网站建设公司网站源码,政务网站开发理念,wordpress右侧链接,点餐系统微信小程序1.AI识别
1.bitgrit 生成式 AI API 文档 生成式 AI 假图像检测 API 可用于以编程方式检测假图像#xff08;即由生成式 AI 创建的图像#xff09;。2.X Virality Prediction API 旨在预测推文的潜在病毒式传播力。https://bitgrit.net/api/docs/x_virality_prediction
2.Gr…1.AI识别
1.bitgrit 生成式 AI API 文档 生成式 AI 假图像检测 API 可用于以编程方式检测假图像即由生成式 AI 创建的图像。2.X Virality Prediction API 旨在预测推文的潜在病毒式传播力。https://bitgrit.net/api/docs/x_virality_prediction
2.GraphRAG
所有性能改进技术都有一个缺陷token 的使用和推理时间都会增加。 支持 GraphRAG 的基本流程是建立在先前对图机器学习的研究和代码库上的LLM 处理全部私有数据集为源数据中所有实体和关系创建引用并将其用于创建 LLM 生成的知识图谱。利用生成的图谱创建自下而上的聚类将数据分层并组织成语义聚类在图三中由颜色标识。这种划分让预先总结语义概念和主题成为可能从而更全面地理解数据集。在查询时两种结构均被用于填充 LLM 回答问题时的上下文窗口。
3.什么是低秩自适应LoRA
LoRA 是一种加速 LLM 微调同时消耗更少内存的技术。
这不涉及对整个基础模型进行微调因为这可能需要耗费大量的时间和金钱。
相反它会向模型中添加少量可训练参数同时保持原始模型参数不变。
为什么选择 LoRA
尽管我们使用 LoRA 为模型添加了更多层但它实际上有助于节省内存。
这是因为与大模型相比较小的层A 和 B需要学习的参数较少而可训练参数较少意味着需要存储的优化器变量较少。
因此尽管整体模型看起来更大但就内存使用而言实际上更高效。
什么是等级 秩决定了添加到 LLM 原始权重的可训练矩阵的维度。它控制微调的表达能力和精度。
等级越高 可能的变化越详细可训练的参数越多 等级越低 计算开销越少但适应的精度可能会更低
任何人工智能问题中最重要的因素是数据
4. 线性变换 线性变换是两个向量空间之间的映射V → W保留向量加法和标量乘法的运算。
实际上将矩阵A应用于向量x以获得另一个向量y通过操作Ax y是一种线性变换。
import numpy as np
import matplotlib.pyplot as plt# Linear Transformation of a Square
T np.array([[1, 2], [2, 1]]) # Transformation matrix
square np.array([[0, 0, 1, 1, 0], [0, 1, 1, 0, 0]]) # Original square
transformed_square np.dot(T, square) # Apply transformation# Plot Original and Transformed Square
plt.figure(figsize(8, 4))# Original Square
plt.subplot(1, 2, 1)
plt.plot(square[0], square[1], o-, colorblue)
plt.title(Original Square)
plt.xlim(-1, 3)
plt.ylim(-1, 3)
plt.axhline(0, colorgrey, linewidth0.5)
plt.axvline(0, colorgrey, linewidth0.5)
plt.grid(True)# Transformed Square
plt.subplot(1, 2, 2)
plt.plot(transformed_square[0], transformed_square[1], o-, colorred)
plt.title(Transformed Square)
plt.xlim(-1, 3)
plt.ylim(-1, 3)
plt.axhline(0, colorgrey, linewidth0.5)
plt.axvline(0, colorgrey, linewidth0.5)
plt.grid(True)plt.show()线性变换经常用于 降维PCA利用线性变换将高维数据映射到低维空间 数据变换对数据集进行规范化或标准化是一种线性变换 特征工程通过组合现有特征来创建新特征。
5. 特征向量和特征值
特征向量和特征值表示变换的“轴”。
特征向量是经过线性变换后方向不变的输入。即使方向不变大小也可能变。这个大小即特征向量放大或缩小的量就是特征值。
想象一下当你旋转地球仪时除了两极之外每个位置都朝向一个新的方向。它们的方向不会改变。
这是特征向量的直观示例。 形式上对于矩阵A和向量v如果Av λv则λ是特征值v是A的特征向量。
import numpy as np
import matplotlib.pyplot as plt# Eigenvectors and Eigenvalues
A np.array([[1, 2], [2, 3]])
eigenvalues, eigenvectors np.linalg.eig(A)print_matrix(A)# Plotting
fig, ax plt.subplots()# Origin
origin [0, 0]# Plot each eigenvector
for i in range(len(eigenvalues)):ax.quiver(*origin, eigenvectors[0, i], eigenvectors[1, i], scale3, scale_unitsxy, anglesxy)ax.set_xlim(-1, 1)
ax.set_ylim(-1, 1)
ax.set_aspect(equal)
ax.grid(True)
ax.set_title(Eigenvectors of A)plt.show()
