百度文心一言用户破 2 亿,李彦宏:文心大模型已成中国最领先的 AI 基础模型

文心一言与千帆大模型平台的区别:探索百度AI生态的双子星 随着人工智能技术的迅猛发展,越来越多的公司开始投入资源开发自己的AI解决方案。在中国,百度作为互联网巨头之一,不仅在搜索引擎领域占据重要位置,还在AI领域取得了显著成就。其中,“文心一言”和“千帆大模型平台”便是百度在自然语言处理(NLP)领域的两项重要成果。虽然它们都出自百度之手,但在功能定位和应用场景上有着明显的区别。 阅读详情

过去,开发者用代码来改变世界,未来,自然语言将成为通用的编程语言。

用代码书写历史的程序员会被 AI 取代吗?一个全知全能的大模型能适配一切吗?大模型成本过高怎么办?在这个 AI 时代,什么样的工具才能被称为最好用的工具?

这些问题,并非空中楼阁,而是每一个身处技术浪潮中我们所关心的现实问题。

在这里插入图片描述

幸运的是,在今天举行的 2024 百度 Create AI 开发者大会上,李彦宏的主题演讲也许能够帮助我们找到答案,或者至少是通往答案的线索。

在不久的将来,通过 AI 的力量,我们可以打破传统的编程壁垒,让每个人都能够通过自然语言与计算机进行交流,就像与另一个人交谈一样自然和直观。

只要会说话,就可以成为一名开发者

以后不会存在程序员这种职业了,只要会说话,人人都会具备程序员的能力。

上个月,在接受央视《对话》的采访时,李彦宏笃定地如上说道。今天,李彦宏也再次重申了这一点,未来开发应用甚至就像拍短视频一样简单,人人都是开发者,人人都是创作者。

在过去一年的实践中,百度踩了无数的坑,交了高昂的学费,但正是这些经历,让百度找到了属于自己的 PMF,也奠定了未来的发展方向。

在李彦宏看来,百度的角色定位就是尽可能为大家提供必要的开发工具,不断地提升整个社会的创造力。为此,百度不仅推出了强大的基础模型——文心大模型系列,还开发了基于大模型的应用定制工具。

自去年 3 月 16 日文心一言上线以来,经过一年零一个月的发展,它的用户数量突破了 2 亿大关,每天 API 的调用量达到了惊人的 2 亿次,服务客户数达到了 8.5 万,通过千帆平台开发的 AI 原生应用数量更是超过了 19 万。

从 3.0 版本到 3.5 版本,再到现在 4.0 版本,智能化水平不断提升的文心一言正在逐步走进千家万户,改变着人们的工作和生活。

在广告行业,从业人员可以利用它整理资料大纲,将原本需要沟通 5 到 6 轮的提案过程缩短到了 3 轮以内,大大节省了宝贵的时间。同时,它还能快速润色创作内容,激发出更多的创意和想法。

设计师们也通过使用文心一言的 AI 绘画功能寻找灵感,让不同年龄段的爱好者跨越年龄界限,共同创作出更好的作品。

基于文心大模型的智能代码助手 Comate,不仅支持 100 多种语言和所有的 IDE(集成开发环境)平台,还可以深度解读代码库、关联私域知识生成新的代码。

上线一年多,Comate 生成代码的采纳率达到 46%;在百度每天新增的代码中,已有 27% 是由 Comate 自动生成的。

在这里插入图片描述

在发布会现场,李彦宏还正式官宣推出文心大模型 4.0 的工具版。

现在,用户可以在工具板上体验代码解释器的功能,通过自然语言交互就能够实现对复杂的数据和文件的处理和分析。

它甚至能够生成图表和文件,帮助用户洞察数据的特点,分析变化趋势,为后续的决策提供高效和精准的支持。

李彦宏在发布会上表示,文心大模型已经成为了中国最领先、应用最广泛的 AI 基础模型。与一年前相比,文心大模型的算法训练效率提升了 5.1 倍,周均训练有效时间达到了 98.8%,推理成本更是降至原来的 1%。

