- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度应用
·主流声学模型对比
主流声学模型对比 目录 概述 基础概念 语音帧 语音识别系统 主流声学建模技术 HMM DNN-HMM FFDNN CNN RNN及LSTM CTC 其他建模技术 语言建模技术 语音唤醒技术 关于未来 图1 搜狗知音引擎 基础概念 语音帧 考虑到语音的短时平稳特性，语音信号在前端信号处理时要进行加窗分帧的操作，识别特征都按帧来提取，具体请见图2。 图2 语音帧的划分 语音识别系统 语音信号经过前端信号处理、端点检测等处理后，逐帧提取语音特征，传统的特征类型包括MFCC、PLP、FBANK等特征，提取好的特征送至解码器，在声学模型、语言模型以及发音词典的共同指导下 主流声学建模技术 近年来，随着深度学习的兴起，使用了接近30年的语音识别声学模型HMM(隐马尔科夫模型)逐渐被DNN(泛指深度神经网络)所替代，模型精度也有了突飞猛进的变化，整体来看声学建模技术从建模单元 图13 CTC尖峰效果演示 可以预期，基于CTC或者引用CTC概念（如LFMMI）的端到端识别技术将逐渐成为主流，HMM框架将逐渐被替代。
3.9K22发布于 2019-06-27 - 来自专栏xiaosen
LLM主流开源代表模型
LLM主流开源大模型介绍 1 LLM主流大模型类别 随着ChatGPT迅速火爆，引发了大模型的时代变革，国内外各大公司也快速跟进生成式AI市场，近百款大模型发布及应用。 、BELLE、Phoenix、Chimera等） Bloom：衍生的大模型（Bloomz、BELLE、Phoenix等） 2 ChatGLM-6B模型 ChatGLM-6B 是清华大学提出的一个开源 完形填空问题是指在输入文本中用一个特殊的符号（如[MASK]）替换掉一个或多个词，然后训练模型预测被替换掉的词。 GLM的实现思想（训练目标）： 原始文本 x=[x_1, x_2,... 同样，我们可以得到 x_1 的二维位置编码是[1, 0]， x_2 的位置编码是[2, 0]， x_4 的位置编码是[4, 0]。 小结 主要介绍了LLM主流的开源大模型，对不同模型架构、训练目标、优缺点进行了分析和总结。
67610编辑于 2024-06-04 - 来自专栏机器学习入门
【AI大模型】LLM主流开源大模型介绍
学习目标 了解LLM主流开源大模型. 掌握ChatGLM、LLaMA、Bloom等基础大模型的原理 LLM主流大模型类别 随着ChatGPT迅速火爆，引发了大模型的时代变革，国内外各大公司也快速跟进生成式AI市场，近百款大模型发布及应用 假设原始文本是 x=[x_1, x_2,...,x_6]，其中[x_3]和 [x_5,x_6] 被挖去。 同样，我们可以得到x_1的二维位置编码是[1, 0]， x_2的位置编码是[2, 0]， x_4的位置编码是[4, 0]。 小结 本小节主要介绍了LLM主流的开源大模型，对不同模型架构、训练目标、优缺点进行了分析和总结。
1.3K10编辑于 2024-09-24 - 来自专栏量子位
主流的深度学习模型有哪些？
