- 综合排序
- 最热优先
- 最新优先
- 来自专栏我爱计算机视觉
YOLO系列模型的部署、精度对齐与int8量化加速
下面说一下我们这个项目做了哪些事情： YOLO系列模型在tensorrt上的部署与精度对齐 该项目详细介绍了Yolo系列模型在TensorRT上的FP32的精度部署，基于mmyolo框架导出各种yolo 模型的onnx，在coco val数据集上对齐torch版本与TensorRT版本的精度。 在此过程中我们发现，由于TopK算子限制和NMS算子实现上的不同，我们无法完全对齐torch和yolo模型的精度，不过这种风险是可解释且可控的。 中的EfficientNMS Plugin和mmcv中旋转框iou计算的cuda实现相结合，给出EfficientNMS for rotated box版本，经过简单验证我们的TRT版本与Torch版本模型输出基本对齐 原文链接：https://www.hbblog.cn/%E6%A8%A1%E5%9E%8B%E9%83%A8%E7%BD%B2/mmyolo_tensorrt/ END
1.1K20编辑于 2023-11-07 - 来自专栏计算机视觉战队
Yolo系列模型的部署、精度对齐与int8量化加速
下面说一下我们这个项目做了哪些事情 1、YOLO系列模型在tensorrt上的部署与精度对齐 该项目详细介绍了Yolo系列模型在TensorRT上的FP32的精度部署，基于mmyolo框架导出各种yolo 模型的onnx，在coco val数据集上对齐torch版本与TensorRT版本的精度。 在此过程中我们发现，由于TopK算子限制和NMS算子实现上的不同，我们无法完全对齐torch和yolo模型的精度，不过这种风险是可解释且可控的。 实践证明，我们采用上述配置的分离PTQ量化在yolov8上可以取得基本不掉点的int8量化精度。 中的EfficientNMS Plugin和mmcv中旋转框iou计算的cuda实现相结合，给出EfficientNMS for rotated box版本，经过简单验证我们的TRT版本与Torch版本模型输出基本对齐
1.5K20编辑于 2023-11-08 - 来自专栏郑克松的专栏
人脸对齐：ASM (主动形状模型)算法
导语 ：人脸对齐领域较早但是非常重要的ASM算法介绍 主动形状模型发表在95年，已经是比较老的模型了， 但是该算法是以后很多人脸对齐算法的基础，对理解人脸对齐领域算法有益，所以做了些研究。 下文内容主要有 1 面部几何约束 2 线性形状模型 3 特征点局部梯度模型 4 ASM搜索 一、 面部几何约束 1 全局刚性形变 2 局部非刚性形变 对于局部非刚性形变，在ASM中使用线性形状模型来建模这种变形 在介绍线性形状模型之前， 我们了解下怎么将原始形状向量去掉刚性变换，因为线性形状模型只是对非刚性变换建模的。 对齐效果 上图中每个特征点是一种颜色。 这样， 我们得到了每个样本对齐之后形状向量。把这些形状向量作为线性形状模型的输入。 这样， 我们建立了每个特征点的局部梯度模型--高斯分布模型。
6.5K20发布于 2017-08-24 - 来自专栏资讯分享
大模型价值对齐：多维视角与前景
第三，价值对齐以后还有哪些安全治理可以做的事？价值对齐知识大模型安全应用的前提之一。大模型的安全治理还涉及众多内容，例如隐私、版权、幻觉问题。 张拳石：基于可解释性的大模型可信评估和价值对齐从技术的角度来看，大模型的价值对齐背后有一个根本的问题，即大模型到底能否被解释清楚？ 4）对齐问题，更多指模型的内在危害，使模型能够表征并且安全优化难以设定的目标，使其符合人类的价值观。第三种概念指的是“确保LLM回复安全内容的对齐技术”。 李珂：从人类教育的角度思考模型价值对齐在大模型落地方向中，我认为大模型价值对齐问题与人类教育有着相似之处。因此，我将从人类教育的角度探讨这一问题。价值对齐在做什么？ 价值对齐的方法可以从教育学中找灵感。基于人类教育和模型价值对齐两个问题的对偶性，我们可以借鉴教育上的手段来思考如何设计更好的模型价值对齐方法。
