16K个大语言模型的进化树；81个在线可玩的AI游戏；AI提示工程的终极指南；音频Transformers课程 | ShowMeAI日报

ShowMeAI ShowMeAI 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 1.4k累计阅读 1.4k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 2026-11-04 20:37:34 发布 1.4k 阅读 AI 写同款· GEO 优化 ›
【LLM大模型】指令微调、peft高效参数微调 LLaMA 是 Meta AI 发布的包含 7B、13B、33B 和 65B 四种参数规模的基础语言模型集合，LLaMA-13B 仅以 1/10 规模的参数在多数的 benchmarks 上性能优于 GPT-3(175B)，LLaMA-65B 与业内最好的模型 Chinchilla-70B 和 PaLM-540B 比较也具有竞争力。通过使用与 ChatGLM（chatglm.cn）相同的技术，ChatGLM-6B 初具中文问答和对话功能，并支持在单张 2080Ti 上进行推理使用。 阅读详情

👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦！

img

🤖 LLM 进化树升级版！清晰展示 15821 个大语言模型的关系

img

这张进化图来自于论文 「On the Origin of LLMs: An Evolutionary Tree and Graph for 15,821 Large Language Models」，构建了一个包含15821个大型语言模型的进化树和关系图，以便探索不同的大模型之间的关系 ⋙ 论文

🤖 AI绘图又又又露馅了！除了「看手」网友还总结了这些识别技巧

img

这是 Reddit 论坛 Midjourney 子区一个非常热门的讨论：判断上面两张图是 AI 生成的，还是真实拍摄的。根据经验我们几乎可以快速判定，这是AI生成的图片！

但如果让你说出几条理由，是不是就卡壳了？因为这跟真实世界的图片太像了！原帖评论区的大神们，给出了非常细节的判断依据，我们一起来学习下：

  1. 皮肤太平滑无瑕疵，看起来不自然

  2. 五官和面部特征重复率高，缺乏细微差异

  3. 牙齿、耳朵等部位存在反常的绘制错误

  4. 灯光和阴影不协调，不同方向的光源

  5. 背景物体透视对不准，存在失真

  6. 存在马赛克和图像边缘毛刺等制作瑕疵

  7. 衣服和背景缺乏质感和细节，图案和阴影不协调

  8. 衣服与身体相接的部分处理不自然，没有厚度和遮挡感

  9. 分辨率和清晰度比当时胶片摄影水平要高，而非胶片质感，缺乏胶片风格的磨砂质感 ⋙ Reddit @Midjourney

img

🤖 山东能源与华为联合发布「盘古矿山大模型」，首个能源行业商业大模型

img

山东能源集团、华为公司联合发布盘古矿山大模型，将解决人工智能在矿山领域落地难的问题，引领矿山AI开发模式从作坊式向工厂式转变，为AI大规模进入矿山打下坚实基础。

作为AI大模型在能源领域的全球首次商用，山东能源、云鼎科技、华为在前期试点验证AI大模型赋能工业生产领域的基础上，正在开发和实施首批场景应用，涵盖采煤、掘进、主运、辅运、提升、安监、防冲、洗选、焦化9个专业21个场景应用 ⋙ 华为云

🤖 阅文集团发布「阅文妙笔大模型」，国内第一个网文大模型

img

7月19日，阅文集团正式发布国内网络文学行业首个大模型「阅文妙笔」和基于这一大模型的应用产品「作家助手妙笔版」。

阅文妙笔大模型的知识储备能够覆盖情节内容、角色介绍、作品推荐、行业知识等，并在回答的准确度、全面性、提炼总结等方面表现出色，可以辅助阅文创作者完成创作。

阅文集团 CEO 兼总裁侯晓楠在致辞中表示，阅文妙笔是国内第一个网文大模型，也是最懂网文的大模型，将来会持续升级 ⋙ 阅文集团

img

🤖 Hugging Face 游戏比赛结束啦！88个AI游戏在线可玩~

img

Hugging Face 在7月8日至10日举办了「Open Source AI Game Jam 」在线AI游戏开发挑战赛。在经过48小时紧张开发和一段时间的评分之后，官网终于公布了比赛结果。而且！游戏在线可玩哦！

