<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fengbeely的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/fengbeely</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; fengbeely]]></copyright><item><title><![CDATA[探索GPT-4V：大型多模态模型的创新与应用前瞻]]></title><link>https://blog.csdn.net/fengbeely/article/details/140865890</link><guid>https://blog.csdn.net/fengbeely/article/details/140865890</guid><author>fengbeely</author><pubDate>Fri, 02 Aug 2024 10:26:35 +0800</pubDate><description><![CDATA[大型语言模型 (LLM)[22,94,27,10,116,50] 的突破在各个领域和任务中表现出了卓越的多功能性和能力。该领域的下一个发展是大型多模态模型 (LMM)，旨在通过集成多感官技能（multi-sensory skills）来扩展 LLM 的功能，以实现更强大的通用智能。鉴于视觉在人类感官中的主导地位 [30, 55]，许多 LMM 研究都是从扩展视觉能力开始的。]]></description><category></category></item><item><title><![CDATA[浦语大模型全链路开源 InternLM2：实战营技术笔记解析]]></title><link>https://blog.csdn.net/fengbeely/article/details/140865866</link><guid>https://blog.csdn.net/fengbeely/article/details/140865866</guid><author>fengbeely</author><pubDate>Fri, 02 Aug 2024 10:25:52 +0800</pubDate><description><![CDATA[自从ChatGPT和GPT-4的出现以来 (OpenAI, 2023)，大型语言模型（LLMs）在学术界和工业界迅速走红。训练在数十亿令牌上的模型展现了深刻的情感理解和问题解决能力，引发了人们普遍认为AGI时代即将到来的猜测。尽管如此，开发出与ChatGPT或GPT-4相当能力的模型的道路仍然模糊不清。开源社区正在努力缩小专有LLM与开源模型之间的差距。在过去的一年里，如LLaMA (Touvron et al., 2023a;]]></description><category></category></item><item><title><![CDATA[使用LangChain与向量数据库提升RAG：高级语义搜索实践CVP技术解析：ChatGPT与LLMs结合向量数据库的智能检索TruLens：探索语言模型评估新工具，优化搜索体验]]></title><link>https://blog.csdn.net/fengbeely/article/details/140865847</link><guid>https://blog.csdn.net/fengbeely/article/details/140865847</guid><author>fengbeely</author><pubDate>Fri, 02 Aug 2024 10:25:20 +0800</pubDate><description><![CDATA[搜索推荐系统专栏简介：搜索推荐全流程讲解（召回粗排精排重排混排）、系统架构、常见问题、算法项目实战总结、技术细节以及项目实战（含码源）专栏详细介绍：
搜索推荐系统专栏简介：搜索推荐全流程讲解（召回粗排精排重排混排）、系统架构、常见问题、算法项目实战总结、技术细节以及项目实战（含码源）前人栽树后人乘凉，本专栏提供资料：]]></description><category></category></item><item><title><![CDATA[PyTorch与NumPy：列表类型数据的互转攻略]]></title><link>https://blog.csdn.net/fengbeely/article/details/140820193</link><guid>https://blog.csdn.net/fengbeely/article/details/140820193</guid><author>fengbeely</author><pubDate>Wed, 31 Jul 2024 13:21:55 +0800</pubDate><description><![CDATA[【代码】PyTorch与NumPy：列表类型数据的互转攻略。]]></description><category></category></item><item><title><![CDATA[【实战分享】TensorRT+LLM：大模型推理性能优化初探]]></title><link>https://blog.csdn.net/fengbeely/article/details/140820181</link><guid>https://blog.csdn.net/fengbeely/article/details/140820181</guid><author>fengbeely</author><pubDate>Wed, 31 Jul 2024 13:20:50 +0800</pubDate><description><![CDATA[TensorRT-LLM可以视为TensorRT和FastTransformer的结合体，旨为大模型推理加速而生。]]></description><category></category></item><item><title><![CDATA[增强GLIPv2：添加negative phrase与分割功能实战解析]]></title><link>https://blog.csdn.net/fengbeely/article/details/140786996</link><guid>https://blog.csdn.net/fengbeely/article/details/140786996</guid><author>fengbeely</author><pubDate>Tue, 30 Jul 2024 08:44:05 +0800</pubDate><description><![CDATA[论文：
