- 综合排序
- 最热优先
- 最新优先
- 来自专栏Michael阿明学习之路
4. 训练模型
线性模型正则化 4. 早期停止法（Early Stopping） 本文为《机器学习实战：基于Scikit-Learn和TensorFlow》的读书笔记。 中文翻译参考 1. (100,1) y = 4+3*X+np.random.randn(100,1) plt.plot(X,y,"b.") plt.axis([0,2,0,15]) ? 上图显示训练集和测试集在数据不断增加的情况下，曲线趋于稳定，同时误差都非常大，欠拟合 欠拟合，添加样本是没用的，需要更复杂的模型或更好的特征 模型的泛化误差由三个不同误差的和决定： 偏差：模型假设不贴合 ，高偏差的模型最容易出现欠拟合 方差：模型对训练数据的微小变化较为敏感，多自由度的模型更容易有高的方差（如高阶多项式），会导致过拟合 不可约误差：数据噪声，可进行数据清洗 3. ElasticNet(alpha=0.1, l1_ratio=0.5) elastic_net.fit(X, y) elastic_net.predict([[1.5]]) # array([4.99822842]) 4.
59940发布于 2021-02-19 - 来自专栏CreateAMind
实现最小意识模型-4 自我模型和世界模型
3.2自我模型和世界模型 我们在这里归类的模型都有一个共同的想法，那就是，对于一个有意识的事物来说，这个事物必须能够塑造它自己和它的世界:换句话说，有意识就是成为那种参与情境自我塑造的事物。 因此，所提出的MUM可以被视为生成类似IWMT的模型的尝试，尽管该模型具有更少的理论假设集，专注于意识体验所必需的核心组件，并进一步描述如何从其他理论中找到趋同支持。 根据IWMT的观点，意识是一个整合世界模型的过程。 更确切地说，意识将对应于正在进行的关于被体现的主体的可能感觉状态的推论或预测的产生；这些推论是以因果世界模型为条件的，而因果世界模型又是从生态位内的目标追求历史中训练出来的。 这些世界模型具有空间、时间和因果的一致性。
65130编辑于 2023-11-01 - 来自专栏小雨的CSDN
4. 软件测试 —— 测试模型（V模型 W模型）
【软件开发的周期：、需求分析、设计、实现、测试、安装部署、运行维护】 【软件测试的周期：、需求分析，测试计划，测试设计/测试开发，测试执行，测试评估】 软件测试v模型 （v模型是瀑布模型的变种） 优点：后期的测试阶段和前期的阶段可以一一对应起来，清楚的标注每一个测试阶段的依据 缺点：不利于项目前期风险的及时发现 软件测试W模型（双V模型） 特点:测试在项目前期介入，对需求，系统设计等都会进行验证
1.8K30编辑于 2022-10-26 - 来自专栏喵叔's 专栏
浅谈C4模型
C4模型（C4 Model）是一种用于描述软件系统架构的轻量级模型，其目标是通过简化、清晰和易于理解的方式来表达系统的不同层次的架构信息。 C4模型的作者是Simon Brown，他在其著作《Software Architecture for Developers》中首次提出了这一模型。 下面是C4模型的四个层次的简要说明： 上下文层次（Context）： 这是系统的最高层次，描述了系统与外部实体（例如用户、其他系统、硬件设备等）之间的关系。 在使用C4模型时，可以按照以下步骤进行： 绘制上下文图： 理解系统与外部实体之间的关系，标识系统的上下文，绘制上下文图。 C4模型的优势在于能够以层次化和结构化的方式呈现系统架构，使得开发人员、架构师和其他利益相关者能够更容易地理解和交流系统设计。
1.6K10编辑于 2023-12-29 - 来自专栏育种数据分析之放飞自我
混合线性模型学习笔记4
这个小节主要是介绍混合线性模型的理论知识，包括固定因子的显著性检验（Wald），随机因子的检验（LRT），固定因子的效应值（BLUE），随机因子的效应值（BLUP）。 1. 题目：混合线性模型理论1 ? 在这里插入图片描述 2. 大纲 混合线性方程组中矩阵的书写形式，固定因子如何构建矩阵，随机因子如何构建矩阵，固定因子和随机因子的显著性检验。 ? 3. 一般线性模型 一般线性模型的矩阵写法： ? 矩阵解释： ? 4. 混合线性模型 混合线性模型的矩阵写法： ? 模型解释： ? 矩阵形式推导： ? 5. 单因素随机区组：混合线性模型 固定因子：单因素 随机因子：区组 ? 写出似然函数： ? 使用REML评估： ? LRT检验： ? ? 检验固定因子 ? ? 在这里插入图片描述 ? 相关系列： 混合线性模型学习笔记1 混合线性模型学习笔记2 混合线性模型学习笔记3
83910发布于 2020-05-13 - 来自专栏ytkah
GPT-4多模态模型
