siper12138的博客

本文介绍了Transformer模型，这是一种基于自注意力机制的深度学习架构，彻底改变了序列建模方式。研究显示，Transformer摒弃了传统RNN和CNN结构，仅依赖多头自注意力机制，在机器翻译任务中表现卓越。实验表明，该模型在WMT2014英德翻译任务上达到28.4 BLEU值，英法任务上取得41.8 BLEU值，且训练效率显著提升。模型优势包括：计算并行化能力强、长距离依赖捕捉能力优异、训练速度比循环网络快。论文还验证了Transformer在英语成分句法分析任务中的泛化能力，其表现优于传统序列模型

安装Anaconda（详细）_anaconda安装教程-优快云博客。DeepSeek API 申请与使用-优快云博客。Anaconda 教程 | 菜鸟教程。Git 安装配置 | 菜鸟教程。

1.进入官网DeepSeek | 深度求索2.进入API开放平台3.充值（不充值无法使用）4.用量信息查询，查询请求次数，与对应费用。

1.NLP自然语言处理（Natural Language Processing, NLP）是人工智能领域的一个重要分支，专注于研究 计算机如何理解、生成和处理人类语言。它的目标是让机器能够像人类一样“读懂”文本或语音，并执 行翻译、问答、摘要等任务。大模型不仅仅是模型规模庞大，也涵盖了训练数据规模庞大，以及由此衍生出的模型能力的强大。截止 2024 年 6 月，国内外已经见证了超过百种大语言模型的诞生，这些大语言模型在学术界和工业界 均产生了深远的影响。描述了在。

PR 曲线以精确率（Precision）为纵坐标，召回率（Recall）为横坐标。在不同的分类阈值下，模型会产生不同的精确率和召回率，将这些点连接起来就形成了 PR 曲线。精确率是指预测为正例的样本中真正正例的比例，召回率是指真实正例中被预测为正例的比例。PR 曲线展示了模型在精确率和召回率之间的权衡关系，曲线上的每个点代表了模型在某个特定阈值下的性能表现。

强化学习是机器学习中的一个重要领域，它涉及智能体（agent）如何在环境中采取一系列行动，以最大化累积奖励。：是一个能够感知环境并采取行动的实体，如机器人、自动驾驶汽车或游戏中的角色等。：智能体所处的外部世界，它会根据智能体的行动产生相应的反馈，包括奖励信号和新的状态。：描述环境在某一时刻的信息，智能体根据当前状态来决定采取何种行动。：智能体可以执行的操作，例如在游戏中移动、跳跃，机器人的前进、转弯等。：环境给予智能体的反馈信号，用于衡量智能体的行动在实现目标方面的好坏程度。

本文主要包含神经网络相关内容，包含参数优化、激活函数、损失函数、常见的神经网络（包含经典的MLP, 图像领域经典的VGG,ResNet,Yolo，transformer及其变体bert,gpt等, 以及GAN网络结构）

人工智能文献翻译v2(AlexNet, COT, DeepSeek)

本文主要包含，机器学习概述，正则化方法，以及常用的机器学的算法，包含集成学习、回归模型，支持向量机、树模型家族，聚类模型等。

人工智能相关文献翻译训练v1( Meta - learning,Transformer )