87411编辑于 2023-11-28 - 来自专栏MixLab科技+设计实验室
大语言模型对齐技术 - RLHF训练方法
"abliteration"技术，通过识别LLM中的"拒绝方向"并正交化权重，解除模型审查机制。 实验显示该方法会降低模型性能，但后续DPO微调可恢复表现，最终得到高性能无审查的8B模型NeuralDaredevil。 核心要点： 技术原理：对比有害/无害指令的残差流激活差异，定位"拒绝方向"（如Llama 3的审查机制） 关键操作：通过权重正交化永久消除该方向，使模型不再拒绝敏感请求 性能影响：直接应用会导致MMLU 等指标下降（如Daredevil-8B分数降低） 修复方案：采用DPO偏好对齐微调（使用orpo-dpo-mix-40k数据集），恢复模型能力 伦理争议：暴露安全微调的脆弱性，需谨慎使用该技术
18010编辑于 2026-03-24 - 来自专栏CSDN博客专家-小蓝枣的博客
PyQt5 技术篇-设置alignment对齐方式。Qt Designer设置文本对齐方式。居中、左对齐、右对齐、上对齐、下对齐。
通过alignment设置，展开后可以设置水平方向或垂直方向的对齐方式。 PyQt5设置文本对齐方法： self.label.setAlignment(QtCore.Qt.AlignRight|QtCore.Qt.AlignVCenter) 两个参数一个是横向靠右，一个是纵向居中 Qt Designer设置文本对齐方法： 如图，水平默认的左对齐我改为了右对齐。 ?
10.8K30发布于 2020-09-23 - 来自专栏韩曙亮的移动开发专栏
【CSS】vertical-align 垂直对齐 ( 块级元素对齐 | 行内元素 行内块元素对齐 | 基线对齐 | 垂直居中 | 顶部对齐 | 底部对齐 )
可以设置四种对齐 : baseline 基线 / top 顶线 / middle 中线 / bottom 底线 ; 基线对齐 : 图片底部位置 与 文字基线 对齐 ; 这是默认的对齐方式 , 如果是 : 图片顶部 与 文字顶线 对齐 ; vertical-align: top; 底部对齐 : 图片底部 与 文字底线 对齐 ; vertical-align: bottom; 二、vertical-align DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-<em>8</em>"> <title>vertical-align 垂直对齐示例</title> ; } .three { /* 顶线对齐 - 图片顶部与文字顶线对齐 顶部对齐*/ vertical-align: top; } .four { /* 底线对齐 - 图片底部与文字底线对齐 ="one"> 基线对齐 : 图片底部与文字基线对齐
中线对齐 : 图片中心与文字中心对齐
5.3K30编辑于 2023-04-24 - 来自专栏机器之心
执行推理时能对齐语言模型吗？谷歌InfAlign带来一种对齐新思路
在根据某个奖励微调生成式语言模型时，使用 KL 正则化的强化学习（KL-RL）来对齐生成式语言模型是一种常用框架。而 KL-RL 通常需要训练一个奖励模型，然后使用一个强化学习求解器。 其它方法还包括直接偏好优化、奖励模型蒸馏、best-of-N 蒸馏的不同变体版本。 在度量 KL-RL 框架的效果时，常用的指标是已对齐模型相较于参照模型在给定任务上的胜率。 但是，在推理时间很少会使用已对齐的模型，而是会通过一个推理时间流程来完成任务，比如 best-of-N 采样、best-of-N 越狱、思维链推理、自我一致性。 于是，问题来了：给定一个已知的推理时间流程，我们可以对齐模型，从而优化相对于参照模型的推理时间胜率吗？ 可以看到，与未在有用性目标上校准的模型相比，基于每个提示词的中位数奖励的校准实现了高 8-12% 的 Best-of-N 胜率。已校准奖励的指数变换优于其他。
22200编辑于 2025-02-03 - 来自专栏深度学习自然语言处理