GPT-4 模型是OpenAI开发的第四代大型语言模型（LLM），它将是一个多模态模型，会提供完全不同的可能性-例如文字转图像、音乐甚至视频。 GPT-4 建立在 GPT-3 之上，GPT-3 于 2020 年 5 月发布，并迅速成为使用最广泛的自然语言处理模型之一。 在GPT-4之前是GPT-3.5，由该模型开发的聊天机器人 ChatGPT 一经面世，便引爆 AI 界的军备竞赛 多模态或成GPT-4最大亮点 微软 AI 技术专家 Holger Kenn 和 Clemens Altman 强调，GPT-4 是一次进化，而不是一项革命性的技术。 GPT-4 GPT-4 模型是第四代大型语言模型（LLM），它将是一个多模态模型，会提供完全不同的可能性-例如文字转图像、音乐甚至视频。
1.7K31编辑于 2023-03-13 - 来自专栏罗西的思考
Facebook如何训练超大模型---(4)
[源码分析] Facebook如何训练超大模型 --- (4) 目录 [源码分析] Facebook如何训练超大模型 --- (4) 0x00 摘要 0x01 背景知识 1.1 单精度、双精度和半精度浮点格式的区别 8 路模型并行、64 路管道并行和 8 路数据并行在 4,096 个 NVIDIA A100 GPU 上进行扩展。 Parameter sharding 就是把模型参数等切分到各个GPU之上。我们会以 Google，微软和 Facebook 的论文，博客以及代码来进行学习分析。 ---(1) [源码分析] Facebook如何训练超大模型 --- (2) [源码分析] Facebook如何训练超大模型 --- (3) 0x01 背景知识 1.1 单精度、双精度和半精度浮点格式的区别 如果采用FP16，则模型占用是FP32的一半，这样可以训练更大的模型，使用更大的batch size，通信量更少。 计算更快。FP16的加速优化可以加快训练和推理的计算。
1.9K10编辑于 2022-05-09 - 来自专栏又见苍岚
PyTorch 学习 -4- 模型构建
随着深度学习的发展，研究人员研究出了许许多多的模型，PyTorch中神经网络构造一般是基于nn.Module类的模型来完成的，它让模型构造更加灵活， 本文介绍 Pytorch 的模型构建 。 不含模型参数的层 我们先介绍如何定义一个不含模型参数的自定义层。 含模型参数的层 我们还可以自定义含模型参数的自定义层。其中的模型参数可以通过训练学出。 __init__() self.params = nn.ParameterList([nn.Parameter(torch.randn(4, 4)) for i in range(3)]) 4)), 'linear2': nn.Parameter(torch.randn(4, 1)) }) self.params.update({
77020编辑于 2023-07-20 - 来自专栏杨不易呀
【JMM内存模型-4】JMM内存模型之CPU缓存策略
CPU为了提升执行效率，减少CPU与内存的交互(交互影响CPU效率)，一般在CPU上集成了多级缓存架构
86220编辑于 2022-01-19 - 来自专栏简书专栏
目标检测第4步-模型测试
致谢声明 本文在学习《Tensorflow object detection API 搭建属于自己的物体识别模型（2）——训练并使用自己的模型》的基础上优化并总结，此博客链接：https://blog.csdn.net 《目标检测第2步-数据准备》，链接：https://www.jianshu.com/p/3d9436b4cb66 《目标检测第3步-模型训练》，链接：https://www.jianshu.com/p 下载测试数据 下载链接: https://pan.baidu.com/s/1NksESNqBX--YqMJ4zptGdw 提取码: 6p3u 压缩文件n01440764.tar下载完成后，复制到桌面的文件夹目标检测中 image.png 4.下载并运行测试代码 链接: https://pan.baidu.com/s/1Ym1cYFCnsj1JAYFACHFj_Q 提取码: i3wn 代码文件fish_detection.ipynb 2.时间主要花费在用最少的代码文件完成模型导出和模型测试的效果。 3.目标检测给物体画方框，方框线条的粗细和字体大小是一个需要花时间去学习的点。
1.4K31发布于 2018-12-28 - 来自专栏后台技术汇
大模型应用之（4）：Langchain架构与大模型接入
