深入比较:AI大模型中的LLM与多模态模型

多模态模型和大型语言模型(LLM):概念解析与实例探究 多模态模型是指那些能够处理并融合来自于不同数据源(或称“模态”)的信息的模型。这些模态可能是图像、文本、音频、视频等。这类模型背后的关键理念是人类的感知系统本质上是多模态的,我们往往依赖于视觉和听觉的结合来理解世界。在模拟这种感知过程的时候,多模态模型努力通过整合来自不同感官的数据,从而实现更加丰富和深入的数据理解。LLM,是那些专门为处理语言任务而设计的大型神经网络模型。这些模型通过在海量的文本数据上进行预训练,学习天然语言的结构、用法和语义,从而能够执行包括文本生成、翻译、摘要和问答等任务。 阅读详情

前言

随着人工智能技术的迅速发展,AI 大模型已成为当前研究的热点。其中,大型语言模型(LLM)和多模态模型(MMM)是最受关注的两种模型。它们各有优势,并在不同领域展现出强大的潜力,本文将探讨大型语言模型与多模态模型的特点、应用场景以及未来发展趋势!

图片

大型语言模型

Large Language Model

大型语言模型是一种基于深度学习的自然语言处理模型,通过训练大量的文本数据,使模型具备生成和理解自然语言的能力。LLM 的核心优势在于其强大的文本生成和语义理解能力。例如,GPT-3、4等模型已能生成高质量的文本内容,甚至能完成诗歌、小说等文学创作。

此外,大型语言模型在对话系统、机器翻译、问答系统等领域也有广泛应用。它们可以模拟人类的语言行为,实现更自然的交互。然而,大型语言模型仍面临一些挑战,如数据偏见、模型可解释性等问题。

图片

图片

LLaMA3:大型语言模型的新里程碑

其实,现如今-如此众多的 AI 大模型,大家都会迟疑反问到底哪一个 AI 大模型最有前景?

其实并不需要太过纠结于它们之间的异同,各自都有异曲同工之妙。考虑到其通用性,除了像专门研发那种大模型结构或者全训练的,也只有大厂具备这个硬性资源了。

现在大部分用大模型做应用的居多,RAG 或者 Agent,加上一些微调。当然,在垂直方向上满足用户贴切使用场景,使得占据资源更轻量级,易可用,易维护也是一个重要考虑的点… …

像 Meta 4.19 最近更新的开源模型 Llama3:

在这里插入图片描述

上述就是 Ollama 支持的众多模型,通过 Ollama 在本地就可以简单运行 llama。在 windows 下可通过 docker 工具搜索并下载镜像搭载 web ui.

在这里插入图片描述

当然,也可通过 docker 命令行执行下载镜像搭载 web ui.

在这里插入图片描述

其 Web 界面 UI 与 ChatGPT 等产品 UI 类似:

在这里插入图片描述

温馨提示:参考资料请详见官网及 Github 仓库><

https://ollama.com/
https://github.com/ollama/ollama#/
https://github.com/open-webui/open-webui

多模态模型

Multimodal Model

多模态模型是一种能够处理多种类型数据(如文本、图像、音频等)的 AI 模型。与大型语言模型不同,多模态模型更注重跨模态信息的融合与交互,这使得 MMM 在处理多媒体内容、实现人机交互等方面具有独特优势。

例:在图像识别领域,多模态模型可以将图像与文本信息相结合,提高识别准确率。在智能客服领域,MMM 可以实现语音、文字等多种交互方式,为用户提供更便捷的服务。然而,多模态模型也面临着数据融合、模型复杂度等方面的挑战。

在这里插入图片描述

LLM 大型语言模型 VS 多模态模型

大型语言模型和多模态模型各有千秋,它们在各自的应用领域发挥着重要作用。然而,随着AI技术的不断发展,两者之间的较量也日益激烈。

在应用场景方面,大型语言模型在文本生成、语义理解等方面具有优势,而多模态模型则在跨模态信息融合、人机交互等方面表现出色。这意味着,在某些特定场景下,一种模型可能更具优势。因此,如何根据实际需求选择合适的模型成为了一个关键问题。

在技术发展趋势方面,大型语言模型和多模态模型都在不断进化。随着模型规模的扩大和算法的优化,它们的性能将进一步提升。

此外,随着多模态数据集的日益丰富,多模态模型在处理跨模态信息方面的能力也将得到增强。总之,大型语言模型和多模态模型在 AI 领域都具有重要地位。它们各有优势,并在不同场景下展现出强大的潜力。

未来,随着技术的不断发展,这两种模型将在更多领域得到应用,并推动人工智能技术的不断进步。同时,我们也应关注它们面临的挑战,如数据偏见、模型可解释性等,以确保 AI 技术的健康发展!