比赛共收到88个参赛游戏作品，其中81个游戏获得了共521次评价和打分，评价标准包括总体评价、有趣度、创造力和主题体现度。简单介绍下排行榜的前5名：

  1. Snip It：一个剪刀石头布游戏,与AI对战 〖评分4.222〗

  2. Yabbit Attack：一个兔子要吃萝卜游戏 〖评分4.167〗

  3. Fish-Dang Bot: Rolling Laud：一个使用视觉和语音的机器人游戏 〖评分4.0〗

  4. EVERCHANGING QUEST：一个不断变化的探索游戏 〖评分3.833〗

  5. Word Conquest：一个占领字母地图的文字游戏 〖评分3.790〗

浏览了提交的81个游戏的信息，并进行了简单分析，可以看到：

▢ 游戏风格：多样化，包括了动作游戏、策略游戏、射击游戏、文字游戏等等

▢ 游戏机制：游戏在不同程度上使用了AI技术，比如自动对战、自然语言处理、知识图谱等

▢ 视觉风格：有使用像素风格的老游戏复古风，也有使用3D模型的次世代游戏

▢ 游戏主题：太空主题、幻想主题、动物主题、战争主题、文字游戏、探索主题等 ⋙ 比赛结果页面

img

🤖 你的终极指南！使用 MobileGPT 掌握AI提示工程

img

这篇文章主要介绍了如何利用 MobileGPT 来掌握AI提示工程的技巧。如果你对生成式人工智能 (比如ChatGPT、Stable Diffusion等) 感兴趣，那这篇文章介绍的提示工程技巧，会帮助你成为文本生成和图像生成的大师！

需要注意的是，作者的示例演示使用了 MobileGPT，不过调用的依旧是 OpenAI 的 GPT 模型

MobileGPT 是一款移动端AI助理，可以将 OpenAI 的 GPT3.5-turbo和GPT-4 模型直接集成到 WhatsApp 中

以下是文章内容要点：

🔔 文本生成提示词

基础提示词需要包含以下两个因素

  1. 格式 Format

  2. 主题 Subject

想进一步完善，需要考虑以下因素

  1. 语气 The Tone：指定AI生成内容时要表现出的整体性格、态度或情感，有助于营造氛围

  2. 受众 The Audience：明确内容的预期接收者是谁，让AI能够相应调整内容

  3. 目标 Objective：阐明生成内容的预期目的或目标，给AI指明方向、要达成什么

  4. 角色扮演 Act As： - 指示AI在生成内容时担任特定的角色、观点或人格，会影响风格和措辞

  5. 背景信息 Background Information：为AI提供相关的上下文和细节以融入并引用在内容中

  6. 关键词 Keywords：指定内容中应包含的重要术语和词汇，确保关键话题表达出来

  7. 字数统计 Word Count：为AI的输出设置目标长度，有助控制整体范围

  8. 指导方针 Guidelines：给AI关于如何构造和组织内容的指示，能得到更好的输出

  9. 大纲 Outline：为AI提供内容的框架，有助塑造流程和结构

🔔 图像生成提示词

基础提示词需要包含以下两个因素

  1. 详细定义主题

  2. 定义受试者在做什么

  3. 详细定义背景图像

想进一步完善，需要考虑图像类型

  1. 真实感 Photorealistic：看起来像照片的图像

  2. 素描 Sketch：铅笔或木炭素描

  3. 水彩图像 Watercolor images

  4. 油画图像 Oil Painting images

  5. 点画 Pointillism：图像由彩色小点组成

  6. 卡通 Cartoon

  7. 动漫/漫画 Anime/Manga

  8. 波普艺术 Pop Art：具有大胆的颜色和图形形状

想进一步完善，需要考虑背景设置

  1. 工作室设置 Studio Setting：包括基本背景 (如白色、黑色或特定颜色) 与控制，专业光照，以及道具和模型

  2. 自然设置 Natural Settings：包括森林、山脉、海滩、沙漠、海洋和其他景观，光照条件可以从明亮的阳光到日落的柔和色调或月夜的冷色调

  3. 城市环境 Urban Environments：包括摩天大楼、忙碌街道、公园或郊区社区等，光照条件可以变化以模拟一天中的不同时间或天气条件

  4. 室内场景 Indoor Scenes：包括家庭内部、办公室、餐馆、学校、博物馆或任何其他类型的室内环境。光照可以调整，以配合典型的室内条件，如温暖的台灯或明亮的荧光灯的办公室