背景 LangChain 是一个用于开发由大型语言模型（Large Language Model，LLM）驱动的应用程序的框架。 旨在简化使用大型语言模型的应用程序。 作为一个语言模型集成框架，LangChain 的用例与一般语言模型的用例有很大的重叠。 重叠范围包括文档分析和总结摘要, 代码分析和聊天机器人。 Langchain架构 LangChain工具 组件：大模型包装器、聊天模型包装器、数据增强工具和接口链： 提供了标准接口，和数据平台和实际应用工具紧密集成 LangChain六大模块 模块 核心作用 Agent作为高级模块，可调用其他所有模块功能 大模型接入 接入示例 云服务和私有化大模型优劣对比 维度 开发成本 算力成本 运维成本 数据安全 云厂商大模型 较低，开箱即用 算力资源充足，大模型性能好 &吞吐量较高 较低，提供云平台监控 安全性低 私有化大模型 较高，自建大模型网关、服务鉴权、可用性等 算力硬件投入成本高，大模型性能较差低&吞吐量较低 较高，需要专业运维团队介入 安全性高，保密性强
70610编辑于 2025-08-04 - 来自专栏搜狗测试
软件框架图——C4模型
方法 在这里给大家介绍的框架图就是利用C4模型进行绘制的，C4 代表上下文（Context）、容器（Container）、组件（Component）和代码（Code）——一系列分层的图表，可以用这些图表来描述不同缩放级别的软件架构 C4 模型使用容器（应用程序、数据存储、微服务等）、组件和代码来描述一个软件系统的静态结构。同时它还考虑到使用软件系统的人。 下面案例来自互联网 1. 系统上下文（System Context） ? 其用途有： a.描述了系统由哪些组件/服务组成 b.厘清了组件之间的关系和依赖 c.为软件开发如何分解交付提供了框架 4. 代码（Code） ? 它表明该组件由很多类组成，实现细节直接反映了代码。 结语 利用C4模型进行框架图绘制，可以通过抽丝剥茧的方式将整个框架一层一层的分离，不仅使得作图之人有的放矢，同时也使得看图之人理解的更加清晰。
7.1K30发布于 2019-09-08 - 来自专栏大模型成长之路
【大模型学习 | MINIGPT-4原理】
MINIGPT-4: ENHANCING VISION-LANGUAGE UNDERSTANDING WITH ADVANCED LARGE LANGUAGE MODELS在GPT4未开源的情况下，作者认为其表现优越是因为采用了最为先进的 LLM模型，因此，作者在BLIP2的基础上，将LLM模型替换为了Vicuna，同样也是通过一个线性映射层将图像表征映射为LLM的输入。 开源代码：https://minigpt-4.github.io/一、预训练方法预训练方法几乎和BLIP2模型一致，可以参考：【大模型学习 | BLIP2原理】-腾讯云开发者社区-腾讯云1.1 Q-Former ； MINI-GPT4表现比BLIP2要强上许多？ ① MiniGPT-4 使用的是 Vicuna（基于 LLaMA 的开源 ChatGPT 对话模型），具有更强的自然语言表达和指令理解能力；而BLIP-2 使用的 LLM 主要是 Flan-T5 或 OPT
73910编辑于 2025-07-02 - 来自专栏Java技术栈
详解 Java 中 4 种 IO 模型
本篇会先介绍一下I/O的基本概念，通过一个生活例子来分别解释下这几种I/O模型，以及Java支持的I/O模型。 推荐阅读：Java 8 开发的 4 大顶级技巧 在linux下，可以通过设置socket使其变为non-blocking。 I/O多路复用 我这里只想重点解释一下I/O多路复用这种模型，因为现在用的最多。很多地方也称为事件驱动IO模型，只是叫法不同，意思都一个样。 更详细的分析可参考 聊聊Linux5种IO模型 Java中四种I/O模型 上一章所述Unix中的五种I/O模型，除信号驱动I/O外，Java对其它四种I/O模型都有所支持。 Java传统IO模型即是同步阻塞I/O NIO是同步非阻塞I/O 通过NIO实现的Reactor模式即是I/O多路复用模型的实现 通过AIO实现的Proactor模式即是异步I/O模型的实现
84020发布于 2019-01-02 - 来自专栏自然语言处理
MMsegmentation教程 4: 自定义模型
定制优化器的构造器 (optimizer constructor) 对于优化，一些模型可能会有一些特别定义的参数，例如批归一化 (BatchNorm) 层里面的权重衰减 (weight decay)。 v1c_trick-2cccc1ad.pth', backbone=dict( type='ResNetV1c', depth=50, num_stages=4, out_indices=(0, 1, 2, 3), dilations=(1, 1, 2, 4), strides=(1, 2, 1, 1),
1.7K31编辑于 2022-03-04 - 来自专栏沉浸式趣谈
Anthropic 深夜发布最强模型：Claude 4
