#cnn

果冻人工智能

设计和训练人工智能模型的意义是什么？前一篇：《人工智能模型训练技术，正则化！》序言：人工智能模型的真正价值在于其实际应用，而不仅仅停留在理论阶段。本节将通过一个简单而常见的应用场景，展示如何将前面几节所设计和训练的模型应用于实际问题。我们将使用训练好的模型对句子进行分类，具体来说，识别社交平台上用户评论的类别。通过这样的技术，社交平台可以实时分析用户的情绪，迅速采取适当的响应措施，比如缓解冲突、提升用户体验，甚至优化平台的推荐算法。

果冻人工智能

人工智能同样也会读死书----“过拟合”上一篇：《“嵌入”在大语言模型中是解决把句子转换成向量表示的技术》序言：我们常常会说某某人只会“读死书”，题目稍微变一点就不会做了。这其实是我们人类学习中很常见的现象。可是你知道吗？人工智能其实更容易“读死书”。不过在人工智能领域，我们有个听起来高大上的说法，叫“过拟合”。说白了，“过拟合”就是人工智能的“读死书”现象。在这个小节我们就来聊聊怎么让人工智能少“读死书”。注意，我说的是“少”，因为这个问题没办法完全消除，只能尽量降低。

果冻人工智能

研发LLM模型，如何用数值表示人类自然语言？上一篇：《人工智能——自然语言处理简介》序言：人工智能大语言模型（LLM）如何理解人类的自然语言？这个过程的核心在于将文本转化为计算机能处理的数值形式，经过计算，最终达到对语言的理解。起初，我们只是简单的随便用一个数字来表示一个单词或一个词根，但随着研究深入，我们发现，不同的数值表达方式能显著提高模型对语言的理解效果。因此，在构建大语言模型（LLM）时，关键的一步是将人类语言转化成合适的数值表示，以便模型能够接收、处理并生成有效的输出。好了，让我们进入正题。

果冻人工智能

构建人工智能模型基础：TFDS和Keras的完美搭配上一篇：《数据工程师，转型人工智能岗位的理想时空通道》序言：本节将带您深入探索 TensorFlow 提供的关键工具和方法，涵盖数据集管理和神经网络模型的构建与训练。在现代人工智能框架中，TensorFlow 的数据集接口 (TensorFlow Datasets, 简称 TFDS) 与 Keras 模型库为深度学习任务提供了极大的便利。本章将具体展示如何使用 TFDS 和 Keras 配合构建神经网络架构，以实现高效的数据处理和模型训练。通过本节的实践操作，您将掌握从数据加载、预处理到模型搭建的核心流程

果冻人工智能

‘随机失活’：人工智能真的在模仿人脑吗？序言：过拟合是人工智能训练中的一个常见问题，类似于一位“读死书”的学生，他只能机械地背诵书本内容，缺乏灵活性，一旦题目稍有变化便无法理解。为了解决这一问题，科学家们从人脑的学习方式中获得启发，设计出“随机失活”方法。在学习过程中，随机关闭部分神经元，避免神经元之间过度依赖，从而提升模型的灵活性与应变能力。

果冻人工智能

搞人工智能开源大语言模型GPT2、Llama的正确姿势（如果想及时收到人工智能相关的知识更新，请点击关注！！）序言：目前我们每一小节的内容都讲解得非常慢，因为这是人工智能研发中的最基础知识。如果我们不能扎实掌握这些知识，将很难理解后续更复杂且实用的概念。因此，我们甚至采用一个概念一节的方式来编排内容，区分得清清楚楚、明明白白，以便大家能够非常明确地了解各知识点之间的关联关系和界限。本节将讲述一种在人工智能领域中被视为“泰斗绝学”的方法，帮助我们高效地完成模型训练——这项绝学就是“迁移学习”。

果冻人工智能

让卷积神经网络来辨识马和人上一篇：《设计卷积神经网络CNN为什么不是编程？》序言：我们已经踏入了设计人工智能（AI）模型的大门，有一个重要概念请大家务必记住：人工智能模型 = 架构 + 特征。任何一个AI模型都是先设计出架构，再通过数据训练获得特征。整合了特征的架构才算是一个完整的人工智能模型，如果没有特征的支撑，架构本身还不能称为人工智能模型。

果冻人工智能

搞清楚这个老六的真面目！逐层‘剥开’人工智能中的卷积神经网络（CNN）第三章：超越基础——图像中的特征检测上一篇《揭开计算机视觉的神秘面纱，原来机器是这样“看图”的！》本篇序言：上一篇我们实现并训练了一个神经网络，成功让计算机“看懂”了图像。可以说，我们已经一只脚跨进了AI研发的大门。不过，虽然我们迈入了AI这个神秘的领域，实际上，我们还只是站在门槛边缘。这里面有太多复杂的东西，连2024年AI领域的诺贝尔人工智能奖得主都无法完全搞明白，因为神经网络实在太复杂了，一个人的能力根本无法解析它所学到的知识。今天这一篇，大家只需要记住两个关键概念：“卷积”和“池化”。“卷积”是神