  5. 历史或虚构背景 Historical or Fictional Settings

  6. 抽象背景 Abstract Backgrounds：AI可以生成具有各种颜色、形状和图案的纯抽象或艺术背景 ⋙ 阅读全文

img

🤖 新文推荐！YC 创始人 Paul Graham 分享如何取得杰出成就

img

Paul Graham 是全球最早的线上软件 Viaweb 的联合开发者 (Viaweb 后被雅虎收购，成了今天的 Yahoo! Store)，是硅谷天使投资公司 Y Combinator 创始人，持续在自己播客发表对于创业和科技行业的思考，在硅谷很有影响力。他的著作《黑客与画家》传播非常广泛。

Paul Graham 终于在7月发布了「How To Do Great Work (如何取得杰出成就)」这篇长文，全文多达两万字，是非常实用的工作指南。ShowMeAI 摘取原文中金句，全文非常值得一读！！

  1. 第一步是决定要做什么。我们所选择的工作需要具有三个特质：1) 我们对这件事有天赋；2) 我们对这件事有深深的兴趣；3) 这件事拥有取得杰出成就的空间

  2. 我们对什么有着「过分的」好奇心，「过分」到其他大多数人会觉得无聊的程度？那就是我们所要寻找的事

  3. 三个最强大的内在动机是好奇心、快乐和做出令人印象深刻的事情的欲望，当它们会汇聚在一起时，会成为最强大的组合。

  4. 大多数国家的教育系统都假装决定要做什么很容易，他们期望我们在知道某个领域真正是什么样子之前就做出决定；因此沿着最佳轨迹来看，一个有雄心壮志的人往往会被系统视为异类

  5. 杰出的成就，通常需要我们在一个问题上，花费大多数人认为超出了合理范围的大量时间

  6. 通过让思绪稍微漫游一下，我们经常能够解决那些无法通过正面攻击解决的问题

  7. 成为那个把事情做出来的人，而不是坐在背后提供复杂的批评的人；「批评很容易」在最字面的意义上是真的，而取得伟大成就的路永远不容易

  8. 当一个想法看起来既新颖又显而易见时，它可能是个好主意

  9. 在有效市场中，风险与回报成比例，所以不要寻求确定性，而要寻找高期望价值的赌注

  10. 经验给我们带来的最有价值的知识之一，是知道我们不必担心什么

  11. 不要依赖某个「看门人」给自己一个「大机会」，即使这是真的，得到它的最好方式是专注于做好工作，而不是追逐有影响力的人

  12. 我们有时可以从做得糟糕的事情中学到比从做得好的事情中更多的东西，有时只有当它缺失时，才能清楚地看出完满需要什么

  13. 取得杰出成就是一种深度优先搜索，其根节点是我们想成功的欲望

  14. 想要给别人留下印象是可以的，但要选择正确的人，我们所尊重的人的观点是信号；名声，也就是我们可能尊重或可能不尊重的更广泛群体的观点，只是噪音

  15. 如果我们问一个预言家取得杰出成就的秘密，预言家用一个词回答，我赌就是「好奇心」 ⋙ 阅读原文 | 中文翻译(全文)

img

🤖 Hugging Face 出品！音频 Transformers 课程完成并发布啦

img

Hugging Face团队推出了一门音频领域的图文课程「Hugging Face Audio course」，是一门涵盖音频领域Transformer全流程的实践性强的优质课程，迄今为止反响非常好！

课程内容覆盖了音频领域 Transformer 的各种应用，包括语音识别、音频分类、语音合成等。完成学习后可以掌握音频数据的处理方法，了解不同 Transformer 模型的架构，并利用预训练模型构建各种音频任务的模型。