在这里插入图片描述

李彦宏手把手教你用三大 AI 开发者神器

大语言模型本身并不直接创造价值,基于大模型开发出来的一些应用,才能满足真正的市场需求。

李彦宏在发布会提出了 AI 领域未来发展的三大判断。

首先,未来大型的 AI 原生应用,基本上都是 MoE 架构,大小模型的混合使用,能够在保证效率的同时兼顾成本,实现最优的应用性能。

其次,小模型具有成本低,响应速度快的优势,在特定的应用场景中,经过蒸馏精调后的小模型,其性能甚至可以媲美大模型,这一点,早在 Mistral AI 的模型上就已经得到充分的证明。

然后,智能体能力的提升会催生出来大量 AI 的原始性应用,使得机器能够像人一样可以进行思考和行动。

对此,百度精心推出了三款开箱即用的 AI 开发者神器,分别是智能体开发工具 AgentBuilder、AI 原生应用开发工具 AppBuilder、以及更专业,支持各种尺寸模型定制的开发工具 ModelBuilder。

Agent Builder 的核心理念是零门槛。即便是不懂编程的代码小白,也可以利用文心智能体平台的零代码模式,通过简单的自然语言交互,创建出属于自己的智能体。

在这里插入图片描述

例如,我们可以创建一个新加坡旅游局的智能体,然后再利用自然语言设定提示词,设定它的功能范围,使其成为一个贴心的旅游搭子。

得益于携程等旅游服务的接入,Agent Builder 开发的智能体能够为用户提供更加全面和便捷的旅游服务。无论是酒店预订、景点推荐还是票务服务,都能通过智能体得到有效的整合和提升。

更重要的是,百度搜索、贴吧、小度、地图等产品都具备接入智能体的能力。比如在百度搜索新加坡旅游方案,它甚至能直接汇总几个链接的内容,为用户提供精确的答案。

这种智能体的集成,不仅提升了用户体验,也为开发者解决了流量分发的问题,帮助他们获得实质性的收益。随着智能体的不断迭代和优化,它们的功能将越来越强大,越来越聪明。

号称目前最好用的 AI 原生应用开发工具 AppBuilder 则是百度推出的第二款 AI 开发者神器。

百度提前封装和预制了开发 AI 原生应用所需要的各种组件和框架,大幅度的降低了开发门槛。用李彦宏的话来说,最快只需要三步,开发者就可以用自然语言开发出一个 AI 原生应用。

今年年初,百度举办了一期 AI 原生应用的开发挑战赛。赛题就是打造一款游乐场的排队规划助手,帮助用户设计出个性化的游玩路线。最终夺冠的选手连一行代码都不用写,成功开发出了相应的应用。

华北电力大学则是在智能体的基础能力之上,结合 AI 优化配置的功能,打造了一个华电 AI 助理。这款助理能够轻松应对校园生活中的各种高频场景,如查询校园制度、浏览课程表、充值饭卡、借阅图书等。

百度文库则在多模态技术的深厚积累下,通过 AI 重构,成为了内容创作的新起点。其最新推出的智能漫画和画本的生成工具,让每个有创意的人都能轻松做出好作品。

以传统的周处除三害故事为例,用户只需在百度文库中搜索相关主题,工具便能根据原文故事情节自动生成分镜,并绘制出满足用户需求的漫画,让传统故事焕发出新的生命力。

睡前故事听腻了,父母也能利用百度文库的 AI 画本功能,为孩子创作一个专属的儿童画本,让阅读成为一种全新的亲子互动体验。

对于开发者而言,掌握大模型的精调方法至关重要。百度推出的 ModelBuilder 工具,正是为了满足专业开发者的这一需求。

ModelBuilder 能够根据开发者的具体需求,定制任意规模的模型,并对模型进行细分场景的深度精调,以实现最佳的性能表现。

ModelBuilder 集成了包括文心大模型系列在内的 77 款精选大模型,并提供了全流程的模型工具链。同时,它还提供丰富的 SDK 和全栈 API 能力,能够完成一站式的模型精调。

此外,ModelBuilder 还提供了模型精调样板间,在 ModelBuilder 官网即可查看高频场景样板间,开发者只需要跟着样板间一步一步精调,就能做出一模一样的专业模型。

正如上文所提到,大型的 AI 原生应用,一般都是 MoE 架构。那么如何组合使用这些模型才能获得最好的性价比呢?