这个问题的机会，我也想介绍一下主流的神经网络模型。因为格式问题和传播原因，我把原回答内容在这篇文章中再次向大家介绍。 1. 2. 深度生成模型(Deep Generative Models) 说到生成模型，大家一般想到的无监督学习中的很多建模方法，比如拟合一个高斯混合模型或者使用贝叶斯模型。 如上图所示，Autoencoder主要有2个部分：1. 编码器(Encoder) 2. 解码器(Decoder)。我们将输入(图片2)从左端输入后，经过了编码器和解码器，我们得到了输出….一个2。 评估自编码器的方法是重建误差，即输出的那个数字2和原始输入的数字2之间的差别，当然越小越好。
3.1K40发布于 2018-03-26 - 来自专栏SmartSi
Stream 主流流处理框架比较(2)
在上篇文章中，我们过了下基本的理论，也介绍了主流的流处理框架：Storm，Trident，Spark Streaming，Samza和Flink。 容错性这么难实现，那下面我们看看各大主流流处理框架是如何处理这一问题。 1.1 Apache Storm Storm使用上游数据备份和消息确认的机制来保障消息在失败之后会重新处理。 2. 状态管理 大部分大型流处理应用都涉及到状态。相对于无状态的操作(其只有一个输入数据，处理过程和输出结果)，有状态的应用会有一个输入数据和一个状态信息，然后处理过程，接着输出结果和修改状态信息。 下面来快速浏览一下： Storm是第一个主流的流处理框架，后期已经成为长期的工业级的标准，并在像Twitter，Yahoo，Spotify等大公司使用。 它是建立在MapReduce（批处理），FlumeJava（编程模型）和MillWheel（流处理）之上。Google最近决定开源Dataflow SDK，并完成Spark和Flink的runner。
1.9K20发布于 2019-08-07 - 来自专栏IT从业者张某某
大语言模型-2.23-主流模型架构与新型架构
简介 本博客内容是《大语言模型》一书的读书笔记，该书是中国人民大学高瓴人工智能学院赵鑫教授团队出品，覆盖大语言模型训练与使用的全流程，从预训练到微调与对齐，从使用技术到评测应用，帮助学员全面掌握大语言模型的核心技术 transformer架构 2.2 主流模型架构 三种主流架构 在预训练语言模型时代，自然语言处理领域广泛采用了预训练 + 微调的范式，并诞生了如下三种主流架构。 随着 GPT 系列模型的成功发展，当前自然语言处理领域走向了生成式大语言模型的道路，解码器架构已经成为了目前大语言模型的主流架构。 在本节中，我们将首先对于参数化状态空间模型展开讨论，然后针对状态空间模型的各种变种模型进行介绍。为了帮助读者更好地理解这些模型之间的区别，我们在表 5.2 中对于它们进行了比较。 参数化状态空间模型 状态空间模型变种 尽管状态空间模型计算效率较高，但是在文本任务上的表现相比 Transformer模型仍有一定的差距。
87810编辑于 2025-03-24 - 来自专栏福大大架构师每日一题
⽬前 主流的开源模型体系 有哪些？
⽬前 主流的开源模型体系 有哪些？ 答案： ⽬前主流的开源LLM（语⾔模型）模型体系包括以下⼏个： 1. 国际主流+社区生态：如 LLaMA、Mistral、Falcon、BLOOM 2. 360智脑： 360智脑 目前主流的开源模型体系包括以下几种： 1. GPT系列：由OpenAI发布，包括GPT、GPT-2、GPT-3等。 以上分类与格局构成了当前主流的开源大模型体系。 腾讯元宝： 腾讯元宝 目前主流的开源模型体系主要分为以下几大类别： 国际主流开源模型体系 1. 百度ds： 百度ds 目前主流的开源大模型（LLM）体系主要包括以下几个代表性系列： 主流开源模型体系 1.
