- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据派THU
详解：7大经典回归模型
来源：csdn 深度学习爱好者本文约2900字，建议阅读5分钟本文给大家介绍机器学习建模中7大经典的回归分析模型。 什么是回归分析？ 4.它需要大的样本量，因为在样本数量较少的情况下，极大似然估计的效果比普通的最小二乘法差。 5.自变量不应该相互关联的，即不具有多重共线性。 7.如果因变量是多类的话，则称它为多元逻辑回归。 3. Polynomial Regression多项式回归 对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。 7. ElasticNet回归 ElasticNet是Lasso和Ridge回归技术的混合体。它使用L1来训练并且L2优先作为正则化矩阵。当有多个相关的特征时，ElasticNet是很有用的。 除了这7个最常用的回归技术，你也可以看看其他模型，如Bayesian、Ecological和Robust回归。 如何正确选择回归模型？ 当你只知道一个或两个技术时，生活往往很简单。
1.7K41编辑于 2023-04-18 - 来自专栏大模型应用
大模型应用：大模型参数调优：结合本地模型对比多种组合探索差异.7
引言 在大模型的应用中，参数调优是连接模型潜力与实际效能的关键桥梁。与传统的软件参数不同，大模型的生成参数更像是一组精密的调控旋钮，它们不改变模型的基础知识，而是影响模型如何思考和表达。 理解这些参数的本质，不仅能够提升模型输出的质量，更是将大模型从玩具转变为工具的关键一步。 今天我们将从理论基础到实践应用，全面解析大模型的核心参数体系，详细的介绍大模型推理中常用的参数项，并通过本地模型示例展示参数调整对模型效能的影响。常见参数项：max_length：生成文本的最大长度。 Dict, Anyimport pandas as pdfrom modelscope import snapshot_downloadclass ModelParameterTester: """大模型参数测试器 分步调优流程图五、总结 大模型的参数调优本质上是在控制与释放之间寻找平衡的艺术。
73432编辑于 2026-02-04 - 来自专栏GiantPandaCV
星辰AI大模型TeleChat-7B评测
前言 受中电信 AI 科技有限公司的邀请，为他们近期开源的TeleChat-7B大模型做一个评测。 最后，我们可以从TeleChat-7B开源项目在文创方面展示的例子看到它具有不错的文创能力和一定的代码能力，可以作为开发者来使用的一个不错的基础大模型。 在评论评语方面，TeleChat7B可能是因为SFT的缘故会拒答一些问题，以及对于上面的第二个prompt回答的质量比较低。而对于上面的第一个问题，也出现了经典的大模型幻觉问题。 总结 总的来说，TeleChat-7B具有一定的文创能力和代码能力，对于本次测试的大多数prompt可以生成较为合理的答案。但模型本身也存在大模型幻觉，指令跟随能力一般以及回答有概率重复的问题。 此外，TeleChat-7B在开源方面是相当有诚意的，将清洗之后的训练数据进行开源是在之前的大模型开源中比较难见到的，如果想了解更多的数据清洗细节以及模型训练的细节可以阅读官方放出的技术报告：https
68420编辑于 2024-02-22 大模型下半场：7个趋势判断
推理模型能力的持续提升，推动大模型迎来“可用”到“好用”的拐点。推理强化和应用拓展启动了大模型下半场的新赛程。个人智能体潜力初步显现，行业应用渐次走深，开源开放日益成为大模型的核心竞争力组成。 用更大算力去探索大模型的能力上限，仍是行业共识。预计今年上半年国外将推出GPT-5、Llama 4级别大模型。 虽然去年以来，我国AI高端芯片企业数量和能力均有提升，华为、燧原科技、摩尔线程、海光、壁仞等多家企业已设计出对标英伟达A100单卡性能的国产芯片，但由于台积电暂停7nm产能供应及HBM禁令等限制，国产高端芯片的制造仍面临挑战 受DeepSeek效应刺激，国内外大模型公司正加速推出下一代大模型，如OpenAI的基础大模型GPT-4.5，推理模型o3；Anthropic整合了深度思考和快速输出的混合推理模型Claude 3.7； 大模型的数据通信开放协议则可以让大模型更方便地调用各种工具，从而自主完成各类任务。
60620编辑于 2025-04-02- 来自专栏流川疯编写程序的艺术
《书生·浦语大模型实战营》第7课 学习笔记：OpenCompass 大模型评测实战