为了更直观展示这一概念,李彦宏用大模型加持的小度给我们展示了一番。

无论是实时搜索信息、播放新闻,还是处理复杂的行程规划,小度都能通过调用不同的模型来高效完成。

值得一提的是,在本次发布会上,小度科技也宣布推出了「全球首个 AI 原生操作系统」——DuerOS X。

该操作系统依托于百度文心大模型,并在此基础上进行了深度优化,使得其在多模态感知与人性化表现方面取得了「显著进展」,能够实现小度设备全天候免唤醒的语音交互功能,号称实现「唤醒识别率高达 99% 以上,理解并满足用户需求的能力超过 95%」。

多模态被广泛认为是迈向 AGI 的必由之路。基于这样的理念,百度利用超过 1 亿公里的中国复杂的城市道路的测试里程数据,成功训练出了 Apollo 视觉感知大模型。

随着全球最大规模、覆盖 360 万公里道路的车道级地图数据的上线,百度地图导航能去的地方,智驾也能到达。

在这里插入图片描述

正如李彦宏所言,今天的中国有 10 亿互联网用户,有强大的基础大模型,有足够多的 AI 应用场景,有全球最完备的产业体系,为中国的 AI 发展提供了坚实的基础和无限的可能性。

在这样的大背景下,比起一窝蜂地跟随底层大模型的热潮,不追求短期的喧嚣和热闹,找到更契合实际的应用场景,让 AI 技术真正落地无疑是一种更为明智和务实的策略。

从文心大模型的发展思路,到为开发者量身打造的三大 AI 神器,我们看到了百度对技术创新和开发者需求的深刻洞察。这次的主题演讲,不仅展示了百度的技术实力,也向我们揭示了百度未来 AI 发展的明确方向。

在 AI 的浪潮中,百度正以稳健的步伐,全力寻找属于自己的节奏和方向。

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】

123?spm=1001.2014.3001.5501)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

文心一言产品拆解调研报告 产品名称: 文心一言公司: 百度产品类型: 大规模语言模型 (LLM)、生成式AI平台发布时间: 2023年3月版本迭代1.0版本于2019年发布,文心大模型自此开始了它的发展历程3.5版本发布于2023年5月,着重在理解、生成、逻辑推理和记忆等方面进行了优化4.0版本发布于2023年10月,百度创始人李彦宏曾表示,文心4.0的能力已不逊色于GPT-4。文心4.0在多风格图像生成、内容理解和记忆等方面大幅度提升4.0 Turbo是最新的增强版本,于2024年6月28日发布。 阅读详情

相关推荐

Transformer时间序列预测-多变量输入-单变量输出+多变量输出,完整代码数据,可直接运行

Transformer时间序列预测-多变量输入-单变量输出+多变量输出,完整代码数据,可直接运行

9792

百度文心一言与Notion的比较(机器人通信的例子)

体验Notion+AI的强大

深度学习领域优质创作者,优快云博客专家 1万+

基于51单片机的校园教室打铃系统(代码+仿真+电路图超级全)

本资源主要基于51单片机实现的校园打铃系统设计,实现了基本的上下课打铃功能。本设计基于51单片机,使用单片机定时计数器及LCD1602接口实现实时时钟显示,并可设置三组的上下课作息时间,到时间控制蜂鸣器打铃,同时红色LED发光二极管点亮,液晶屏显示打铃状态(上课/下课)

文心一言是什么,文心一言怎么用

百度在人工智能领域深耕十余年,拥有产业级知识增强文心大模型ERNIE ,具备跨模态、跨语言的深度语义理解与生成能力。随后,《澎湃新闻》将体验“文心一言”的全面能力,应用百度先进的智能交互技术成果,打造内容生态人工智能全系产品和服务。百度在人工智能领域深耕十余年,具有产业级知识增强文心大模型ERNIE,具备不同模式、不同语言之间的深层语义理解和生成能力。3、截至目前,已加入百度“文心一言”生态圈,获得这一先进AI技术的“加持”。2、据悉,《文心一句》做了上线前的冲刺,将于3月完成内测,面向公众开放。