大语言模型对齐的四种方法！
作者：Asukka，北京邮电大学 AI院在读研究生 原文：https://zhuanlan.zhihu.com/p/673853716 编辑：青稞AI 语言模型的对齐在20年就有相关工作，22年谷歌提出基于指令微调的 Flan，Openai则提出InstructGPT，ChatGPT，大模型的对齐工作受到广泛的关注。 目前，大模型的对齐工作中，RLHF算法是能够达到最优的结果，RLHF通过人类反馈和PPO算法，能够有效的将模型和人类偏好进行对齐。但是RLHF也存在难以训练，训练显存占用较大的缺点。 基于此，相关研究工作(RRHF, DPO)等也逐渐被提出，希望能够在较小的显存占用的情况下，实现对齐的工作。本文主要总结RLHF，RRHF，DPO，Flan的相关对齐工作。 FLAN https://arxiv.org/abs/2210.11416 这篇论文是ChatGPT之前做的比较好的对齐工作，其核心思想就是探究增加数据集的规模，增加模型的大小，增加COT的数据对于模型的性能和泛化能力的影响
1.7K10编辑于 2024-05-11 - 来自专栏资讯分享
为什么价值对齐是大模型的必由之路？
解决对齐困境的出路包括：达成全球共识的伦理价值体系、开发可解释的对齐技术路线、建设完善的对齐效果评估体系。5. 大模型价值对齐需要关注个体需求、集体规范、主体能动性，并兼顾技术实践与法律规制。6. 大模型价值对齐仍有理论局限，需要保持开放和审慎的态度，在实践中逐步推进。 刘鹏飞：技术开发人员容易低估大模型价值对齐的重要性我为什么会做大模型的价值对齐研究呢？ 大模型的价值设计要解决的就是价值对齐问题。那么什么是对齐？ 而从积极隐私的意义上来说，随着大语言模型或基础模型的能力越来越强，我们能在多大程度上，应该在多大程度上，限制个人利用大模型对齐自身的意志和价值，值得深思。最后，进行基于国际比较的展望。
62420编辑于 2023-11-10 AI前沿动态：模型发布、超级计算与对齐挑战
本期内容概览：xAI发布Grok 4，在多项基准测试中取得突破性性能，成为传统大型实验室之外的首个真正意义上的前沿模型，同时推出每月300美元的订阅服务。 Grok的对齐挑战显现，出现反犹太主义回应，突显了在引导模型“寻求真相”的同时避免有害偏见的难度。 (01:02:14) 数学推理能提升大语言模型的通用能力吗？ 理解大语言模型推理的可迁移性(01:07:58) 衡量2025年初的AI对有经验开源开发者生产力的影响(01:13:03) 使用最小化最大遗憾来缓解目标误泛化(01:17:01) 大语言模型中的相关错误 政策与安全(01:22:53) 评估前沿模型的隐蔽性和态势感知能力(01:25:49) 当思维链必要之时，语言模型难以规避监控(01:30:09) 为什么有些语言模型假装对齐而另一些则不会？
17310编辑于 2025-12-16多头对齐：视觉语言模型知识蒸馏新方法
多头对齐：视觉语言模型知识蒸馏新方法方法保留教师模型注意力头中编码的知识，即使学生模型的注意力头数量更少也能实现基于Transformer架构的大型机器学习模型最近在视觉和语言任务上展现出卓越的性能。 然而，这类大模型通常因速度问题难以满足实时应用需求，因此实际系统常采用知识蒸馏技术，将大模型的知识提炼到更精简、更快速的模型中。 传统的大型Transformer蒸馏通常将经过训练的大模型（教师模型）的注意力头与精简目标模型（学生模型）的注意力头进行一对一的对齐。然而，限制注意力头的数量正是学生模型降低复杂度的关键方式之一。 在今年的人工智能促进协会（AAAI）年会上，我们提出了一种替代方案：将教师模型所有注意力头的知识都蒸馏到学生模型所有注意力头中。 由于学生模型的头数少于教师模型，学生模型中的单个注意力头最终可能会编码教师模型中多个注意力头所包含的信息。
13510编辑于 2026-02-14- 来自专栏机器之心
AAAI 2026 Oral | 通过视觉安全提示与深度对齐实现大型视觉语言模型的安全对齐
