- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python与算法之美
9，模型的评估
模块中的交叉验证相关方法可以评估模型的泛化能力，能够有效避免过度拟合。 二，分类模型的评估 模型分类效果全部信息： confusion_matrix 混淆矩阵,误差矩阵。 ? 模型整体分类效果： accuracy 正确率。通用分类评估指标。 模型对某种类别的分类效果： precision 精确率，也叫查准率。模型不把正样本标错的能力。“不冤枉一个好人”。 recall 召回率，也叫查全率。模型识别出全部正样本的能力。 三，回归模型的评估 回归模型最常用的评估指标有： r2_score(r方，拟合优度，可决系数) explained_variance_score(解释方差得分) ? ? 留出法 为了解决过拟合问题，常见的方法将数据分为训练集和测试集，用训练集去训练模型的参数，用测试集去测试训练后模型的表现。
96631发布于 2020-07-17 - 来自专栏C++开发学习交流
【AI模型】AI模型部署概述
AI模型部署方法 在AI深度学习模型的训练中，一般会用Python语言实现，原因是其灵活、可读性强。但在AI模型实际部署中，主要会用到C++，原因在于其语言自身的高效性。 AI模型部署框架 模型部署常见的推理框架有：ONNX、NCNN、OpenVINO、 TensorRT、Mediapipe。 通过短短几年的发展，已经成为表示深度学习模型的实际标准，并且通过ONNX-ML，可以支持传统非神经网络机器学习模型，大有一统整个AI模型交换标准的趋势。 AI模型部署平台 AI 模型部署是将训练好的 AI 模型应用到实际场景中的过程。 以下是一些常见的 AI 模型部署平台： 云端部署 云端部署是最流行的 AI 模型部署方式之一，通常使用云计算平台来托管模型和处理请求。
1.8K10编辑于 2024-07-24 - 来自专栏社区动态
AI日报｜智谱AI再降价，同时开源9B系列模型；国内外气象大模型竞逐升级
文章推荐AI日报｜国产大模型迎来新卷王，天工MoE全球首用4090推理，马斯克计划豪掷90亿购买GPUAI日报｜斯坦福团队被曝抄袭国内大模型已删库跑路！ 英伟达打破摩尔定律，机器人时代到来智谱AI全模型矩阵进行降价，最低可至0.06元/百万Tokens智谱AI在6月5日举办的Open Day上宣布对其全模型矩阵进行降价调整，显著降低了用户使用大模型的成本门槛 另外，智谱AI宣布开源GLM-4-9B系列模型，这一系列不仅涵盖基础模型、视觉模型，还特别设计了多种上下文长度的Chat模型，极大地丰富了应用场景。 GLM-4V-9B具备1120 * 1120高分辨率下的中英双语多轮对话能力，在中英文综合能力、感知推理、文字识别、图表理解等多方面多模态评测中，GLM-4V-9B号称可表现出超越GPT-4-turbo https://www.ithome.com/0/773/278.htm复旦大学发布“伏羲”2.0气象大模型，还能服务新能源、航空运输等行业相较于去年推出的1.0系列，“伏羲”2.0的中期天气预报大模型和次季节大模型
31810编辑于 2024-06-07 - 来自专栏猫头虎博客专区
开源大模型DeepSeek.ai火遍全球:9条让DeepSeek颠覆通用大模型的事实
DeepSeek.ai为什么会成功？ DeepSeek.ai成功的原因是什么？ DeepSeek.ai有哪些不为人知的秘密？ DeepSeek.ai火遍全球的几个事实: DeepSeek 不是套壳不是蒸馏美国的大模型。 虽然中国有些大模型是套壳和蒸馏的, 但 DeepSeek 不是。 数据, 训练了 R1-Zero 模型, 探索了模型不依赖人类标注数据微调、自主推演的能力, 打开了新的思路。 从 AI 过去 70 年发展的历史经验来看算力至关重要, 未来可能依然是。 基础大模型终将 commoditize (商品化), toB 领域看谁能将 LLM 更好和复杂的生产环节衔接好帮客户落地提高生产效率, toC 领域看谁有流量入口, 最终才会获取 AI 产业价值创造中最多的利润
1.1K10编辑于 2025-02-02 - 来自专栏帅云霓的技术小屋
大模型与AI底层技术揭秘 (9) 工业化武装的巨龙 （中）
在上期，我们提到了NVLink技术能够为GPU之间提供高速低时延可靠的数据通道，两块GPU之间可以通过NVLink互通。
55420编辑于 2023-11-13 - 来自专栏ADAS性能优化
AI Weekly | Nov. 9, 2019
Researchers tout AI that can predict 25 video frames into the future In a preprint paper, researchers propose an AI model that can predict up to 25 video frames into the future given only two to five starting Applause targets AI bias by sourcing training data at scale Software-testing company Applause wants to reinvent AI testing with a service that detects AI bias by crowdsourcing larger training data sets. Remember that scary AI text-generator that was too dangerous to release?