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的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。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

大语言模型 (LLM) 与多模态大模型 (MLM) 模型 (Model):在人工智能中,模型是一个从数据中学习而来的数学函数或程序,用于处理特定任务(如图像分类、文本翻译)。它由参数 (Parameters)组成,这些参数是在训练过程中调整的数值,决定了模型的行为。大模型 (Large Model):通常指参数规模巨大(达到数十亿甚至万亿级别)、训练数据量海量、需要巨大计算资源训练的模型。其“大”不仅指尺寸,更意味着一种能力的涌现 (Emergent Ability) 阅读详情

相关推荐

AI大模型专题:多模态,AI大模型新一轮革命

今天分享的是深度研究报告:《页。

weixin_54883418的博客 1046

一文说清楚什么是多模态大模型,与大模型有什么区别

多模态大模型(LMMs)是能够理解和处理各种输入形式的 AI 模型。这些输入包括各种“模态”,如图像、视频和音频。模态是 AI 模型的数据。LMMs 模仿了人类与世界互动的方式。一个多模态系统可以在多种模态下生成输入和处理输出。例如,Gemini,由google开发的一个语言模型,可以通过将其训练过程整合不同类型的数据(如文本、视频和音频)来在多种模态下生成输入和处理输出,从而以多模态的方式理解和生成内容。假设你有一个超级聪明的机器人助手,它是一个多模态大模型。

2401_85325726的博客 1万+

大模型入门-中国人工智能大模型技术白皮书,从0入门大模型,附文档+LLM实战教程

1.1 大模型技术的发展历程 …51.2 大模型技术的生态发展 …91.3 大模型技术的风险与挑战 …118.1 协同多方合作,共同推动大模型发展 …958.2 建立大模型合规标准和评测平台 …968.3 应对大模型带来的安全性挑战 …978.4 开展大模型广泛适配,推动大模型技术栈自主可控…98大模型发展历程。

lhx17673139267的博客 1347

AI 大模型 | LLM 大型语言模型 VS 多模态模型

随着人工智能技术的迅速发展,AI 大模型已成为当前研究的热点。其中,大型语言模型(LLM)和多模态模型(MMM)是最受关注的两种模型。它们各有优势,并在不同领域展现出强大的潜力,本文将探讨大型语言模型与多模态模型的特点、应用场景以及未来发展趋势!

xxue345678的博客 3457

多模态大模型(LMMs)与大语言模型(LLMs)的比较

现在的大模型分为两大类:大语言模型(Large Language Models,简称LLMs)和多模态大模型(Large Multimodal Models,简称LMMs)。本文将从基础定义、输入数据、应用场景、训练过程这几方面讨论下两者的区别。LLMs (Large Language Models, 大型语言模型)- 深度学习的应用之一,是基于深度学习的大规模机器学习模型,通常由数十亿到数万亿个参数构成,专门设计用于处理自然语言处理任务。

大F子的智能小课 1万+

从AI人工智能LLM大型语言模型到通用人工智能AGI “世界模型”的演进路径

在当前人工智能技术飞速发展的背景下,探索通用人工智能的构建之路是一个刻不容缓的任务。除了LLM之外,我们还需要更加先进的技术手段来实现通用人工智能。虽然AGI看起来遥不可及,但我们相信,只要不断努力,通用人工智能终将成为现实。

AI天才研究院 1万+

初识AI大模型之AI大模型常见名词介绍

1.1.1 AI 人工智能AI,人工智能(Artificial Intelligence),是使计算机或机器能够执行通常需要人类智能的任务的能力。这些任务包括学习、推理、问题解决、感知、理解语言和适应新情况等。AI的应用范围广泛,从简单的任务自动化到复杂的决策支持系统,影响到多个领域,如医疗、金融、自动驾驶、自主机器人等。智能的构成:学习:从数据中获取知识或技能,通常涉及机器学习算法。推理:基于已知信息得出新结论,通过逻辑推理或规则推导。

2401_85325726的博客 2179

AI人工智能领域多模态大模型的技术瓶颈与解决方案

本文旨在全面分析当前多模态大模型发展中的关键技术瓶颈,并提出切实可行的解决方案。研究范围涵盖自然语言处理、计算机视觉、语音识别等多个模态的融合技术,重点关注模型架构、训练方法和应用场景等方面的创新突破。文章首先介绍多模态大模型的基本概念和发展现状,然后详细分析技术瓶颈,接着提出系统性的解决方案,最后探讨未来发展方向。文中包含理论分析、数学推导、代码实现和实际案例,确保内容的全面性和实用性。多模态大模型:能够同时处理和融合多种数据模态(如文本、图像、音频等)的大规模预训练模型模态对齐。