1.8K10编辑于 2025-12-19 - 来自专栏全栈程序员必看
主流量化交易的几种策略模型
二者所用模型一样，但后者少了期货的对冲。缺少对冲有坏处也有好处，坏处是这种策略的收益曲线是会有较大的回撤。 2.CTA策略 关于CTA策略，CTA是我入行的起点，正好在2010~2013年这三年CTA都非常好做。算是我运气比较好，这三年赚到了一点钱。更重要的是在一开始就给了我足够的信心。 简单地做一些计算，比如说你的策略一共覆盖了10个主流的品种，而策略类型则大致分为相关性较低的三类，并且这三类策略中每一个你都可以在5分钟、半小时和日线三个周期上去运行。
3K20编辑于 2022-09-07 - 来自专栏腾讯技术工程官方号的专栏
主流大语言模型的技术原理细节
作者：spring 1.比较 LLaMA、ChatGLM、Falcon 等大语言模型的细节：tokenizer、位置编码、Layer Normalization、激活函数等。2. 大语言模型的分布式训练技术：数据并行、张量模型并行、流水线并行、3D 并行、零冗余优化器 ZeRO、CPU 卸载技术 ZeRo-offload、混合精度训练、激活重计算技术、Flash Attention 大语言模型的参数高效微调技术：prompt tuning、prefix tuning、adapter、LLaMA-adapter、 LoRA。 0. 大纲 1. 大语言模型的细节 1.0 transformer 与 LLM 1.1 模型结构 1.2 训练目标 1.3 tokenizer 1.4 位置编码 1.5 层归一化 1.6 激活函数 1.7 Multi-query Attention 与 Grouped-query Attention 1.8 并行 transformer block 1.9 总结-训练稳定性 2.
2.5K64编辑于 2023-09-13 - 来自专栏数说工作室
主流CTR预估模型的演化及对比
Google公司开源的word2vec工具让embedding表示方法广为人知。Embedding表示通常用神经网络模型来学习，当然也有其他学习方法，比如矩阵分解（MF）、因子分解机（FM)等。 特征交叉是算法工程师把领域知识融入模型的一种方式。 LR模型的不足在于特征工程耗费了大量的精力，而且即使有经验的工程师也很难穷尽所有的特征交叉组合。 2. DIN模型的输入分为2个部分：用户特征和广告(商品)特征。用户特征由用户历史行为的不同实体ID序列组成。 总结 主流的CTR预估模型已经从传统的宽度模型向深度模型转变，与之相应的人工特征工程的工作量也逐渐减少。 个人博客： https://yangxudong.github.io/ctr-models/ 2.
1.4K40发布于 2019-07-17 - 来自专栏全栈程序员必看
五大主流数据库模型有哪些_五大主流品牌
访问数据库中的数据取决于数据库实现的数据模型。数据模型会影响客户端通过API对数据的操作。不同的数据模型可能会提供或多或少的功能。 迄今为止，主导的数据模型仍然是关系模型。在这里，我们主要想为大家介绍一下非关系模型，作为对比，本文也会简要介绍一下关系模型。 2.键值存储 键值存储提供了基于键对值的访问方式。 键值对可以被创建或删除，与键相关联的值可以被更新。 键值存储一般不提供事务处理机制。 对不同的编程语言而言，键值存储类似于哈希表。 与关系模型不同的是，文档存储模型支持嵌套结构。例如，文档存储模型支持XML和JSON文档，字段的“值”又可以嵌套存储其它文档。文档存储模型也支持数组和列值键。 选择哪一种数据模型？ 数据模型有着各自的优缺点，它们适用于不同的领域。不管是选择关系模型，还是非关系模型，都要根据实际应用的场景做出选择。
2.3K10编辑于 2022-09-20 - 来自专栏DL工程实践
YoloAll V2发布，集成所有主流Yolo模型于一身