其主要特点如下： 开源可复现：提供公平、公开、可复现的大模型评测方案 全面的能力维度：五大维度设计，提供 70+ 个数据集约 40 万题的的模型评测方案，全面评估模型能力 丰富的模型支持：已支持 20+ 评测对象 本算法库的主要评测对象为语言大模型与多模态大模型。我们以语言大模型为例介绍评测的具体模型类型。 C-Eval 数据集上的性能 其他学习内容 参考文献 本人学习系列笔记 《书生·浦语大模型实战营》第1课 学习笔记：书生·浦语大模型全链路开源体系 《书生·浦语大模型实战营》第2课 学习笔记：轻松玩转书生 ·浦语大模型趣味 Demo 《书生·浦语大模型实战营》第3课 学习笔记：搭建你的 RAG 智能助理(茴香豆) 《书生·浦语大模型实战营》第4课 学习笔记：XTuner 微调 LLM:1.8B、多模态、Agent 《书生·浦语大模型实战营》第5课 学习笔记：LMDeploy 量化部署 LLM 实践 《书生·浦语大模型实战营》第6课 学习笔记：Lagent & AgentLego 智能体应用搭建 《书生·浦语大模型实战营
78310编辑于 2024-07-01 - 来自专栏Datawhale专栏
《开源大模型食用指南》发布，7个小时，一杯奶茶速通大模型！
Datawhale开源 开源贡献：Datawhale self-llm团队 前 言 《开源大模型食用指南》是一个围绕开源大模型、针对国内初学者、基于 AutoDL 平台的中国宝宝专属大模型教程，针对各类开源大模型提供包括环境配置 、本地部署、高效微调等技能在内的全流程指导，简化开源大模型的部署、使用和应用流程，让更多的普通学生、研究者更好地使用开源大模型，帮助开源、自由的大模型更快融入到普通学习者的生活中。 大模型（LLM）狭义上指基于深度学习算法进行训练的自然语言处理（NLP）模型，主要应用于自然语言理解和生成等领域，广义上还包括机器视觉（CV）大模型、多模态大模型和科学计算大模型等。 同时，本项目对本地硬件基本没有要求，全程都需要在云服务器上运行，AutoDL租一台3090服务器，每小时需要1.66元，一杯奶茶就可以租一块3090愉快的学习7个小时！ 理论上7小时就可以将本项目的所有教程全部跑通一遍（除全量微调外），一杯奶茶速通大模型，掌握开源大模型部署的核心科技。 文章最后 为什么要做这样一个开源项目？
1.6K21编辑于 2024-04-24 Java已死，大模型才是未来？
本文将从多个维度深入探讨Java的现状、大模型技术的影响，以及Java与大模型融合的可能性，为读者提供一个更为全面和深入的视角。 Java与大模型的融合与变革在大模型技术崛起的背景下，Java作为一种成熟且广泛应用的编程语言，自然也在探索与大模型技术的融合之路。事实上，Java与大模型的融合已经取得了不少进展和成果。 首先，Java社区对于大模型技术的支持和探索已经初见成效。一些开源项目和框架在Java环境中实现了深度学习和大模型技术的支持，如Deeplearning4j、ND4J等。 这些项目和框架为Java开发者提供了丰富的工具和资源，使得他们能够更加方便地构建和部署基于大模型的应用。其次，Java自身的特性和优势也为其与大模型的融合提供了有力的支持。 同时，Java的跨平台特性也使得基于Java的大模型应用能够在不同的操作系统和硬件平台上运行，从而提高了应用的兼容性和可移植性。最后，Java与大模型的融合也推动了软件开发的智能化升级。
84320编辑于 2024-09-29- 来自专栏码农编程进阶笔记
Java + LangChain 开发大语言模型应用！
在 Baeldung 上看到了一篇介绍基于 Java + LangChain 开发大语言模型应用的基础入门文章，写的非常不错，非常适合初学者。于是，我抽空翻译了一下。 1. 然而，目前没有官方的 Java 版本 LangChain 可供 Java 或 Spring 应用使用。 不过，社区开发了 Java 版本 LangChain，称为 LangChain4j[15] ，支持 Java 8 或更高版本，并兼容 Spring Boot 2 和 3。 模块化组件不仅提供了有用的抽象，还包含了一系列操作语言模型的实现。接下来，我们将通过 Java 示例来讨论其中的一些模块。 5.1. 然而，我们可以通过为模型提供必要的工具来解决这些问题。 7. 总结 6.2. 代理（Agents） 在本教程中，我们探讨了创建基于大型语言模型的应用程序的一些基本元素。
2.7K12编辑于 2025-03-29 - 来自专栏快乐阿超
Java生态AI大模型框架langchat
