue后如何实现组件引入,使用http-vue-loader插件控制台报错跨域,http-vue-loader跨域怎么办官方文档,html页面如何引入.vu

🏆 前端领域优质创作者 3910

Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation

视觉-语言预训练(VLP)提高了许多视觉语言任务的性能。然而,大多数现有的预训练模型仅仅擅长基于理解的任务或者基于生成的任务。此外,性能的提高在很大程度上是通过扩大从网络上收集的带有噪声的图像-文本对数据集实现的,而这是一只次优的监督来源。在本文中,我们提出了一个新的VLP框架BLIP,它可以灵活运用与视觉-语言理解和生成任务。BLIP通过引导生成描述的方法,有效地利用了有噪声的网络数据,其中一个captioner生成合成描述,而一个filter去除有噪声的描述。

Angel_Alita的博客 607

cdk&java | 分子sdf文件生成

sdf

ASKCOS博客 1092

【自然语言处理】【大模型】CodeGeeX:用于代码生成的多语言预训练模型

​ 代码生成的目标是:给定人类意图的描述(例如:“写一个阶乘函数”),系统自动生成可执行程序。这个任务由来已久,解决的方案也层出不穷。近期,通过将程序看作是语言序列,利用深度学习的transformer架构进行建模,显著的改善了代码生成的质量。特别是当大规模的开源代码数据与大语言模型相结合。​ OpenAI的12B模型CodeX证明了在数十亿行公开代码上预训练的大模型的潜力。通过使用生成式预训练的方式,CodeX能够很好地解决python中的入门级编程问题。

bqw的博客 7224

《UDS协议从入门到精通》系列——图解0x10:诊断会话控制

什么是诊断会话控制服务?切换模式时ECU要做哪些?有没有通信示例?本文全网最详解!!

车载系统攻城狮 1万+

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

文生图-text2light-环境搭建

7.下载预训练模型到logs目录下(6. 终于可以执行命令了。2.创建并激活虚拟环境。5. 若cv2启动失败。8. 可以愉快的生成了。

517

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

爆肝 72小时,教你使用CodeGeex AI编程

阅读本文大概需要 10分钟。 大家好,我是木川本文将会从以下几方面来介绍:使用 CodeGeex 前期准备CodeGeex 模型训练编程操作 SOP结尾一、使用 CodeGeex 前期准备一)CodeGeex 介绍 CodeGeeX 是清华大学知识工程实验室研发的一款基于大模型的全能的智能编程助手,它可以实现代码的生成与补全、自动添加注释、代码翻译以及智能问答等功能。对上百名用户进行问卷调研,...

木川的技术之路 2万+

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

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

程序员福音——CodeGeeX智能编程助手

自从有了ChatGPT火了之后,现在写代码轻松不少,什么东西都可以问了。今天看到一款国产的插件,也是可以帮助我们提高开发效率的。只需要写注释,自动生成,不需要再去问ChatGPT了,直接在Idea中使用。代码写的快,摸鱼时间又长了,美滋滋。下面我们一起看一下这款插件的方便之处吧!CodeGeeX是清华和智谱AI联合打造的多语言代码生成模型。官网介绍:CodeGeeX是一款基于大模型的全能的智能编程助手。它可以实现代码的生成与补全自动添加注释代码翻译以及智能问答等功能,能够帮助开发者显著提高工作效率。

小王博客基地 3627

【AI 大模型】使用 AI 大模型 编程 ② ( CodeGeeX 工具 | CodeGeeX 功能 | VSCode 安装使用 CodeGeeX | Tabby 工具 | Tabby 部署与使用 )

一、CodeGeeX 工具 1、CodeGeeX 简介 2、CodeGeeX 功能 3、CodeGeeX 使用与授权 4、CodeGeeX 插件支持 5、Intellij IDEA 安装 CodeGeeX 插件 6、VSCode 安装 CodeGeeX 插件 7、VSCode 使用 CodeGeeX 插件进行补全编程 二、Tabby 工具 1、Tabby 工具简介 2、Tabby 相关网站资源 3、Tabby 使用场景 4、Tabby 部署与使用

让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 ) 1万+

<CodeGeeX>基于大模型的全能AI编程助手

CodeGeex是一个AI编程助手,基于清华大学 KEG 实验室和智谱 AI 公司于 2023 年共同训练的代码生成模型 CodeGeeX 开发而成。CodeGeex 的出现标志着人工智能技术的发展进入了一个新的阶段,大模型服务时代已经到来。

前端啤酒屋 1635

CodeGeex论文阅读

《CodeGeeX: A Pre-Trained Model for Code Generation with Multilingual Evaluations on HumanEval-X》论文地址:https://arxiv.org/pdf/2303.17568.pdf代码地址:https://github.com/THUDM/CodeGeCodeGeeX,是一个具有130亿个参数的多语言模型,用于代码生成,在23种编程语言的8500亿个token上进行了预训练。CodeGeeX的特点(1)CodeGe

Icarus_的学习笔记 2250

多编程语言代码生成神器 CodeGeeX,编码效率提升十倍!

CodeGeeX 是一个具有 130 亿参数的多编程语言代码生成预训练模型,采用华为 MindSpore 框架实现,在鹏城实验室“鹏城云脑 II”上使用 1536 个国产昇腾 910 AI 处理器训练而成。CodeGeexX 支持十多种主流编程语言的高精度代码生成、跨语言代码翻译等功能,同时开发自动编程插件,更好的辅助程序开发和相关研究。特性高精度代码生成支持生成 Python、C++、Java、...

Java笔记虾 2568

【CodeGeeX】国产的免费AI编程助手

CodeGeeX是一款基于大模型的全能的智能编程助手。它可以实现代码的生成与补全、自动添加注释、代码翻译以及智能问答等功能,能够帮助开发者显著提高工作效率。CodeGeeX支持主流的编程语言,并适配多种主流IDE。

初辰的博客 2583

idea免费插件CodeGeeX ,别在闷头自己写代码了!!!

目录前言一、AI使用教程二、工作提效2.1 AI 导师2.2 AI 程序助手2.3 AI 测试员​编辑2.4 AI Bug 修复师三、其他能力代码翻译四、总结AI 会淘汰程序员,但只会淘汰不会用 AI 的程序员。AI可以通过学习和分析大量的性能数据,自动寻找性能瓶颈并进行智能调优,加快软件的响应速度,提升用户体验。此外,AI在软件开发需求分析、自动化测试、代码生成、项目管理、持续集成与部署等方面也有应用,可以节省时间和精力,提高开发速度和质量。就分享到这了。

jgb880811的专栏 1万+

CodeGeeX使用指南

CodeGeeX是一个具有130亿参数的多编程语言代码生成预训练模型,使用超过二十种编程语言训练得到。基于CodeGeeX开发的插件可以实现通过描述生成代码、补全代码、代码翻译等一系列功能。CodeGeeX同样提供可以定制的,构建专属的编程助手。VS Code插件市场搜索"codegeex"即可免费使用(需要VS Code版本不低于1.68.0),更多关于CodeGeeX信息请见我们的and。如使用过程中遇到问题或有任何改进意见,欢迎发送邮件到反馈!

Blog of Leviash 2万+
上一篇: 好耶!谷歌推出AI医学成像套件;『深度学习数学工程』电子书;适用MacOS的Linux子系统;根据文本提示补全图像;前沿论文 | ShowMeAI资讯日报
下一篇: 商汤OpenMMLab YOLO系列工具箱;慕尼黑工大『计算机视觉深度学习进阶课』;伯克利『深度无监督学习课程』;前沿论文 | ShowMeAI资讯日报
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
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
 
 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

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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