27210编辑于 2022-05-13 - 来自专栏深度学习与python
Arm 发布全新 Armv9 边缘 AI 计算平台，可运行超 10 亿参数端侧 AI 模型
作者 | 冬梅 近日，Arm 正式发布了其全球首款 Armv9 边缘 AI 计算平台。 据介绍，该平台以全新的 Arm Cortex-A320 CPU 和边缘 AI 加速器 Arm Ethos-U85 NPU 为核心，可支持运行超 10 亿参数的端侧 AI 模型。 与去年发布的基于 Cortex-M85 搭配 Ethos-U85 的平台相比，全新 Armv9 边缘 AI 计算平台的 ML 计算性能提升了 8 倍，带来了显著的 AI 计算能力突破, 助力大模型与生成式 它支持如 Neon 和 SVE2 等 Armv9 架构的关键特性，大幅提升了 AI 的计算效率。 AI 大模型，进一步释放 AI 计算性能。
66610编辑于 2025-03-13 - 来自专栏又见苍岚
DE-9IM 空间关系模型
DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，直接翻译为 维度扩展的 9 个相交模型，本文记录相关内容。 简介 DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，DE-9IM 模型是用于描述两个 二维几何对象（点、线、面） 之间的空间关系的一种模型 维度扩展九交模型（DE-9IM）是一种拓扑模型和标准，用于描述两个区域（二维中的两个几何图形，R2）的空间关系，在几何学、点集拓扑、地理空间拓扑、以及与计算机空间分析相关的领域。 空间关系 模型主要要描述的就是二维平面下的两个几何对象之间的空间关系。 DE-9IM 模型 DE-9IM 模型把几何对象分为 内部、边界、外部 三个部分，两个几何对象这三个部分两两之间的关系，就可以组合为一个3X3大小（就是 9 个值）的矩阵，这9个值的组合，就表示两个几何对象的空间关系
89810编辑于 2024-07-04 - 来自专栏白话互联
【Ai Agent】Ai Agent News | 9月11日速递
今天是9月11日星期四，让我们一起来看看今天 Ai Agent 带来的 AI 领域的重要动态吧！ ❤ Indeed Unveils AI Agents for Job Seekers and Recruiters 求职招聘领域迎来AI助手新时代 Indeed推出了两款AI Agents，分别面向求职者和招聘方 ❤ Secure AI Agents at Runtime with Docker Docker推出AI Agent运行时安全解决方案 Docker发布了关于如何在运行时保护AI Agent的新方法， 随着AI工具的强大和普及，它们也变得不可预测且易受攻击。从LLM输出中的幻觉到提示注入，AI工作流面临多重安全威胁。 AI Agent时嵌入运行时安全，为AI原生开发提供更可靠的安全保障。
33210编辑于 2025-09-17 - 来自专栏开源心路
AI模型实战
背景 通过示例梳理AI模型训练流程，示例比较简单，方便演示。 流程 机器学习实战步骤 定义问题 数据收集和预处理 选择算法并建立模型 训练模型 模型评估和优化 示例 定义问题 根据公开数据集预测加州房价分布 数据收集 import pandas as pd 85800.0 16999 806.0 270.0 3.0147 94600.0 [17000 rows x 9 df_housing.drop("median_house_value",axis = 1) #构建特征集X y = df_housing.median_house_value #构建标签集y 选择算法并建立模型 #导入线性回归算法模型 model = LinearRegression() #使用线性回归算法 model.fit(X_train, y_train) #用训练集数据，训练机器，拟合函数，确定参数
33710编辑于 2023-06-30 - 来自专栏月色的自留地
从锅炉工到AI专家(9)
这种预测方式也叫连续词袋模型（CBOW）。还有一种方式是反过来，同上例，比如我们用quick预测the brown，这样叫：Skip-Gram模型。 进行基本的数据整理， 示例起见，这里只使用前面的50000个单词对模型进行训练。在训练集中，统计单词的出现频率，并根据频率生成字典dictionary。 前面讲过了，Skip_gram算法是用当前单词，在训练好的模型中预测这个上下文。 其余部分虽然模型不常见，但基本都应当能读懂。 训练模型，最终向量化的结果，从TensorFlow输出保存到python变量final_embeddings里面。 Epoch 8 Step 1207755: lr = 0.015 words/sec = 401 Eval 4965/17827 accuracy = 27.9% Epoch 9
79160发布于 2018-06-20 - 来自专栏圣杰的专栏
.NET+AI | Agent | 人机协作（9）
通过 ApprovalRequiredAIFunction 为敏感工具加上人工审批环节，快速构建符合企业合规要求的 MAF 人机协作智能体。
19910编辑于 2025-12-28 - 来自专栏服务端技术杂谈
AI Agent：模型->工具->结果->模型
Reddit上有人说，AI Agent就是：模型->工具->结果->模型。 从程序员角度来说，就是拼接参数json，调用LLM，处理返回值json。 不需要用什么复杂的框架，基本上只需要串联： 用户输入目标Prompt->将提示词传递给LLM->模型决定下一步->需要工具（API调用、爬取网页、操作API）执行->将结果反馈给模型进行下一步->直到任务完成 即：模型 → 工具 → 结果 → 模型 关于记忆，先用短期记忆，比如最近几条上下文消息。 如果需要跨会话记忆，可以从持久存储获取，比如向量数据库。