AI 领航者的博客 1928

AI大模型入门:从LLM到多模态,一文掌握大模型核心知识

本文系统介绍大模型概念与分类,强调开源模型对普通人的商业价值。详细解释多模态大模型以大语言模型(LLM)为基座构建的特点:LLM作为"大脑"负责思考推理,多模态组件作为"眼睛耳朵"处理图像声音等数据。大模型发展迅速,以"周"为单位更新,值得关注。

weixin_72959097的博客 898

AI LLM人工智能大模型介绍:走向智能的下一步

AI LLM人工智能大模型介绍:走向智能的下一步 1.背景介绍 1.1 人工智能的发展历程 人工智能(Artificial Intelligence, AI)是一个旨在使机器能够模仿人类智能行为的广阔领域。自20世纪50年

AI天才研究院 1203

深入剖析:功率放大电路设计精髓——从理论到实践

输入信号首先被调制(通常是PWM脉宽调制)成高频开关信号,驱动功率开关管(MOSFET),再通过LC低通滤波器滤除高频分量,还原出放大的音频信号。在靠近功放板电源引脚处放置足够容量的电解电容(如100uF - 1000uF)和高频瓷片电容(如0.1uF)并联进行电源去耦,抑制低频和高频干扰,防止低频振荡(Motorboating)和高频自激。,堪称电子世界里的“能量转换器”。当输入信号在零附近(即两个器件切换导通的区域)时,由于器件的开启电压(Vbe或Vgs)不为零,输出波形会出现明显的衔接不流畅的失真。

Zihan2558的博客 1699

LLM大模型:聊聊多模态大模型处理的思考

最终来看,第一个方案肯定是最合适的;但如果对于选型的大模型不支持多模态的情况下,考虑开源实现或是第二张方案,但要综合调研其带来的影响,并不是简单的转文本就行。第三种,目前我没有找到合适的Embedding模型支持多模态,后续继续探讨挖掘下。

DEVELOPERAA的博客 1153

人工智能训练师技能等级认定四级技能考核试卷-样题4

本文为人工智能训练师四级技能考核试卷,包含六个实操考核项目,总时长150分钟。考核内容涵盖:1)车牌数据集规范评估与格式处理;2)车牌数据集采集代码修改与数据处理;3)房价预测数据集加载、预处理与可视化分析;4)车牌标注数据集审核与修正;5)螺丝螺母检测数据集的平台创建与共享;6)螺丝螺母数据的去噪处理与标注优化。要求考生使用Python编程、数据处理平台和标注工具完成各项任务,重点考察数据加载、格式转换、缺失值处理、数据可视化、标注审核及平台操作等技能。所有操作需在配备Python3.7和深度学习平台的W

weixin_42221934的博客 351

大模型开发 - 22 Multimodality API:多模态大模型与 Spring AI 的融合

凡自然相联之物,皆应结合教授。—— 约翰·阿摩司·夸美纽斯(John Amos Comenius),《世界图解》(Orbis Sensualium Pictus),1658 年这句话穿越近四个世纪,至今仍闪耀着教育与认知科学的智慧光芒。人类的学习与认知从来不是单一感官的孤立活动——我们通过视觉、听觉、语言、触觉等多种感官通道同时接收和整合信息,构建对世界的理解。然而,在人工智能的发展历程中,很长一段时间内,机器学习模型却往往被设计为单模态专家。

小工匠 1718

FR4板材实战:用ADS 2023快速设计微带线低通滤波器(附Line-Cal计算技巧)

本文详细介绍了使用ADS 2023在FR4板材上设计1-3GHz微带线低通滤波器的工程技巧。通过Line-Cal工具快速计算微带线参数,解决FR4板材的介质损耗和阻抗匹配问题,提供从集总参数转换到分布参数的实用方法,并分享版图设计与实测验证的关键要点,帮助工程师高效完成射频滤波器设计。

omega的博客 714

Windows+VSCode+Cline+MCP全流程配置指南

本文提供了一份详细的Windows+VSCode+Cline+MCP全流程配置指南,旨在帮助开发者打造高效的AI辅助编码工作站。文章从环境准备讲起,逐步指导安装VSCode、配置Cline插件、搭建Node.js环境,并重点详解如何通过MCP为Cline集成文件系统和GitHub等工具服务器,实现用自然语言操控开发环境,从而显著提升日常编码与文件管理效率。