课程已经完成了 7 个单元的发布：

  1. 处理音频数据 - 为处理音频奠定基础

  2. 音频应用简介 - 介绍了众多音频应用

  3. 音频的 Transformers 架构 - 讲解了处理音频相关任务时存在的不同类型的架构和设计

  4. 构建音乐流派分类器 - 实际操作教程，教你如何构建音频分类流程

  5. 语音识别 - 深入探索语音识别，并构建一个模型来转录会议记录

  6. 文字转语音 - 学习如何将给定的文本转换为音频输出

  7. 具体应用 - 构建真实世界的音频应用程序 ⋙ 学习链接

感谢贡献一手资讯、资料与使用体验的 ShowMeAI 社区同学们！

◉ 点击 👀日报&周刊合集，订阅话题 #ShowMeAI日报，一览AI领域发展前沿，抓住最新发展机会！

◉ 点击 🎡生产力工具与行业应用大全，一起在信息浪潮里扑腾起来吧！

收录于
ShowMeAI日报 ⛽ 用知识加速每一次技术进步

当前文章被收录于：

ShowMeAI日报 ⛽ 用知识加速每一次技术进步
373 篇文章 115 人学习

ShowMeAI带你一览领域发展前沿，抓住最新发展机会！📬 订阅专栏，第一时间接收推送。 🎡 关注 ShowMeAI，获取结构化成长路径和全套资料库，用知识加速每一次技术进步~

订阅专栏 查看详情
标签
#人工智能 #语言模型 #游戏 #音视频 #AIGC
#chatgpt #LLM
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。
从菜鸟到高手：我的Abaqus壳单元S4R、S3R、S8R选择心路历程 第一次打开Abaqus的单元库时，我被琳琅满目的壳单元类型晃花了眼。S4R、S3R、S8R、STRI65、S9R5...这些看似随意的字母数字组合，背后却隐藏着影响仿真精度的关键密码。作为一名从土木工程转行到汽车结构仿真的工程师，我花了三年时间才真正理解如何根据问题特性精准选择壳单元。这段学习历程充满试错与顿悟，今天就用几个关键案例，分享我的壳单元选择方法论。 阅读详情

相关推荐

基于verilog实现AXI4协议接口读写功能

AXI4是ARM公司推出的第四代AMBA总线协议，专为高带宽、低延迟的片上通信设计，广泛应用于FPGA、处理器及DSP等复杂系统，AXI4包含三中形态，分别为AXI4:标准版本，支持高带宽内存映射通信。AXI4-Lite：简化版，用于寄存器等简单设备的轻量级访问。AXI4-Stream：无地址协议，适用于高速数据流传输（如视频、音频）。本文章主要介绍AXI4协议的代码实现1. 写地址通道定义2. 写数据通道定义3. 写响应通道定义4. 读地址通道定义5. 读数据通道定义。

junpingc的博客 628

大语言模型（LLM）的进化树，学习LLM看明白这一张图就够了

近期大语言模型迅速发展，让大家看得眼花缭乱，感觉现在LLM的快速发展堪比寒武纪大爆炸，各个模型之间的关系也让人看的云里雾里。最近一些学者整理出了 ChatGPT 等语言模型的发展历程的进化树图，让大家可以对LLM之间的关系一目了然。论文：https://arxiv.org/abs/2304.13712Github(相关资源)：https://github.com/Mooler0410/LLMsPracticalGuide进化的树图现代语言模型的进化树追溯了近年来语言模型的发展,并强调了一些最著名的模型。同一

1万+

mmdetection 实战：基于Mask R-CNN与自定义COCO数据集的目标检测全流程解析

本文详细解析了如何使用mmdetection框架和Mask R-CNN模型，基于自定义COCO数据集完成目标检测任务的全流程。内容涵盖环境搭建、数据格式转换、配置文件定制化、模型训练与评估等核心步骤，并提供了针对工业缺陷检测场景的实用调优思路与避坑指南，帮助开发者高效构建高性能检测模型。