DAVSP 通过引入全新的视觉安全提示与深度对齐策略，在几乎不破坏模型正常能力的前提下，显著提升了大型视觉语言模型对恶意输入的抵御效果，为大型视觉语言模型的安全对齐提供了新的方法。 其次，仅依据模型最终输出是否安全来训练扰动（比如让模型尽量输出预设的拒绝语）属于浅层的对齐，模型可能学到的是表面模式而非真正的安全准则。 方法与创新：深度对齐的视觉安全提示（DAVSP） DAVSP 整体思路：作者重新审视了将安全提示引入视觉模态的范式，提出视觉安全提示（VSP）来取代传统的图像全局扰动，并设计了深度对齐（DA）的训练策略让模型从内部真正理解何为 DAVSP 的第二项创新深度对齐（Deep Alignment）旨在深入模型内部，对其内部激活空间进行监督，挖掘并增强模型自身对「有害 / 无害」信息的区分能力。 关键组件作用：通过消融实验，作者验证了 DAVSP 的两大创新 —— 视觉安全提示和深度对齐 —— 缺一不可。移除深度对齐、仅对输出进行监督时，模型对恶意攻击的抵抗成功率大幅下降。
36710编辑于 2025-11-26 - 来自专栏计算机视觉战队
基于深度模型的人脸对齐和姿态标准化
今天的小故事将完了，开始说说大故事，也就是今天所要说的人脸对齐及人脸姿势标准化，希望有兴趣的您继续阅读下去，谢谢！ 有挑战性的数据——AFEW * 4.0数据库 从显示接近真实世界的电影中收集的音频视频剪辑 方法： n图像特征 对齐的人脸图像: 64x64; 特征: HOG, dense SIFT, DCNN. 256@14x14 > 256@7x7 > 4096 > 1520 最后卷积层的输出作为最终图像特征：256x7x7=12,544 nHOG Block size: 16x16; stride: 8; per block: 2x2; # ofbins: 9; # of total dims: 2x2x9x49=1764 nDense SIFT Block size: 16x16; stride: 8; # ofpoints: 7x7=49 # of dims per point: 4x4x8=128; #of total dims: 128x49=6272 结果： 比赛最终结果： ---- HERML
1.1K40发布于 2018-04-17 - 来自专栏三丰SanFeng
字节对齐
但是因为编译器要对数据成员在空间上进行对齐。 所以使用sizeof(strcut A)值为8。 现在把该结构体调整成员变量的顺序。 ，恢复缺省对齐*/ sizeof(struct C)值是8。 又C的自身对齐值为4，所以 C的有效对齐值为2。又8%2=0,C只占用0x0000到0x0007的八个字节。所以sizeof(struct C)=8. 2 Linux32位系统下gcc编译器默认对齐为4字节 3 在64位系统#pragma pack(4)的情况下，a1->c的地址按4字节对齐而不是按8字节(long在64位下为8字节长)，会不会影响 4 在32位系统下，double和long long的有效对齐值为4，而不是8，这是因为它们在32位系统下是被当成2个32位对象来进行处理的 版权声明：本文为博主原创文章，未经博主允许不得转载。
2.8K50发布于 2018-01-16 - 来自专栏golang分享
内存对齐
Go语言称为寄存器宽度的这个值，就可以理解为机器字长，也是平台对应的最大对齐边界，而数据类型的对齐边界是取类型大小与平台最大对齐边界中的较小的那个 类型 大小 RegSize int8 1 byte 8 byte int16 2 byte 8 byte int32 4 byte 8 byte int64 8 byte 8 byte string 16 byte 8 byte slice 24 byte 8 byte … … … 同一个类型在不同平台上的大小可能不同，不按照最大对齐边界或者最小对齐边界来考虑是为了减少浪费、提高性能 如何确定一个结构体的对齐边界 先确定每个成员的对齐边界，然后取最大值 type T stract { a int8 1 byte b int64 8 byte c int32 4 byte 最大对齐 8 byte ，然后是第二个成员b,它要对齐到8字节，但是接下来的地址对8取模不等于0,所以要往后移。