神经网络爱好者 9015

Xilinx Vivado LDPC IP core,TSN IP core. 各种IP core

Xilinx Vivado LDPC IP core,TSN IP core. 各种IP core

qq_1432825237的博客 3989

八大排序算法——(万字图文详解)

本篇博客将对“直接插入排序”、“希尔排序”、“直接选择排序”、“堆排序”、“冒泡排序”、“快速排序”、“归并排序”、“计数排序”进行详细的解析(算法逻辑、具体实现过程、时间复杂度、稳定性),并附以图片帮助大家更好地理解算法逻辑以及实现每个排序的参考代码。

Forward♞的博客 8075

百度文心一言用户破 2 亿,李彦宏:文心大模型已成中国最领先的 AI 基础模型!

过去,开发者用代码来改变世界,未来,自然语言将成为通用的编程语言。用代码书写历史的程序员会被 AI 取代吗?一个全知全能的大模型能适配一切吗?大模型成本过高怎么办?在这个 AI 时代,什么样的工具才能被称为最好用的工具?这些问题,并非空中楼阁,而是每一个身处技术浪潮中我们所关心的现实问题。幸运的是,在今天举行的 2024 百度 Create AI 开发者大会上,李彦宏的主题演讲也许能够帮助我们找到答案,或者至少是通往答案的线索。

python123456_的博客 702

微型纵向加密在新能源场站中的实战部署与运维避坑指南

本文详细解析了微型纵向加密在新能源场站中的实战部署与运维技巧。通过国密算法SM4实现数据加密,确保新能源场站通信安全,同时提供非侵入式部署方案和运维避坑指南,帮助提升网络稳定性和运维效率。

weixin_30505225的博客 595

文心一言来了!李彦宏:百度是全球大厂中第一个做出来的!

整理 |郑丽媛 屠敏出品 | 优快云(ID:优快云news)对于昨日 GPT-4 的意外发布,相信多数人都有如下想法:1、多模态大模型 GPT-4 真的很强大!2、恰好赶在了文心一言发布前夕,百度要如何应对压力?蓄势了一个多月,承载着无数人或期盼或好奇的目光,“国产版 ChatGPT”「文心一言」今天终于正式亮相!“「文心一言」并不完美,大家想要将其对标 ChatGPT,甚至是 GPT-4,...

优快云资讯 2万+

uniapp APP分享;判断用户是否安装APP,已安装直接打开,未安装跳转下载页;uniapp 在外部打开APP(schemes)

A将某商品分享给B,B点击后判断是否安装APP,若安装直接打开,没有安装则跳转下载页;

@微你 5680

MySQL等保三级合规实践:如何安全配置root账户的本地与受信主机登录策略

本文详细介绍了MySQL在等保三级合规框架下如何安全配置root账户的本地与受信主机登录策略。通过分析root账户的特殊保护需求,提供三种安全加固方案,包括限制访问范围、限定登录IP和完全禁止远程登录,并指导创建安全的远程管理账户。文章还涵盖了密码策略强化、日志审计配置和网络层防护等关键合规要求,帮助用户实现MySQL的等保三级全面合规。

weixin_42522964的博客 259

文心大模型4.0亮相2023百度世界大会,助力各赛道应用进一步发展

百度于10月17日在北京举办的2023世界大会标志着其四年来首次回归线下举办,这场盛会吸引了全球众多AI领域的专家、学者和企业代表。在本次大会上,百度进一步发布了文心一言4.0版本,并开启邀请测试。这一版本的发布将进一步提升百度产品的智能化程度和用户体验,为用户提供更加便捷、高效的服务和体验。

黑夜开发者的博客 1939

数字电路基础(CMOS电路、低功耗方法)

文章目录一、CMOS器件1.1.CMOS反相器1.2. CMOS与非门1.3.CMOS或非门1.4 CMOS与门和CMOS或门二、CMOS电路参数——功耗 一、CMOS器件 1.1.CMOS反相器 CMOS反相器实现非门功能,由一个PMOS管和一个NMOS管组成,其逻辑电路图如下: 其真值表如下: In PMOS NMOS Out 0 √ 导通 ×关闭 1 1 ×关闭 √...