weixin_29046611的博客 136

AI大模型开发——4.transformer模型（0基础也可懂）（1）

为了更深入的了解transformer模型，我们首先从transformer的诞生聊起吧。transformer在2017年由Vaswani等人首次提出，它摒弃了之前流行的循环神经网络和卷积神经网络的架构，引入了自注意力机制( Self-Attention)，显著提高了处理序列数据的能力和效率。transformer模型的这种设计使其在处理长距离依赖问题时， 相比于传统的循环神经网络和长短期记忆网络(LSTM)表现得更加出色，至此， 开启了NLP技术的新篇章。

m0_74922316的博客 1991

【go-libp2p学习笔记】使用go-libp2p搭建中转服务器（circuit relay server）

libp2p算是一个蛮新的库，提供了非常强大的p2p节点发现/连接/通信能力。IPFS的基石。 中文网上的**技术教程**比较少，所以抛砖引玉开一点坑来体验一下！

Cake_C的博客 6489

EtherCAT APWR报文实战：从站地址配置(0x0010)的初始化流程与报文解析

本文详细解析了EtherCAT APWR报文在从站地址配置（0x0010寄存器）中的初始化流程与实战应用。通过类比物业分配门牌号，生动解释了APWR报文如何高效批量配置从站地址，并深入探讨了0x0010寄存器的特殊作用、初始化步骤及常见问题排查方法。文章结合IgH主站的三从站配置案例，提供了报文解析技巧和调试建议，帮助工程师快速掌握EtherCAT网络配置的核心技术。

weixin_28744423的博客 410

LLMs：大型语言模型进化树结构图之模型(BERT-style/GPT-style)、数据(预训练数据/微调数据/测试数据)、NLP任务(五大任务+效率+可信度+基准指令调优+对齐)、三大类模型的使用

LLMs：大型语言模型进化树结构图之模型(BERT-style/GPT-style)、数据(预训练数据/微调数据/测试数据)、NLP任务(五大任务+效率+可信度+基准指令调优+对齐)、三大类模型的使用和限制(Encoder-only、Encoder-Decoder、Decoder-only)

GitHub质检员 1964

Android Camera驱动开发工程师面试指南：技术深度与实战准备

摘要：上海移远通信招聘Android Camera驱动开发工程师，主要负责Camera传感器驱动开发维护、高通/展锐平台底层开发及技术预研。岗位要求1年以上嵌入式开发经验，精通Camera传感器驱动调试，熟悉高通平台Camera架构及Android HAL框架。具备HAL开发、算法集成或车载/支付行业经验者优先。工作内容以Driver/HAL开发为主，需具备硬件接口评估能力。该职位接受Linux/单片机背景人员转型。

郑伟强dev的专栏 280

实时追踪科研动态丨7.20精选新论文，附ChatPaper综述

此外，作者构建了一个专业的多视图系统来捕捉数据，其中包含60个同步摄像机，最大分辨率4096 x 3000，15帧/秒的速度和严格的相机校准步骤，确保了高质量的资源用于任务训练和评估。该数据集合包括来自开放域对话、面向任务的对话、自然语言理解、推荐对话、对话摘要和知识为基础的对话的数据，使其成为对话研究和模型训练的非常丰富和多样化的资源。结果表明，在探索效率和能够从离线数据集中重用数据方面，与基准方法相比，该方法取得了显著的性能改进，并展示了如何重用学到的技能来解决新任务或模仿人类专家的视频。

AI_Conf的博客 450

ABAP Cloud：面向云时代的 ABAP 开发范式与实践指南

摘要： 本文系统讲解SAP ABAP Cloud开发模型，涵盖其架构、工具链、规范及实践。ABAP Cloud作为统一开发模型，支持在SAP BTP和S/4HANA上构建云就绪应用，遵循clean core原则，通过RAP（RESTful应用编程模型）实现低耦合扩展。文章详细解析其核心构成（RAP、稳定API、clean core约束）、工具链（ADT、软件物流）及两种典型扩展场景（on-stack与side-by-side），并附可运行RAP示例代码（如销售笔记应用）。重点强调通过规范开发确保系统可升级性

