5 -- 语言模型（1）

最新推荐文章于 2025-12-05 16:19:27 发布
原创 最新推荐文章于 2025-12-05 16:19:27 发布 · 218 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习

博客围绕深度学习展开，但具体内容缺失。深度学习是信息技术领域重要方向，在图像识别、自然语言处理等多方面有广泛应用。

DeepSeek-V3-Base 模型技术解析
zhangjiaofa的专栏
12-31 2726
DeepSeek-V3-Base 是一个基于 Transformer 架构的预训练语言模型，旨在通过大规模数据训练，捕捉语言的深层次语义信息。该模型在多个 NLP 任务上表现出色，如文本分类、命名实体识别、机器翻译等。大规模预训练：使用了超过 1000 亿个 tokens 的语料进行预训练，涵盖了多种语言和领域。多任务学习：在预训练过程中引入了多任务学习机制，使得模型能够更好地泛化到不同的任务。高效的训练策略：采用了混合精度训练和分布式训练等技术，显著提高了训练效率。
从零实现深度学习框架——N-Gram语言模型(一)
日积月累，天道酬勤
04-24 4072
主要介绍了N-Gram语言模型的基本知识。
[NLP] 实体链接论文阅读—Entity Linking for Chinese Short Texts Based on BERT and Entity Name Embeddings
VIPsucks的博客
12-23 4456
Entity Linking for Chinese Short Texts Based on BERT and Entity Name Embeddings 写在前面： 最近在阅读实体链接论文，实体消歧是实体链接必须有的步骤，而实体链接的前一步为实体识别，对于只想知道本文到底用什么方法进行实体消歧并实体链接的，请直接移步第三部分Model架构的描述。这次直接用raw markdown写了，尝试过...
语言模型|n-grams语言模型
fangyibo24的博客
09-15 2728
对于一个句子w1Nw_{1:N}w1N​w1w2w3wNw1​w2​w3​...wN​wiw_{i}wi​代表词，i12Ni12...N。在真实的语言模型中，wiw_{i}wi​也可以是token等形式，例如词语。句子w1Nw_{1:N}w1N​Pn−gramsw1N∏inNCwi−n1iCwi−n1i−1Pn−grams。
VILA - 一系列视觉语言模型
AI工程化、开源分享、文档翻译、代码笔记
01-18 2050
一、关于 VILA 💡新闻 性能 图像基准测试 视频基准测试 高效部署 推理性能 解码吞吐量（令牌/秒） TTFT（第一个令牌的时间）（秒） 二、VILA示例 1、视频字幕 2、语境学习 3、多图像推理 4、Jetson Orin上的VILA 5、VILA on RTX 4090 三、安装 四、训练 步骤1：对齐 步骤-1.5： 第二步：预训练 步骤3：监督微调 五、评估 六、推理 七、量化和部署 1、在桌面GPU和边缘GPU上运行VILA 2、在笔记本电脑上运行VILA 3、运行VILA API服务器
大语言模型-Transformer
与时俱进，一专多能。
06-21 2922
大语言模型-Transformer是深度学习在自然语言处理领域的里程碑式进展，极大地推动了语言理解和生成的技术。从基本的文本处理到复杂的对话系统，Transformer及其各种变体已经成为了现代NLP不可或缺的一部分。尽管存在一些挑战，但这些模型在多个任务上都已经取得了显著的成果，并且继续在人工智能领域发挥着重要作用。
Ollama--本地大语言模型LLM运行专家
tigerhhzz的博客
03-05 7579
Ollama是一个强大的运行AI模型的工具；Ollama支持多种开源模型，您可以通过访问ollama.ai/library来查看所有可用的模型，并使用ollama pull 来下载指定模型。此外，如果您想创建自定义模型，可以通过创建Modelfile并使用ollama create -f ./Modelfile来创建，并通过ollama run 来运行您的模型。Ollama 以其易用性、灵活性和强大的功能，为本地运行大型语言模型提供了一个理想的解决方案。
大语言模型-中文Langchain
yuetan的博客
04-19 6303
使用chatGLM6b + langchain实现本地化知识库检索与智能答案生成。
NLP-语言模型
Swayzzu的博客
11-15 4179
根据贝叶斯定理得来的。Noisy Channel Model，用于把信号源转换成文本。 可以适用于多个场景： 后面的p(text)是一个语言模型。保证输出的像人话，有正确的语法。 text：中文、正确的写法、文本、明文 source：英文、错误的写法 、语音信号、暗文 对应的分别是机器翻译、拼写纠错、语音识别、密码破解 NCM前半部分，是用来做翻译、纠错、识别、破解的，但不保证语法正确，因此需要语言模型。 语言模型用来判断：是否一句话从语法上通顺。 比如：今天是周日VS今天周日是..
九、N-gram语言模型
GUANGZHAN的专栏
09-08 5232