13110编辑于 2026-03-11 - 来自专栏生信技能树
RNAvelocity 9：scVelo应用—动力学模型
动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。
62620发布于 2021-10-12 - 来自专栏深度学习和计算机视觉
加速 PyTorch 模型训练的 9 个技巧
[1_CER3v8cok2UOBNsmnBrzPQ](9 Tips For Training Lightning-Fast Neural Networks In Pytorch.assets/1_CER3v8cok2UOBNsmnBrzPQ.gif 将模型的不同部分放在不同的GPU上，batch按顺序移动 有时你的模型可能太大不能完全放到内存中。 9. 多节点GPU训练 每台机器上的每个GPU都有一个模型的副本。每台机器获得数据的一部分，并且只在那部分上训练。每台机器都能同步梯度。 在.backward()上，所有副本都接收到所有模型的梯度副本。这是模型之间唯一一次的通信。 英文原文：https://towardsdatascience.com/9-tips-for-training-lightning-fast-neural-networks-in-pytorch-8e63a502f565
1.2K20编辑于 2022-02-09 - 来自专栏Ywrby
9-线程概念与多线程模型
因此内核级线程的切换必须在核心态下执行 注意 操作系统只能“看见”内核级线程，因此只有内核级线程才是处理机分配的单位 以下方的多对多模型为例，其由三个用户级线程映射到两个内核级线程上，在用户看来，进程中同时有三个线程并发执行 ，但在操作系统看来，只有两个内核级线程，所以哪怕是在4核处理机的计算机上运行，该进程也最多只能被分配到两个核心，最所只有两个用户进程并行执行 多线程模型 多对一模型 一对一模型 多对多模型
37510编辑于 2022-10-27 winform部署yolov9的onnx模型
C# WinForms 部署 YOLOv9 ONNX 模型简介 在当今的计算机视觉领域，目标检测是不可或缺的一项技术。 ONNX是一个开放的模型表示，使得不同深度学习框架之间可以相互转换和共享模型。这使得YOLOv9模型可以在C#环境中得到高效利用。 用户可以通过界面上传图像，应用程序则利用YOLOv9模型进行目标检测，并在图像上标注出目标物体的位置和类别。 通过C# WinForms部署YOLOv9的ONNX模型，我们可以为用户提供一个功能强大的目标检测工具。 性能逆天~，YOLOv9杀疯了！最新的实时目标检测模型！代码已开源！，一款小工具，让你直连谷歌翻译！
44810编辑于 2025-07-20使用Spring AI调用AI模型
简介Spring AI是Spring框架对人工智能和机器学习的支持模块,它提供了一套简单易用的API来集成各种AI服务和模型。 主要功能集成主流AI模型服务(如OpenAI、Azure、 Baidu千帆等)提供统一的API接口支持提示词工程内置向量存储功能支持文本嵌入和文本生成核心概念AI Client统一的客户端接口,用于调用 代码助手 代码解读复制代码spring.ai.openai.api-key=youkeyspring.ai.openai.base-url=https://api.deepseek.comspring.ai.openai.chat.options.model 对接阿里大模型Spring AI Alibaba 开源项目基于 Spring AI 构建，是阿里云通义系列模型及服务在 Java AI 应用开发领域的最佳实践，提供高层次的 AI API 抽象与云原生基础设施集成方案 ，帮助开发者快速构建 AI 应用。
1.4K10编辑于 2025-03-27- 来自专栏单细胞天地
RNAvelocity 9：scVelo应用—动力学模型
动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。
93910发布于 2021-10-09 - 来自专栏AlwaysBeta
9K star！利用 AI 大模型，一键生成高清短视频。效果还可以
原文链接： 9K star！利用 AI 大模型，一键生成高清短视频。效果还可以现在失业三件套就是滴滴，外卖和自媒体，而且视频赛道也越来越卷了。 功能特性：完整的 MVC 架构，代码 结构清晰，易于维护，支持 API 和 Web 界面支持视频文案 AI 自动生成，也可以自定义文案支持多种 高清视频 尺寸 竖屏 9:16，1080x1920横屏 16 :9，1920x1080支持 批量视频生成，可以一次生成多个视频，然后选择一个最满意的支持 视频片段时长设置，方便调节素材切换频率支持 中文 和 英文 视频文案支持 多种语音 合成支持 字幕生成，可以调整 随机或者指定音乐文件，可设置背景音乐音量视频素材来源 高清，而且 无版权支持 OpenAI、moonshot、Azure、gpt4free、one-api、通义千问、Google Gemini、Ollama 等多种模型接入我体验了一下 接下来就是把下载的视频剪辑，再根据 AI 的文案合成一个最终版视频，并在页面上提供了下载功能。关注我，持续为大家分享 AI 领域的开源项目。
89510编辑于 2024-04-16
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