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 386

INFFUS 2025 | DDBFusion：基于双重分解和贝塞尔曲线的统一图像分解与融合框架

现有的图像融合算法大多集中于网络架构和损失函数的设计，采用统一的特征提取策略，却忽略了冗余信息和有效信息的划分。然而，对于互补信息而言，统一的特征提取器可能并不适用。因此，本文提出了一种基于贝塞尔曲线图像增强和分层分解的统一图像融合算法，并构建了一个自监督学习任务来学习有意义的信息。其中，贝塞尔曲线旨在模拟不同的图像特征，并构建特殊的自监督学习样本，因此作者的方法不需要特定任务的数据，并且可以在公共自然图像数据集上轻松进行训练。同时，作者的双重分解自监督训练方法可以为模型赋予冗余信息过滤能力。

小白学视觉 306

大模型修炼指南：从青铜到王者，手把手拆解学习路线

‌大模型是指具有大规模参数和复杂计算结构的机器学习模型‌。这些模型通常由深度神经网络构建而成，拥有数十亿甚至数千亿个参数。大模型的设计目的是为了提高模型的表达能力和预测性能，能够处理更加复杂的任务和数据。‌

代码大师麦克拉瑞的博客 964

老款 NUC 复活计划：装 Ubuntu 部署 OpenClaw 本地 AI

老款 NUC 变身本地 AI 服务器指南 本文详细介绍了如何将老旧华硕 NUC 设备改造为本地 AI 服务器。主要内容包括： 硬件评估：列出老款 NUC 的最低配置要求（i3 6代/8GB内存/256GB SSD），并提供兼容性检查命令和性能预期表 系统准备：指导备份数据、下载 Ubuntu 22.04 LTS 和制作启动盘的方法（Windows/Linux双平台） 安装流程：从 BIOS 设置到 Ubuntu 安装的完整步骤，包括推荐的分区方案 系统优化：禁用不必要的服务、内核参数调优、Swap 配置和

博客 7605

语言大模型的进化轨迹

ChatGPT的发布是语言大模型（LLM）发展史的转折点，它让人们意识到LLM的潜力，并引发了“AI竞赛”，世界上主要人工智能实验室和初创公司都参与其中。在这之后，基于LLM的聊天机器人层出不穷。ChatGPT及相关LLM模型让我们共同见证了AI的历史性变革，很多人好奇，LLM和它们的运作方式究竟是怎样的？它们是如何被构建的？未来又将走向何方？本文对此进行了深入探讨。本文作者Etienne Ber...

OneFlow深度学习框架 3068

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")

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

一文搞懂大语言模型的发展历程和未来应用场景

大语言模型是当前自然语言处理领域的重要研究方向。作为生成式 AI的一个分支，大语言模型利用机器学习技术从大量的文本数据中学习语言规律，并能够生成连贯、有意义的文本。这种能力使得大语言模型可以胜任各种语言处理任务，如机器翻译、文本摘要、问答系统等。那么，大语言模型与深度学习和机器学习有什么关系呢?在说明这个问题之前，首先介绍一下 AI 技术的发展。

weixin_72959097的博客 910

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

四张图片道清AI大模型的发展史(1943-2023)

快速了解大规模语言模型的发展历程

weixin_47567401的博客 1万+

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

GPT的前世今生：从gpt1到chatgpt的能力提升

从2017年google brain提出transformer模型，到2018年基于transformer模型open ai推出了gpt1模型以及google推出了bert模型，到2019-2021年open ai陆续推出gpt2和gpt3，再到2022-2023年推出chat-gpt和gpt4，大语言模型已经发展成了一个具有3个大分支的参天大树[在这里主要写写关于gpt的那些事。

皮皮blog 3197

【深度解析】从GPT-1到GPT-4：ChatGPT背后的核心原理全揭秘

本文深入介绍了生成式预训练模型（GPT）的演进历程及核心技术创新，从GPT-1到GPT-4的技术演变展示了大语言模型在自然语言处理领域的飞速发展。文章详细解析了各代模型的关键突破：GPT-1通过无监督预训练和有监督微调奠定基础；GPT-2以Zero-shot学习和架构优化提升任务迁移能力；GPT-3提出Few-shot学习，实现少样本任务泛化；ChatGPT结合人类反馈强化学习（RLHF），优化对话交互表现；GPT-4通过多模态输入扩展了任务范围和应用场景。最后，文章总结了GPT系列的技术启示与未来展望，强