就在昨晚，Anthropic 发布了最新 Claude 4 模型[1] x 帖子 目前有这两种：Claude Sonnet 4 和 Claude Opus 4。 价格上，Claude Opus 4 的价格是 75 每百万 Token，包含(input/output)，而 Claude Sonnet 4 是 50 每百万 Token。 更多详情大家可以看Claude 4 官方介绍[2]。 引用链接 [1] Claude 4 模型: https://x.com/AnthropicAI/status/1925591525372961127 [2] Claude 4 官方介绍: https:/ /www.anthropic.com/news/claude-4
55920编辑于 2025-05-23 - 来自专栏CreateAMind
keras doc 4 使用陷阱与模型
在使用预训练模型时，一个建议是首先找一些测试样本，看看模型的表现是否与预计的一致。 老规矩，陷阱贡献者将被列入致谢一栏 关于Keras模型 Keras有两种类型的模型，顺序模型（Sequential）和泛型模型（Model） 两类模型有一些方法是相同的： model.summary() ：打印出模型概况 model.get_config():返回包含模型配置信息的Python字典。 如果想将权重载入不同的模型（有些层相同）中，则设置by_name=True，只有名字匹配的层才会载入权重 模型 »Sequential模型 Sequential模型接口 如果刚开始学习Sequential 模型，请首先移步这里阅读文档 常用Sequential属性 model.layers是添加到模型上的层的list ---- Sequential模型方法 compile compile(self, optimizer
1.7K10发布于 2018-07-20 - 来自专栏全栈程序员必看
ue4封装接口_ue4导出模型
本文带大家认识UE4插件/模块的使用方式Dll。既然为DLL，那么我们就可以对其封装，做到不公开cpp的目的。 1>新建一个Plugin 2>在plugin中创建一个Actor类，并在里面写一个UE4的Log输出函数。 3>对其进行编译，编译出不同模式的dll出来 4>在UE4场景中测试我们Log函数 5>删除cpp文件 6>在我们的.build.cs中添加不参数编译的参数 bUsePrecompiled = true ; 7>再到UE4场景中测试我们Log函数。 在UE4场景中测试我们Log函数 5>删除cpp文件 6>在我们的.build.cs中添加不参数编译的参数 bUsePrecompiled = true; 7>再到UE4场景中测试我们Log函数。
1.3K10编辑于 2022-09-28 - 来自专栏AI资讯
Claude 3.5 Sonnet模型部分功能超越GPT-4o模型
Anthropic 发布Claude 3.5 Sonnet最新模型 新模型在推理、知识和编码能力评估方面超越了以前的版本和竞争对手GPT 4o模型，同时其运行速度是Claude 3 Opus的两倍。 该模型可在Claude.ai和Claude iOS应用上免费使用。 该模型每百万输入令牌收费 3 美元，每百万输出令牌收费 15 美元，具有 200K 令牌上下文窗口。 我们的评估测试了模型修复错误或向开源代码库添加功能的能力，前提是给出了所需改进的自然语言描述。 最先进的视觉Claude 3.5 Sonnet 是我们迄今为止最强大的视觉模型，在标准视觉基准上超越了 Claude 3 Opus。这些重大改进对于需要视觉推理的任务最为明显，例如解释图表和图形。
1.2K10编辑于 2024-06-24 - 来自专栏运维开发王义杰
探索软件架构的艺术：C4模型与4+1视图模型的比较与应用
在这篇文章中，我们将深入探讨C4模型和4+1视图模型的定义、特点、应用场景以及它们之间的联系和差异。 C4模型概述 C4模型，由Simon Brown提出，是一种用于软件架构可视化和文档化的方法。 C4模型与4+1视图模型的联系与差异 尽管C4模型和4+1视图模型在表现形式和侧重点上有所不同，但它们都致力于提供一种全面的方法来描述和理解软件架构。 表达方式：C4模型强调的是从大到小的层次递进，而4+1视图模型则是通过不同的视图来展现系统的不 同方面。 而对于需要详细规划和多方利益相关者参与的大型项目，4+1视图模型则能提供更全面的视角。 总结 C4模型和4+1视图模型虽然有各自的侧重点和应用场景，但都是架构师在设计和沟通软件架构时的有力工具。
1.4K10编辑于 2024-02-05
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