GLIPv2: Unifying Localization and Vision-Language Understanding代码：
https://github.com/microsoft/GLIP
，但当前仓库里边并没有 glipv2 的代码HuggingFace 路径：
https://huggingface.co/GLIPModel/GLIP/tree/main出处：NIPS2022 | 华盛顿大学 | Meta | Microsoft | UCLA时间：2022.10grounding 任]]></description><category></category></item><item><title><![CDATA[PyTorch实战：探索num_workers的奥秘与性能测试]]></title><link>https://blog.csdn.net/fengbeely/article/details/140786977</link><guid>https://blog.csdn.net/fengbeely/article/details/140786977</guid><author>fengbeely</author><pubDate>Tue, 30 Jul 2024 08:43:22 +0800</pubDate><description><![CDATA[在 PyTorch 中，num_workers 是 DataLoader 中的一个参数，用于控制数据加载的并发线程数。它允许您在数据加载过程中使用多个线程，以提高数据加载的效率。具体来说，num_workers 参数指定了 DataLoader 在加载数据时将创建的子进程数量。当 num_workers 大于 0 时，DataLoader 会自动利用多个子进程来加速数据加载。这有助于减少主进程的等待时间，并使得数据加载更加并行化。]]></description><category></category></item><item><title><![CDATA[「GPT大模型」探索未来：应用架构的创新实践与突破]]></title><link>https://blog.csdn.net/fengbeely/article/details/140786968</link><guid>https://blog.csdn.net/fengbeely/article/details/140786968</guid><author>fengbeely</author><pubDate>Tue, 30 Jul 2024 08:42:50 +0800</pubDate><description><![CDATA[在人工智能的黄金时代，大模型如GPT（Generative Pre-trained Transformer）已成为技术创新和应用发展的前沿。它不仅重新定义了人机交互的方式，还在多个领域内展现出了巨大的应用潜力。本文将深入探讨大模型GPT的应用架构，并且探索其在各个行业中的创新实践。]]></description><category></category></item><item><title><![CDATA[智谱AI布局情感智能：收购聆心智能，推出CharacterGLM大模型]]></title><link>https://blog.csdn.net/fengbeely/article/details/140757628</link><guid>https://blog.csdn.net/fengbeely/article/details/140757628</guid><author>fengbeely</author><pubDate>Sun, 28 Jul 2024 22:25:45 +0800</pubDate><description><![CDATA[话题：聆心智能与智谱AI合作发布CharacterGLM超拟人大模型。话题：智谱AI投资了聆心智能的天使轮以及Pre-A轮融资。曝智谱AI全资收购清华系大模型公司聆心智能。#CharacterGLM超拟人大模型。话题：聆心智能被智谱AI全资收购。#聆心智能、智谱AI、全资收购。]]></description><category></category></item><item><title><![CDATA[编程进阶探索：以LangGPT为例，构建LLM的高效提示模板框架]]></title><link>https://blog.csdn.net/fengbeely/article/details/140757620</link><guid>https://blog.csdn.net/fengbeely/article/details/140757620</guid><author>fengbeely</author><pubDate>Sun, 28 Jul 2024 22:25:12 +0800</pubDate><description><![CDATA[定义的内置模块已经尽可能全面地涵盖了提示的许多方面。此外，还添加了LangGPT涵盖的应用场景和模块。但受限于自身的能力和领域知识，无法考虑LLM的所有应用场景。因此，除了内置模块和基本元素之外，还定义了扩展模块和自定义元素，以提高提示的通用性和复用性。扩展模块和自定义元素的设计流程如图2所示。这个过程可以帮助用户快速分析他们的需求并提出提示中需要包含的要点。基于LangGPT提供的设计模板以及设计流程，可以优化高质量提示以快速匹配应用场景。图 2：扩展模块和自定义元素的设计流程。]]