吴师兄大模型的博客 3801

AI大模型技术黑话，你了解哪些？

在AI大模型飞速发展的今天，那些技术黑话，你真的清楚吗？

xiangxueerfei的博客 1053

人工智能篇---大语言模型

大语言模型发展简史与核心突破 摘要：大语言模型经历了从统计模型到神经网络的演进，最终由Transformer架构实现质的飞跃。关键发展包括：1）2017年Transformer突破性地引入自注意力机制，解决长程依赖问题；2）三大技术路线分化（编码器-解码器/仅编码器/仅解码器），GPT系列为代表的解码器架构因生成能力脱颖而出；3）模型训练三阶段（预训练-对齐-知识增强）使LLM具备实用价值。当前应用已覆盖文本生成、深度推理、跨语言交流等领域，但仍面临幻觉、推理深度等挑战。

在你不想做的时候，正是应该做的时候。 531

AI人工智能 万字长文详解大模型平台技术栈

有意思的是，GPT-1 和 GPT-2[49] 并没有展示出类似于 GPT-3 相同的强大能力，表明模型规模的增加在扩大模型架构的容量发挥了巨大的作用。从为了解决翻译问题时 Seq2Seq 模型的提出的 Attention 的基本概念 [42]，到 Transformer 架构中完全抛弃 RNN [43] 提出的 Attention is All You Need[44]，到 GPT-2 和 GPT-3 的架构解读[45][46]，Jay Alammar 的博客都提供了精彩的可视化配图便于理解模型结构。

人工智能讲师分享前沿技术 2645

AI版的五子棋小游戏

本项目实现的五子棋博弈游戏是双人的、完备信息的五子棋问题。游戏模式可以分为人机对弈和双人对弈两种模式。本程序采用基于启发式max/min算法的alpha-beta剪枝技术来选择出最佳的机器落子位置。除此之外，我们还设置了残局闯关模式，在增加了游戏趣味性的同时给用户们带来了更好的游戏体验。

ym18861512953的博客 8143

大模型技术演进全攻略：从基础到前沿，程序员必学收藏指南

摘要： 大模型技术自2017年Transformer架构提出以来快速发展，从GPT-1、BERT到GPT-3，模型规模与能力显著提升。关键技术进展包括： 架构优化：Transformer的改进如MQA、GQA、MLA减少KV缓存，MoE架构提升计算效率； 多模态扩展：扩散模型（DiT）主导视觉生成，视觉编码器+LLM架构推动图像/视频理解； 轻量化与推理增强：知识蒸馏、量化、剪枝实现模型压缩，思维链（CoT）和强化学习提升复杂任务处理能力。 当前大模型正向高效化、多模态和轻量化方向发展，推动AI技术广泛应用

2301_80239908的博客 1194

大型语言模型（LLMs）演化树 Large Language Models

flyfish

二分掌柜的 2509

6 款电商 AI 图片生成软件实测｜国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言，现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求，显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强"，而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率，通用生图工具强在创意上限，模板类工具赢在上手速度。建议根据自身业务阶段，搭配 1-2 款主力工具 + 1 款辅助工具，形成适合自己的视觉生产流程。

Mardi_Ladin的博客 277

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型：把 PDF 发给一个自己部署的图文模型，让它提取发票类型、日期、交易双方和金额，再把结果交给同事核对。这个原型不用先接财务系统，先看看从部署到调用要走多少步，模型返回的内容能不能帮上忙。

鸽芷咕的博客 1万+
上一篇： 实用！SD人物表情提示词合辑；秒变大神的Python速查表；开源LLM微调训练指南；LLM开发必修课 | ShowMeAI日报
下一篇： 60个AIGC专业术语手册；5种大模型微调方法总结；大模型创业潮成败点评；AIGC通用大模型产品测评报告 | ShowMeAI日报
点赞 0
评论 0
书签 书签 1
ShowMeAI
ShowMeAI
博客等级 码龄5年 6514粉丝 672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

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