人工智能的三要素：数据、算力和算法

使用不同的算法来解决。记住算法最重要的三点。算法没有万能的，算法没有高低，算法只有合适的。算力上面说到，5G时代已经到来。移动设备数据传输量更快，更多，因此我们的服务处理数据的能力也需要相对的加强。处理数据的能力我们可以用一个人工智能中常用的词语，算力。那什么是算力呢？在我们的电

昇思MindSpore技术公开课·大模型专题（第二期）第十一课：PEFT

【最后一周赶快参加】新春云上过，AI贺新年——写开发体验，赢扫地机器人、雷柏机械键盘、华为手环等惊喜好礼

com/markets/aihub/notebook/detail/?id=e5a8e29b-b271-4384-819b-cb27eed9b8db基于深度学习对特定建筑的黑白照片上色的模型https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/

使用MindStudio对SuperRetina模型转化并进行推理测试和精度验证

模型介绍 此案例基于深度学习的图像配、准基于 MindX SDK 开发，可在晟腾芯片上进行图像配准。输入两幅图片后，可以匹配两幅图像中的特征点。SuperRetina是一种新颖的半监督的方式进行训练，训练时使用以小组未完全标记的数据集和较多未标记的数据集。基于深度学习的图像配准使用SuperRetina模型，论文链接：

7个用于机器学习和数据科学的基本 Python 库

推荐：使用NSDT场景编辑器助你快速搭建3D应用场景 这篇文章针对的是刚开始使用Python进行AI的人，以及那些有经验的人，但对下一步要学习什么有疑问的人。我们将不时花点时间向初学者介绍基本术语和概念。如果您已经熟悉它们，我们鼓励您跳过更基本的材料并继续阅读，以了解对图形执行和

监督学习 & 无监督学习

确的预测结果。然而，监督学习的缺点在于其数据获取和标注的成本较高。在很多应用场景中，获取带有标签的数据需要大量的人力物力投入，特别是在数据量庞大或标注数据要求较高的场景中，监督学习的成本会更高。无监督学习无监督学习的优点在于其利用未标记的数据进行训练，从而避免了监督学习中的数据获

ChatGPT：它是什么以及如何使用它？

近年来，人工智能取得了长足的进步。从计算摄影到自动驾驶汽车，我们已经看到该技术开启了新的可能性并颠覆了整个行业。现在，我们似乎正处于 ChatGPT 的另一场革命的风口浪尖，它能够生成具有近乎完美语法的类人文本。顾名思义，它甚至可以进行来回对话。 因此，在本文中，让我们仔细了解一下

【转载】MindSpore大V博文之创新算法系列（二）——深度概率推断算法与概率模型

上篇文章对MindSpore深度概率学习进行了背景和总体特性上的介绍，链接戳这里。于璠：一文带你初识MindSpore深度概率学习本篇文章会介绍深度概率学习的第二部分：深度概率推断算法与概率模型，并在MindSpore上进行代码的实践。1. 深度概率特性2. 深度概率推断算法与概率模型3

【ELM回归预测】基于matlab遗传算法优化ELM回归预测【含Matlab源码 1673期】

一、ELM神经网络简介 1 引言 极限学习机不是一个新的东西，只是在算法（方法）上有新的内容。在神经网

ONNX模型分析与使用

本文大部分内容为对 ONNX 官方资料的总结和翻译，部分知识点参考网上质量高的博客。 一，ONNX 概述 深度学习算法大多通过计算数据流图来完成神经网络的深度学习过程。 一些框架（例如CNTK，Caffe2，Theano和TensorFlow）使用静态图形，而其他框架（例如

【NLP】Transformer理论解读

truth）是存在的，不可以做attention，所以要遮盖掉。 至此，关于Transformer的各模块就全部分析完成。 总结 Transformer的出现颠覆了以往CNN提取特征的模式，不过，我也听说Transformer因其巨大的特征量导致非常难以训练。关于这一点，后续我将通过实验去证实。

【HDC.Cloud华为云基础服务】边缘智能和AI作业，原来如此简单！

构建的智能边缘计算平台项目，是 CNCF 首个也是目前唯一提供云原生智能边缘计算能力的开源项目。它将云原生技术应用到智能边缘计算领域，具备边云可靠协同、极致轻量、边缘智能、强劲算力、离线自治、海量边缘设备管理等能力，利用云原生生态的众多优势解决边缘计算中的挑战。动手实验室Codelab互动Codel

《数据科学与分析：Python语言实现》 —3.12　交叉验证

3.12　交叉验证由于我们希望进行准确和有用的预测，因此需要确保创建的任何模型都能很好地分析训练集中所没有的外延数据。换句话说，要避免过度拟合。我们已经讨论了如何通过训练集和测试集的拆分来实现这一目标。尽管如此，我们使用单个训练数据集获得的参数可能最终反映了特定方式，这种方式是数

【云驻共创】AI论文精读会：ACGAN-动漫头像生成

目录 1.论文及算法介绍         1.1基本信息         1.2研究背景         1.3算法介绍      

揭秘AIGC：底层技术如何驱动内容生成

揭秘AIGC：底层技术如何驱动内容生成 人工智能的快速发展给内容生成领域带来了新的机遇和挑战。OpenAI的**AIGC(GPT)**（AI对话大师）是一款基于语言生成模型的工具，被广泛应用于自动问答、对话系统等领域。但是，你是否好奇它的底层技术是如何驱动内容生成的呢？本文将为

【机器学习】机器学习概叙

1.数据集划分 在数据集中一般:一行数据我们称为一个样本一列数据我们成为一个特征有些数据有目标值(标签值)，有些数据没有目标值(如上表中，电影类型就是这个数据集的目标值) 数据>>>模型   新数据>>>预测数据集：75%测试集：25%

浅谈神经网络改进小技巧----学习率衰减

分段常数衰减需要事先定义好的训练次数区间，在对应区间置不同的学习率的常数值，一般情况刚开始的学习率要大一些，之后要越来越小，要根据样本量的大小设置区间的间隔大小，样本量越大，区间间隔要小一点。下图即为分段常数衰减的学习率变化图，横坐标代表训练次数，纵坐标代表学习率。 在keras中

浅谈如何处理大语言模型训练数据之二数据影响分析

足够数量的高质量数据，在文献 针对模型参数规模、训练数据量以及总计算量与模型效果之间关系的研究之前，大部分大语言模型训练所采用的训练数据量相较于LLaMA 等最新的大语言模型模型都少很多。表1给出了模型参数量和预训练数据量对比。在Chinchilla 模型提出之前，大部分的大语言

朴素贝叶斯Naive Bayesian算法入门

朴素贝叶斯（Naive Bayesian）算法入门 摘要：朴素贝叶斯算法是一种基于贝叶斯定理的分类算法，它假设各个特征之间相互独立。本文将介绍朴素贝叶斯算法的原理、应用场景以及如何使用Python中的scikit-learn库进行实现。 1. 引言 朴素贝叶斯算法是一种简单而有效