5.2K21编辑于 2023-07-30 - 来自专栏python3
打印对齐
（1）右对齐 >>> print("PI=%10.3f"%a) #约束一下，这个的含义是整数部分加上小数点和小数部分共计10位，并且右对齐 PI= 3.142 （2）左对齐 >> > print("PI=%-10.3f"%a) #要求显示的左对齐，其余跟上面一样 PI=3.142 二、字符类型（str） 和数值类型类似，不过将%d、%f的占位符变为了%s的占位符。
2.3K20发布于 2020-01-09 - 来自专栏初学C++
内存对齐
内存对齐应用于三种数据类型中：struct、class、union；为什么要内存对齐：提高内存访问效率，减少cpu访问内存次数用sizeof运算符可以得到整个结构体占用内存的大小。 内存对齐：#pragma pack(字节数) 如果用1，那么内存之间就没有空隙了合理使用内存对齐规则，某些节省内存的做法可能毫无意义。 pack宏定义，有这个宏的情况下结构体的自身宽度是宏定义的数值（但是当成员中占用字节数最大的类型的字节大小比宏定义的数值小的时候，会按照字节数来）#pragma pack 的参数只能是 1、2、4、8、 遵循以上规则，做一些练习：以下都以32位操作系统为例（32位和64位下数据类型有一些区别，例如long在32位系统下占4字节，在64位下占8字节；指针在32下占4字节，在64下占8字节）struct A ；当结构体中的最大的数据类型的大小 小于 宏定义的大小时，就会以结构体中最大的数据类型的大小来进行内存对齐#pragma pack(8) struct test { char a; int
86740编辑于 2023-09-02 - 来自专栏知识同步
内存对齐
使用伪代码表示： min(#pragma pack, 结构最大数据成员长度) * N 规则2 在数据成员完成各自对齐之后，结构(或联合)本身也要进行对齐，对齐也按照#pragma pack指定的数值和结构 规则3 如果没有使用#pragma pack指令来显式的指定内存对齐的字节数，则按照默认字节数来对齐，各个平台的默认对齐规则如下：32位CPU默认按照4字节对齐；64位CPU默认按照8字节对齐。 } struct x{ char a; //4 char b; int i; //4 }; int main() { cout << sizeof(x); //8 } 上面两个如果在#pragma pack(8)下也是一样，因为int是4个字节，小于8，所以是4字节对齐 struct x{ long long a; //8 char b; //
1.7K30编辑于 2022-12-26 - 来自专栏Python与算法之美
8，模型的训练
根据问题特点选择适当的估计器estimater模型： 分类(SVC,KNN,LR,NaiveBayes,...) 回归(Lasso,ElasticNet,SVR,...) 一，分类模型的训练 ? ? ? ? ? ? ? ? ? 二，回归模型的训练 ? ? ? ? ? ? ? ? 三，聚类模型的训练 KMeans算法的基本思想如下： 随机选择K个点作为初始质心 While 簇发生变化或小于最大迭代次数： 将每个点指派到最近的质心，形成K个簇 重新计算每个簇的质心 ? 四，降维模型的训练 PCA主成分分析(Principal Components Analysis)是最常使用的降维算法，其基本思想如下： 将原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合 可以结合FeatureUnion 和 Pipeline 来创造出更加复杂的模型。 ?
82031发布于 2020-07-17
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