weixin_28840143的博客 554

AI 大模型 | LLM 大型语言模型 VS 多模态模型_大语言模型和多模态模型

随着人工智能技术的迅速发展,AI 大模型已成为当前研究的热点。其中,大型语言模型(LLM)和多模态模型(MMM)是最受关注的两种模型。它们各有优势,并在不同领域展现出强大的潜力,本文将探讨大型语言模型与多模态模型的特点、应用场景以及未来发展趋势!【一一AGI大模型学习 所有资源获取处一一】①人工智能/大模型学习路线②AI产品经理入门指南③大模型方向必读书籍PDF版④超详细海量大模型实战项目⑤LLM大模型系统学习教程⑥640套-AI大模型报告合集⑦从0-1入门大模型教程视频。

lyy2017175913的博客 1293

RK3568平台(平台总线篇)Gsensor STK8BA50

Gsensor,即加速度传感器(Accelerometer),是一种用于测量物体加速度的电子设备。以下是其关键点:1.工作原理MEMS技术:大多数Gsensor基于微机电系统(MEMS),通过检测质量块的位移来测量加速度。压电效应:部分Gsensor利用压电材料在受力时产生电压的特性来测量加速度。2.主要功能加速度测量:测量物体在X、Y、Z三个方向上的加速度。倾斜检测:通过重力加速度判断设备的倾斜角度。运动检测:识别设备的运动状态,如静止、移动、晃动等。震动检测:感知设备的震动或冲击。

weixin_49303682的博客 482

大模型 | 什么是多模态AI?如何融合和对齐?

多模态人工智能利用来自多个不同模态(如文本、图像、声音、视频等)的数据进行学习和推理。多模态人工智能强调不同模态数据之间的互补性和融合性,通过整合多种模态的数据,利用表征学习、模态融合与对齐等技术,实现跨模态的感知、理解和生成,推动智能应用的全面发展。接下来分三部分:_数据采集与表示、数据处理与融合、学习与推理,一起来科普下多模型的基本术语。多模态学习(Multimodal Learning)是一种利用来自不同感官或交互方式的数据进行学习的方法,这些数据模态可能包括文本、图像、音频、视频等。

star_nwe的博客 4241

openclaw-cn : 无法将“openclaw-cn”项识别为 cmdlet、函数、脚本文件或可运行程序的名称 解决方案

本文主要介绍了openclaw-cn : 无法将“openclaw-cn”项识别为 cmdlet、函数、脚本文件或可运行程序的名称解决方案,希望能对使用openclaw-cn的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 10万+

第 1 篇:对象池模式 (Object Pool) —— 裸机下的动态内存革命

摘要:嵌入式开发中频繁malloc/free会导致内存碎片和性能问题。对象池模式通过预分配固定大小内存块和位图管理,实现O(1)时间复杂度的内存分配/释放。相比malloc,对象池具有无碎片、确定性执行时间、更低内存开销等优势,尤其适合实时系统。文章详细解析了基于位图的对象池实现原理,包括核心数据结构、高性能索引算法和关键API设计,并对比了空间/时间开销,最后讨论了零拷贝队列、调试水印等进阶用法。该模式能显著提升嵌入式系统的内存使用效率和稳定性。

一路往蓝-Anbo 的博客 427

【LLM大模型】人工智能大模型技术白皮书,从0入门大模型,附文档+LLM实战教程

中国人工智能学会发布了《中国人工智能大模型技术白皮书》,系统梳理了大模型技术演进,深入探讨关键技术要素,并剖析当前挑战及未来展望。 我为大家做了简要总结,并附上文档分享给大家。

Y525698136的博客 1475

团体程序设计天梯赛竞赛题--登顶题【L3-034 超能力者大赛】

登顶级 3 道题,每道题 30 分,满分为 90 分。

Pretty Boy Fox的博客 725

多模态大模型:视觉模型与LLM的结合之路一:Blip2、LLaVA

模型结构上:LLaVA仅用简单的线性链接层就完成了视觉模型与LLM的结合,结合方法简单但有效。 训练数据上:LLaVA给出了一种使用ChatGPT造训练数据的方法。虽然类似的方法在语言大模型的训练中较为常见,但该文是在多模态大模型上的首次尝试。 训练方法上:作者先采用了大量的易学数据训练少量参数让模型学会认图,再用少量难学的数据训练大量参数让模型学会基于图像的多轮对话和逻辑推理能力。

2067

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

你不懂LLM大模型,但是你一定要懂AI Agent(附教程)

《动手做AI Agent》是一本由黄佳老师创作的新书,旨在从零开始手把手教读者制作AI Agent。书中不仅介绍了Agent的定义、特性与技术架构,还详细讲解了构建Agent的AI技术工具,并以7个实战项目展示了Agent开发的方法。

DEVELOPERAA的博客 1052

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")

上一篇: 惊人现象!AI大模型如何伪造法条
下一篇: 斯坦福开源新突破:百行代码助H100性能提升30%
AI大模型_学习君
博客等级 码龄3年 6138粉丝 551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
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