Mr.翟的博客 1万+

李彦宏发布文心大模型4.0工具版:称开源模型会越来越落后

Create 2024百度AI开发者大会今日在深圳举办。百度创始人、董事长兼首席执行官李彦宏发表了题为《人人都是开发者》的主旨演讲。他认为,大模型和生成式AI将彻底改变开发者这个群体。“AI正在掀起一场创造力革命,未来开发应用就像拍个短视频一样简单,人人都是开发者,人人都是创造者。“未来,自然语言将成为新的通用编程语言,你只要会说话,就可以成为一名开发者,用自己的创造力改变世界。

weixin_59191169的博客 1082

海康VisionMaster与西门子Smart 200进行S7通信

海康VisionMaster与西门子Smart 200进行S7通信

haier123888的博客 8177

120、ISP 驱动架构解析:从 V4L2 请求到 ISP 硬件的配置下发流程

本文以实际案例解析ISP驱动架构的V4L2到硬件配置下发流程。作者通过一个因内存共享导致画面闪烁的bug案例,详细剖析了用户空间参数通过V4L2结构体传递、驱动层拆包与硬件寄存器映射、时序同步机制等关键环节。特别强调深拷贝、dirty flag增量更新、shadow register等实现要点,并给出多路并发隔离、寄存器写入失败等典型问题的排查方法。文章建议开发者深入理解参数到寄存器的转换过程,推荐通过debugfs实时监控寄存器状态,避免过度依赖自动调试工具。全文以实践为导向,对ISP驱动开发具有直接指导

sundong_81的博客 159

2024百度Create大会:李彦宏带来三大AI开发工具,让人人都是开发者

今天的中国,有10亿互联网用户,有强大的基础大模型,有足够多的AI应用场景,有全球最完备的产业体系,国家也在大力鼓励和支持“人工智能+”行动,每一个人,每一家企业,只需要充分利用这些工具,就可以释放无限的创造力和生产力。有分发,就会有数据反馈;今天,我们提给小度的每个问题,都会这样分配给不同模型来执行,调用应用的API接口时,会用ERNIE Functions模型,给孩子讲题时,用文心大模型3.5或4.0,智能助理的打造则用了ERNIE Character模型,提高人设一致性、激发用户聊天欲望。

mrjieke6的博客 2437

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

李彦宏:三个工具让人人都是开发者,开源模型会越来越落后

4月16日,Create 2024百度AI开发者大会在深圳举办。百度创始人、董事长兼首席执行官李彦宏发表了题为《人人都是开发者》的主旨演讲。他认为,大模型和生成式AI将彻底改变开发者这个群体。

优快云资讯 1万+

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

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")

“干掉程序员”,百度是认真的!发布三大开发工具和全新操作系统,李彦宏:只要会说话就会干开发

基本上以后不会存在‘程序员’这种职业了,因为只要会说话,人人都会具备程序员的能力。”百度创始人、董事长兼 CEO 李彦宏在 3 月份接受央视采访时表示。而在 4 月 16 日的 2024 百度 Create 开发者大会上,李彦宏再次强调了这个观点:“过去,开发者用代码改变世界;未来,自然语言将成为通用编程语言。你只要会说话,就可以成为一名开发者,用自己的创造力改变世界”。

IT界那些事儿 5530

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

【探索科技 感知未来】文心一言大模型

文心一言大模型是由中国科技巨头百度公司研发的一款大规模语言模型,其基于先进的深度学习技术和海量数据训练而成。这款大模型具备强大的自然语言处理能力,可以理解并生成自然语言,为用户提供自然、流畅的语言交互体验。文心一言大模型涵盖了多种应用场景,如智能问答、文本生成、对话生成、简历筛选、PPT制作等,旨在为用户提供便捷、智能的服务。