></description><category></category></item><item><title><![CDATA[Python实战：GPT-2驱动的机器学习模型构建指南]]></title><link>https://blog.csdn.net/fengbeely/article/details/140757609</link><guid>https://blog.csdn.net/fengbeely/article/details/140757609</guid><author>fengbeely</author><pubDate>Sun, 28 Jul 2024 22:24:40 +0800</pubDate><description><![CDATA[GPT-2是一种属于Generative Pre-trained Transformers的算法，是自然GPT-2是一种属于Generative Pre-trained Transformers的算法，是自然语言处理（NLP）领域具有重要影响力的算法之一。GPT-2模型的结构与GPT一脉相承，适用于语言模型，即预测给定一系列上下文词语后，下一个词的概率。值得注意的是，每一代GPT模型的参数量都在不断增长，例如2019年发布的GPT-2拥有15亿参数，而2020年发布的GPT-3则达到了1750亿参数。]]></description><category></category></item><item><title><![CDATA[Transformer模型：人工智能界的全能跨界王]]></title><link>https://blog.csdn.net/fengbeely/article/details/140723949</link><guid>https://blog.csdn.net/fengbeely/article/details/140723949</guid><author>fengbeely</author><pubDate>Fri, 26 Jul 2024 20:09:11 +0800</pubDate><description><![CDATA[Transformer凭借强大特征提取能力补齐了传统RNN在NLP领域中的诸多短板，其多种衍生模型在NLP任务上表现出色。此外，随着CNN模型的发展从成熟走向瓶颈，Transformer为CV领域注入了新鲜血液，从分类到分割，从图像到视频，Transformer已逐步代替CNN成为解决CV领域问题新范式。除强大的特征提取能力外，Transformer的自注意力结构在多类型数据模式对齐上也同样表现优秀，为处理文本、语音、图像、视频等多类型数据融合问题提供了新思路。]]></description><category></category></item><item><title><![CDATA[GPT-4引领：AI新浪潮的转折点]]></title><link>https://blog.csdn.net/fengbeely/article/details/140723938</link><guid>https://blog.csdn.net/fengbeely/article/details/140723938</guid><author>fengbeely</author><pubDate>Fri, 26 Jul 2024 20:08:39 +0800</pubDate><description><![CDATA[Yann LeCun当时到处说这是一个技术上的瓶颈。2016年左右开始创办OpenAI时，这一领域的研究者还很少，我们当时的同事大多来自Google/DeepMind，他们有从业经验，但思路相对而言比较狭窄，有所束缚。两位创始人在交谈中表现出的异常敏捷的表达能力，Ilya的语速相对平缓很多，但他的思考要比说出口的内容更深远。那个引发深度学习新一轮革命浪潮的AlexNet也与Ilya有关，他是AlexNet的作者之一，后续随之而来的AlphaGo、GPT、CLIP、DALL-E和Codex都离不开他的贡献。]]></description><category></category></item><item><title><![CDATA[大模型与Prompt模板：全新升级解析]]></title><link>https://blog.csdn.net/fengbeely/article/details/140723925</link><guid>https://blog.csdn.net/fengbeely/article/details/140723925</guid><author>fengbeely</author><pubDate>Fri, 26 Jul 2024 20:08:08 +0800</pubDate><description><![CDATA[在接入大模型方面，新的千帆大模型平台实现了质的飞跃，将更多的优质资源整合到平台上，使用户能够更方便地选择和应用。在Prompt模板方面，新的平台提供了更全面的模板，使用户能够根据自身需求进行选择，更好地发挥大模型的潜力。千帆大模型平台是一个基于云计算的大模型训练及推理平台，它为用户提供了丰富的人工智能工具和资源，帮助用户更好地利用大模型进行创新和应用。这些大模型的接入，使用户可以根据自己的需求，选择最适合的模型进行应用和扩展，极大地提高了用户的效率和准确性。，进一步提高了用户的AI体验。]]></description><category></category></item><item><title><![CDATA[PyTorch深入理解：named_parameters(),parameters()与state_dict()的区别解析]]></title><link>https://blog.csdn.net/fengbeely/article/details/140701518</link><guid>https://blog.csdn.net/fengbeely/article/details/140701518</guid><author>fengbeely</author><pubDate>Thu, 25 Jul 2024 22:32:26 +0800</pubDate><description><![CDATA[为何model.parameters()迭代出来的所有参数的require_grad属性都是True，因为它们在被创建时，默认的require_grad就是True。