all versions. you you use YoloAll to test yolov3/yolov5/yolox/yolo_fastest (github.com) YoloAll是一个将当前主流 a collection of yolo all versions. you you use YoloAll to test yolov3/yolov5/yolox/yolo_fastest step2、 此时模型管理界面会出现所有加载的模型，表示模型的加载已经结束，可以进行测试了。 下载预训练模型 由于预训练模型通常都很大，因此，下载的YoloAll中是不包含预训练模型的，需要通过鼠标点击模型管理界面中的子模型，例如点击YoloX下面的yolox_l模型，会弹出提示框，提示预训练模型未下载 预测 下载完预训练模型，并放到指定文件夹后，再次点击模型管理界面的模型，就会开始创建模型，并显示创建模型成功的界面。
85130编辑于 2021-11-26 - 来自专栏小鹏的专栏
PyTorch图像分类框架(支持多种主流分类模型)
| 模型方面 | (efficientnet/resnest/seresnext等) | 1 | | 数据增强 | (旋转/镜像/对比度等、mixup/cutmix) | 2 | | 损失函数 | (交叉熵 /focal_loss等) | 3| | 模型部署 | (flask/grpc/BentoML等) | [4] (https://github.com/MachineLP/PyTorch_image_classifier 100’, ‘mobilenetv2_140’, ‘mobilenetv2_110d’, ‘mobilenetv2_120d’, ‘fbnetc_100’, ‘spnasnet_100’, ‘efficientnet_b0 /data/train.csv" --random_state 2020 1、修改配置文件，选择需要的模型 以及 模型参数：vim conf/test.yaml cp conf/test.yaml conf /effb3_ns.yaml vim conf/effb3_ns.yaml 2、训练模型: （根据需求选取合适的模型） python train.py --config_path "conf/effb3
2.1K30发布于 2020-10-29 - 来自专栏小义思
无需魔法，国外主流AI大模型免费使用！
在这个AI技术飞速发展的时代，各种大型AI模型如同雨后春笋般涌现，人们自然会产生比较和讨论。因此也就产生了不少整合各个AI大模型的网站，借助这些网址平台，自然可以实现免费使用。 在得到两个大模型的回复后，可以选择继续聊天，或者为认为回答得更好的模型投票，系统后台自会统计测评结果。 除了Arena(side-by-side)，还有Arena(battle)匿名比较，Direct Chat单个模型聊天等方式，都可以免费使用各大AI模型。 OpenRouter OpenRouter是一个提供大型语言模型（LLMs）和其他AI模型统一接口的平台。 OpenRouter的目标是为用户提供最佳的模型选择和价格，简化了模型的测试和比价过程。
24.3K20编辑于 2024-04-10 - 来自专栏贾志刚-OpenCV学堂
十种主流模型C++部署演示
虽然小编本周一直是摸鱼工作状态，但是完成了最后一种模型推理支持，实现十种主流模型推理部署封装： YOLOv5 YOLOv5-Seg YOLOv6 YOLOv7 YOLOX Faster-RCNN Mask-RCNN 其中YOLO系列模型部署全部支持TensorRT！支持零代码一键集成部署到QT项目中，支持多线程推理，下面的截图只是集成小小的演示！
1.2K20编辑于 2023-01-04 - 来自专栏深度学习和计算机视觉
Github | NumPy手写全部主流机器学习模型
该 repo 的模型或代码结构如下所示： 1. 高斯混合模型 EM 训练 2. 隐狄利克雷分配模型（主题模型） 用变分 EM 进行 MLE 参数估计的标准模型 用 MCMC 进行 MAP 参数估计的平滑模型 4. CD-n training) 2D 转置卷积 (w. padding 和 stride) 2D 卷积 (w. padding、dilation 和 stride) 1D 卷积 (w. padding、dilation Bernoulli 变分自编码器 带有梯度惩罚的 Wasserstein GAN 4.10 神经网络工具 col2im (MATLAB 端口) im2col (MATLAB 端口) conv1D conv2D deconv2D minibatch 5.