微笑的段嘉许的博客 2582

为了推AI,百度创始人李彦宏又双违法了

他很自豪地宣布,相比前一年,文心大模型的算法训练效率提升到了原来的5.1倍,周均训练有效率达到98.8%,推理性能提升了105倍,推理的成本降到了原来的1%。显然,李彦宏说文心一言已成为中国“最领先、应用最广泛”的AI基础模型,连用了两个“最”,违反了《广告法》。为了突出文心一言的先进,李彦宏还在会上表示,“因为有了基础模型文心4.0,我们可以根据需要,兼顾效果、响应速度、推理成本等各种考虑,裁剪出适合各种场景的更小尺寸模型,并且支持精调和post pretrain。这样通过降维裁剪出来的模型,

蓝鲨财经社是一家追求最新的AI技术与财经商业领域结合的自媒体。通过灵活使用人工智能技术,提供专业、独到、有料的财经资讯和资源,涵盖硬科技、金融、教育、医药等领域。 1128

百度Create大会:李彦宏带来三大AI开发工具,让人人都是开发者

今天的中国,有10亿互联网用户,有强大的基础大模型,有足够多的AI应用场景,有全球最完备的产业体系,国家也在大力鼓励和支持“人工智能+”行动,每一个人,每一家企业,只需要充分利用这些工具,就可以释放无限的创造力和生产力。有分发,就会有数据反馈;今天,我们提给小度的每个问题,都会这样分配给不同模型来执行,调用应用的API接口时,会用ERNIE Functions模型,给孩子讲题时,用文心大模型3.5或4.0,智能助理的打造则用了ERNIE Character模型,提高人设一致性、激发用户聊天欲望。

大力财经 1588

文心大模型4.0加持的文心一言工具保姆级使用教程!快点赞收藏起来!

现在科技圈什么最火?那一定是大模型了。如雨后春笋般冒出的大模型,每一个都在争做行业No.1,但你知道现在哪个大模型能力最强?哪个最受人喜欢吗?近日,清华大学发布《SuperBench大模型综合能力评测报告》,从五大方面评测 14 个海内外具有代表性的模型。国内百度的文心一言4.0大模型表现非常亮眼,其中在中文推理、中文语言等评测上,文心一言遥遥领先。在“各大模型安全和价值观表现”中,文心一言4.0更是排行第一,领先于国外的各个大模型!“科技并不是高高在上,而是服务于人民。

AIGC Studio:分享AIGC前沿知识和好玩应用,公众号同名。 3529

百度官宣发文心大模型4.5,中国AI大模型竞争加速赶超美国

针对企业私有化部署需求,百度智能云发布DeepSeek一体机解决方案,在私有化部署层面搭载昆仑芯P800的百舸、千帆、一见一体机产品,可支持在单机环境下一键部署DeepSeek R1/V3全系列模型,提供开箱即用的便捷体验,在确保性能与安全合规的情况下,能够助力企业快速实现模型部署落地。前段时间火出圈儿的DeepSeek发布的DeepSeek-R1大模型,不仅在数学、代码、自然语言推理等任务上,性能比肩 OpenAI o1 正式版,更重要的是对算力资源的极致利用,让成本做到了最低。

GZZN2019的博客 1622

李彦宏现身欧洲最大科技盛会,谈中国AI的路线与优势

李彦宏对AI抱有极大的热情。比如在三星全新推出的Galaxy S24手机中,深度集成了百度文心大模型的多项能力,不仅可提供端侧赋能的通话、翻译功能,还给用户带来全新的智能摘要、排版等生成AI体验,首创的“即圈即搜”功能更令人惊艳。比如在矿山产业,百度智能云携手山源科技,基于文心大模型,依托百度智能云千帆大模型平台能力共同打造了矿山行业智能应用“电博士及数字调度员”,通过注入供电专业相关知识、经验、规则、规范等,让大模型具备煤矿供电的专业知识和技能,定位于煤矿供电专业的资深贴身助手,实现陪伴式辅助运维。

蓝鲨财经社是一家追求最新的AI技术与财经商业领域结合的自媒体。通过灵活使用人工智能技术,提供专业、独到、有料的财经资讯和资源,涵盖硬科技、金融、教育、医药等领域。 1152
上一篇: 金融大模型风起:带来了什么 改变了哪些?
下一篇: 0门槛理5分钟解什么是大模型!
冻感糕人~
博客等级 码龄3年 8924粉丝 2374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