这也符合逻辑，即，使用nn.Parameter()创建的变量是模型参数，本就是要参与学习和更新的；而不参与模型学习和更新的呢？]]></description><category></category></item><item><title><![CDATA[GPT模型调优：探索Top-k、Top-p与Temperature参数]]></title><link>https://blog.csdn.net/fengbeely/article/details/140701511</link><guid>https://blog.csdn.net/fengbeely/article/details/140701511</guid><author>fengbeely</author><pubDate>Thu, 25 Jul 2024 22:31:51 +0800</pubDate><description><![CDATA[上一篇文章介绍了几个开源LLM的环境搭建和本地部署，在使用ChatGPT接口或者自己本地部署的LLM大模型的时候，经常会遇到这几个参数，本文简单介绍一下~top_ptop_k。]]></description><category></category></item><item><title><![CDATA[PyTorch实战：探索Dataloader的num_workers工作机制]]></title><link>https://blog.csdn.net/fengbeely/article/details/140701503</link><guid>https://blog.csdn.net/fengbeely/article/details/140701503</guid><author>fengbeely</author><pubDate>Thu, 25 Jul 2024 22:31:18 +0800</pubDate><description><![CDATA[最近遇到一个问题，发现dataloader中数据加载异常的慢，慢慢的排查到了dataloader这一步，我以前一直以为num_work共同维护一个大小为batch size的队列，但是不是，它每次会开启num_work个线程，分别去加载dataset里面的数据，直到每个worker加载数据量为batch size 大小（num_work*batch_size）才会进行下一步训练。而不是我之前理解的，只要总数据量达到batch size就立刻进行下一步训练。]]></description><category></category></item><item><title><![CDATA[使用LibTorch加载预训练PyTorch模型实践]]></title><link>https://blog.csdn.net/fengbeely/article/details/140674499</link><guid>https://blog.csdn.net/fengbeely/article/details/140674499</guid><author>fengbeely</author><pubDate>Wed, 24 Jul 2024 22:09:17 +0800</pubDate><description><![CDATA[PyTorch如今发布到1.1稳定版本，新增的功能让模型部署变得更为地简单，本文记录如何利用C++来调用PyTorch训练好的模型，其实也是利用官方强大的LibTorch库。]]></description><category></category></item><item><title><![CDATA[视觉语言动作模型：从网页知识到机器人控制的实战RT-2]]></title><link>https://blog.csdn.net/fengbeely/article/details/140674487</link><guid>https://blog.csdn.net/fengbeely/article/details/140674487</guid><author>fengbeely</author><pubDate>Wed, 24 Jul 2024 22:08:45 +0800</pubDate><description><![CDATA[Anthony Brohan, Noah Brown, Justice Carbajal, Yevgen Chebotar, Xi Chen, Krzysztof Choromanski, Tianli Ding, Danny Driess, Avinava Dubey, Chelsea Finn, Pete Florence, Chuyuan Fu, Montse Gonzalez Arenas, Keerthana Gopalakrishnan, Kehang Han, Karol Hausman, A]]></description><category></category></item><item><title><![CDATA[深度解析MobileNetV2：倒置残差与线性瓶颈及PyTorch实现]]></title><link>https://blog.csdn.net/fengbeely/article/details/140674473</link><guid>https://blog.csdn.net/fengbeely/article/details/140674473</guid><author>fengbeely</author><pubDate>Wed, 24 Jul 2024 22:08:14 +0800</pubDate><description><![CDATA[前言：最近在看EfficientNet，里面用到了与MobileNetV2相似的结构，所以找来看一下并记录。MobileNetV2是一个轻量化网络，论文题目和地址如下：论文题目：MobileNetV2: Inverted Residuals and Linear Bottlenecks。]]></description><category></category></item></channel></rss>