90110编辑于 2022-02-11 - 来自专栏机器之心
千元预算半天训练，效果媲美主流大模型，开源可商用中文LLaMA-2
相较于原始 LLaMA-2，在成功提升中文能力的基础上，进一步提升其英文能力，性能可与开源社区同规模预训练 SOTA 模型媲美。 即使与其他采用中文语料，可能花费上千万元成本，从头预训练的各大知名模型相比，Colossal-LLaMA-2 在同规模下仍表现抢眼。 词表扩充与模型初始化 LLaMA-2 原始词表并未针对中文做特定优化，所包含的中文词有限，导致在中文语料上理解力不足。因此，首先对 LLaMA-2 进行了词表的扩充。 构建通用大模型到垂类大模型迁移的桥梁 由 Colossal-AI 团队的经验来看，基于 LLaMA-2 构建中文版模型，可基本分为以下流程： 那么这套方案是否可以复用呢？ 目前 Colossal-AI 云平台上已经预置了 Stable diffusion, LLaMA-2 等主流模型及解决方案，用户只需上传自己的数据即可进行微调，同时也可以把自己微调之后的模型部署成为 API
61550编辑于 2023-09-25 - 来自专栏腾讯数据中心
腾讯内容的非主流运营商覆盖（2）
，二是由于非主流运营商数量众多但规模较小，大部分的互联网企业都会将业务部署在主流运营商机房内来覆盖主流用户，而不愿意花费较大成本在非主流运营商网内逐一部署。 随着互联网内容的爆炸式增长，互联带宽瓶颈问题日益凸显，严重影响了用户上网体验（图2示）。 ? 图2：非主流运营商用户访问普通业务路径 如何解决非主流运营商访问互联网的质量问题，说到底还是运营商间的互联互通问题，互联互通问题在国内一直是老大难问题，工信部（原信产部）分别在2001、2009、2010 图7：DNS服务器未能访问CAP时的用户访问路径 2、非主流运营商发给腾讯的地址段不全或发给主流运营商网段更细 非主流运营商未将所有网段发送给腾讯或者发给腾讯网段宽泛而发给主流运营商更细，路由上会造成主流运营商的出口更优先 2、出口技术要求 a) 带宽要求：初始互联带宽2*10G，可满足扩容持续的物理带宽要求； b) 路由协议：采用BGP动态路由协议并仅播布该运营商的路由； c) 端口链路：链路介质类型要求单模光纤，接口类型要求
1.5K70发布于 2018-03-16 - 来自专栏xingoo, 一个梦想做发明家的程序员
选择模型2
选择模型 fd_set结构可以把多个套接字连在一起，形成一个套接字集合 typedef struct fd_set{ u_int fd_count;//下面数组的大小 SOCKET fd_array[FD_SETSIZE struct timeval{ long tv_sec;//指示等待多少秒 long tv_usec;//指示等待多少毫秒 }timeval; 应用举例 1 初始化fdSocket集合，添加监听套接字句柄 2 当有事件发生的时候，select函数移除fRead中没有未决IO操作的句柄，然后返回 3 比较原来的fdSocket集合，与select处理过的fdRead集合，确定哪些套接字有未决IO并处理这些IO 4 回到2进行选择 1 CInitSock theSock;//初始化winsock库 2 int main() 3 { 4 USHORT nPort=4567;//此服务器监听的端口号 5 / ); 15 return 0; 16 } 17 //进入监听模式 18 ::listen(sListen,5); 19 20 //select模型处理过程
759100发布于 2018-01-17 - 来自专栏PaddlePaddle
史上最全解读 | 飞桨模型库重大升级，主流算法模型全覆盖
PaddleNLP 发布全新 seq2seq 相关 API 和文本生成模型样例。 下面，我们将从主流四大领域分别为开发者介绍飞桨模型库的一些核心内容，因为算法模型数量众多且受限于篇幅，仅对算法模型的分类及名称、简介和应用场景、以及在不同数据集上的评价指标进行了整理。 4.1.2.词向量（Word2vec） 提供单机多卡，多机等分布式训练中文词向量能力，支持主流词向量模型（skip-gram，cbow 等），可以快速使用自定义数据训练词向量模型。 4.1.3. 文本生成 PaddleTextGEN (Paddle Text Generation) ,一个基于飞桨的文本生成框架，提供了一些列经典文本生成模型案例，如 vanilla seq2seq，seq2seq with attention，variational seq2seq 模型等。
1K30发布于 2019-11-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号