1.语言模型 语言模型的作用是根据文本输入 ，计算文本内容是句子的概率。 2 N-gram模型介绍 2.1 语言模型概念 如果我们有一个由m 个词组成的序列（或者说一个句子），我们希望计算句子的概率。根据链式规则，可得 根据马尔可夫假设可得： 2.2 N-gram模型简介 N-gram模型是一种语言模型（Language Model，LM），语言模型是一个基于概率的判别模型，它的输入是一句话（单词的顺序序列），输出是这句话的概率，即这些单词的联合概率（joint probability）。
精选资源
吴恩达-C5 序列模型-w2 自然语言处理与词嵌(课后编程2-Emojifier-V2模型)
01-17
吴恩达-C5 序列模型-w2 自然语言处理与词嵌(课后编程2-Emojifier-V2模型)
语音识别-浅谈语言模型
qq_39354864的博客
05-30 1297
语音识别-语言模型统计语言模型统计语言模型的定义统计语言模型的作用其他知识如何计算语言模型中的概率常见术语n-gram语言模型n-gram语言模型的估计 统计语言模型 统计语言模型的定义 统计语言模型是所有词序列上的一个概率分布： 统计语言模型的作用 1.计算任意词序列的概率，以便确定概率最大的词序列。 2.给定一个历史词序列，预测下一个出现概率最大的词，并计算这个概率。 假定s=(w1,w2,⋯ ,wn)\boldsymbol{s}=\left( w_1,w_2,\cdots,w_n\right)s=(w
视觉-语言模型：BLIP与Flamingo如何理解图文？
热门推荐
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
06-05 4万+
视觉-语言模型：BLIP与Flamingo如何理解图文？ ，人工智能，计算机视觉，大模型，AI，在当今人工智能飞速发展的时代，视觉 - 语言模型作为多模态领域的关键技术，正逐渐改变着我们与数字世界交互的方式。它们致力于打破图像与文本之间的模态壁垒，使计算机能够像人类一样，综合理解和处理视觉与语言信息。其中，BLIP 和 Flamingo 两款模型脱颖而出，以独特的架构和创新的训练方法，在图像描述生成、视觉问答、图文检索等任务中展现出卓越的性能。本文将深入剖析 BLIP 与 Flamingo 模型的工作原理。
【人工智能】【深度学习】④ Stable Diffusion核心算法解析：从DDPM到文本生成图像的飞跃
xiezhiyi007的专栏
12-02 1382
Stable Diffusion是AI绘画领域的革命性技术，其核心基于扩散模型：通过"拆快递"式的噪声添加（前向扩散）和"拼乐高"式的逐步去噪（逆向过程），实现从噪声到图像的构建。本文用快递分拣、乐高拼装等生活化类比，解析CLIP文本编码器（翻译文字指令）、VAE（图像压缩）和U-Net（智能拼图）三大核心组件。相比传统GAN模型，它避免模式崩溃，提升语义理解能力，成为文本生成图像的黄金标准。通过代码与架构图解析，帮助开发者快速掌握这项技术的核心逻辑。
深度学习1.4-pytorch安装
最新发布
诚朴勇毅
12-05 76
PyTorch 官方提供了几种安装方法，可以通过 pip 或 conda 进行安装。
深入浅出卷积神经网络（CNN）：从LeNet到Vision Transformer的演进及其实战应用
云雾J视界的博客
12-04 903
本文系统梳理卷积神经网络从LeNet到Vision Transformer的演进脉络，聚焦“为何选用ResNet而非VGG”这一典型面试问题，揭示其背后的技术选型逻辑。文章基于CVPR、ICLR等顶会论文及MLPerf等公开基准，深入剖析四代架构——奠基（LeNet/AlexNet）、深度爆发（VGG/ResNet）、效率觉醒（MobileNet）与注意力时代（ViT/ConvNeXt）的核心创新与工程权衡。
RNN、LSTM 区别
Bojun Jiang的博客
12-02 738
对比维度传统 RNNLSTM（长短期记忆网络）核心结构单一隐藏状态（h），无门控机制细胞状态（长期记忆）+ 隐藏状态（短期记忆）+ 3 个门控长距离依赖能力弱（梯度消失 / 爆炸，记不住长远信息）强（门控 + 细胞状态稳定传递长距离信息）参数复杂度低（结构简单，参数少）高（多了门控参数，计算量更大）训练难度易训练（参数少）但效果差（长序列）难训练（参数多、计算量大）但效果好（长序列）适用场景短序列数据（如 10 个词以内的短句、短时序）
深度学习1.1-软件安装-Anaconda软件与pyCharm软件安装
诚朴勇毅
12-03 597
为了研究深度学习与信号处理的结合，我又开始搞起了深度学习，博一的时候浅试过一次都失败了，这次打算学习一下Pytorch和一些最新的网络，好好做几篇论文。首先就是搭环境。我先安装了一个Anaconda，从网上搜了一大堆，我的理解是，Anaconda就是一个包管理器，因为pythoh版本太多了，而且要装的包也很多，各种包之间容易产生冲突，为了杜绝这个问题，我们可以安装一个Anaconda，它就像一个虚拟机，可以创建不同的操作系统，我们创建的不同任务和工程可以跑在不同的环境下。
[论文笔记] End-to-End Audiovisual Fusion with LSTMs
2302_76169191的博客
12-03 586
本文是《End-to-end visual speech recognition with LSTMs》的进阶篇。它将基于 LSTM 的端到端架构从视觉（Visual）扩展到了视听（Audiovisual）领域，并将任务从单纯的“说话内容识别”扩展到“语音识别和非语言发声分类”。
评论
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