——严歌苓 Github： GitHub - TyCoding/langchat: LangChat: Java LLMs/AI Project, Supports Multi AI Providers ( OpenAI / Gemini / Ollama / Azure / 智谱 / 阿里通义大模型 / 百度千帆大模型), Java生态下AI大模型产品解决方案，快速构建企业级AI知识库、AI机器人应用 官方文档： https://langchat.cn/ 介绍： LangChat是Java生态下企业级AIGC项目解决方案，在RBAC权限体系的基础上，集成AIGC大模型能力，帮助企业快速定制AI知识库 接入 OpenAI / Gemini / Ollama / Azure / Claude / 智谱AI / 阿里通义大模型 / 百度千帆大模型 等大模型。 这里顺带说一下咱们dromara的easyai也是Java生态的AI大模型框架，采用Apache-2.0开源协议，可以免费商用～
43010编辑于 2024-09-13 构建可靠AI模型的7大核心技术
例如，飞机识别模型在训练数据集中能识别所有飞机图像，并在测试数据上表现优异，那么该模型应该能在任何数据集中识别飞机图片，即使之前未遇到过这些图像。 模型性能是否会下降？在什么情况下模型不再可行？当环境中的微小变化导致功能和准确性发生巨大变化时，模型就被认为是非弹性或“脆弱”的。脆弱性是软件工程中的已知概念，也适用于AI。 数据可靠性经验模型的质量仅取决于用于开发模型的训练和测试数据。如果对数据质量相对于真实世界的代表性没有信心，模型的输出可能无法在操作环境中可靠地提供准确输出。 当模型输出或预测与预期不同时，将数据分类用于分析和调查。常用于此类分析的数据类型包括事件发生时间（模型偏离需要多长时间）、退化数据（关于模型如何退化的信息）和复发事件数据（发生多次的错误）。 检查模型稳健性和准确性的频率应取决于模型的优先级和模型更新的频率。高风险、定期更新的模型最好每天检查（由人类验证输出）。
31300编辑于 2025-08-302026年4月 7款国产大模型能力实测
2026年4月7款国产大模型推理能力实测：谁能发现网站付费墙的漏洞？一次真实的代码安全分析任务，7款国产大模型同台竞技，最终只有1款完成了挑战。背景大模型的代码能力评测很多，但跑分和实战是两回事。 我们想回答一个更实际的问题：给大模型一个真实的代码安全分析任务，它能不能像安全工程师一样思考，从蛛丝马迹中推理出漏洞？ 340.67M⚠️部分DeepSeek-V3.2❌✅5:300.75M❌MiniMax-M2.7❌✅8:341.09M❌GLM-4.7❌✅11:470.18M❌Kimi-K2.6❌❌6:220.10M❌7个模型中 复盘7个模型的推理过程，GLM-5.1的成功可以归结为三个关键决策：决策一：追踪代码而非猜测URL6个失败的模型都尝试了URL猜测策略——根据已知音频URL的模式（如/s■■■■/f■■■■/q■■■■ 结论这次测试揭示了当前国产大模型在代码推理能力上的几个关键差异：推理链完整性是分水岭：能从HTML源码一路追踪到API接口再到CDN资源的模型（GLM-5.1），与在中间某个环节断裂的模型，产出质量天差地别
200编辑于 2026-04-23- 来自专栏Python大数据分析
详解7大经典回归模型，建议收藏！
4.它需要大的样本量，因为在样本数量较少的情况下，极大似然估计的效果比普通的最小二乘法差。 5.自变量不应该相互关联的，即不具有多重共线性。 7.如果因变量是多类的话，则称它为多元逻辑回归。 3. Polynomial Regression多项式回归 对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。 7. ElasticNet回归 ElasticNet是Lasso和Ridge回归技术的混合体。它使用L1来训练并且L2优先作为正则化矩阵。当有多个相关的特征时，ElasticNet是很有用的。 除了这7个最常用的回归技术，你也可以看看其他模型，如Bayesian、Ecological和Robust回归。 如何正确选择回归模型？ 当你只知道一个或两个技术时，生活往往很简单。 这个主要是通过将模型与所有可能的子模型进行对比（或谨慎选择他们），检查在你的模型中可能出现的偏差。 3.交叉验证是评估预测模型最好额方法。在这里，将你的数据集分成两份（一份做训练和一份做验证）。
1.3K10编辑于 2025-02-25 - 来自专栏路人甲Java
java高并发系列 - 第7天:volatile与Java内存模型
java高并发系列第7篇文章 public class Demo09 { public static boolean flag = true; public static class 要解释这个，我们需要先了解一下java内存模型（JMM），Java线程之间的通信由Java内存模型（本文简称为JMM）控制，JMM决定一个线程对共享变量的写入何时对另一个线程可见。 Java内存模型的抽象示意图如下： ? java高并发系列目录： 1.java高并发系列-第1天:必须知道的几个概念 2.java高并发系列-第2天:并发级别 3.java高并发系列-第3天:有关并行的两个重要定律 4.java高并发系列 - 第4天:JMM相关的一些概念 5.java并发系列第5天-深入理解进程和线程 6.java高并发系列 - 第6天:线程的基本操作
64430发布于 2019-12-10 - 来自专栏猫头虎博客专区
小米MiMo：7B模型逆袭AI大模型战场的技术密码
小米MiMo：7B模型逆袭AI大模型战场的技术密码 在大模型竞争愈发激烈的2025年4月30日，小米以一款名为 MiMo-7B 的开源模型强势突围，在数学推理与代码能力评测中表现亮眼，不仅与规模更大的模型正面对抗 最终，MiMo累计训练了 25万亿 tokens，这一数据在7B模型中堪称顶级，为其强悍能力打下坚实基础。 2. 2024年底，95后AI大佬 罗福莉 加盟小米，以千万年薪领导大模型研发团队。 她不仅是 DeepSeek-V2 的核心开发者，还推动了 MLA（Multi-head Latent Attention） 技术的发展，这项技术在降低大模型部署成本上发挥了关键作用。 结语：小米的新角色，是AI生态的创变者 MiMo的发布，不仅标志着小米在大模型赛道的技术跃升，更意味着其正在从“智能终端制造商”迈向“AI生态运营者”。
1.4K10编辑于 2025-05-02 - 来自专栏创作是最好的自我投资
通用大模型VS垂直大模型
在人工智能这个充满无限可能的领域内，通用大模型和垂直大模型各有千秋。就我个人而言，在二者之间的选择上，并不存在偏向某一方的倾向。我觉得应当依据实际应用场景的具体需求，来挑选最为契合的大模型。 通用大模型通用大模型，乃是旨在应对多种任务与数据类型的庞然大物级人工智能模型。 在知识覆盖的广度方面，通用大模型无疑具有明显的优势。当我们对于当下所需模型所涉及的精确专业领域的界限感到模糊不清时，选择通用大模型无疑是一种明智之举。垂直大模型接下来谈谈垂直大模型。 然而，由于垂直大模型的训练内容聚焦于当前行业，其涉猎的范围更集中，数据针对性更强，所以在提供专业咨询时往往更加精准、细致，这也正是垂直大模型的独特价值所在。 因此，对于通用大模型或者垂直大模型，更倾向于哪一方不取决于个人想法，而是取决于用户需要。
78101编辑于 2024-12-30 - 来自专栏小洁叫你mysql
【AI大模型】训练Al大模型
大模型超越AI 目前所指的大模型，是“大规模深度学习模型”的简称，指具有大量参数和复杂结构的机器学习模型，可以处理大规模的数据和复杂的问题，多应用于自然语言处理、计算机视觉、语音识别等领域。 本文将探讨大模型的概念、训练技术和应用领域，以及与大模型相关的挑战和未来发展方向。 大模型是指具有庞大参数数量的机器学习模型。传统的机器学习模型通常只有几百或几千个参数，而大模型则可能拥有数亿或数十亿个参数。 训练大模型的挑战 训练大模型需要应对一系列挑战，包括： 以下是与大模型相关的一些代码示例： 计算资源需求： import tensorflow as tf # 指定使用GPU进行训练 with tf.device 更智能的模型压缩技术：模型压缩和加速技术将继续发展，以减小大模型的计算和存储开销。 更好的计算平台支持：为了支持训练和部署大模型，计算平台将继续改进，提供更强大的计算资源和工具。
1.5K30编辑于 2023-10-10 TL-JAVA+AI大模型智能应用开发
在人工智能的浪潮之巅，大语言模型（LLM）以其惊人的能力，正以前所未有的深度和广度重塑着各行各业。 起点：不止于“Hello, World”的模型调用对于许多开发者而言，与AI大模型的初次邂逅往往始于一个简单的API调用。 核心：RAG——让大模型“接上地气”单纯依赖大模型预训练知识的应用是脆弱的。为了让AI能够理解企业私有的、动态更新的知识，检索增强生成（RAG）架构应运而生。 RAG逻辑编排： 在Java后端服务中，RAG的核心逻辑——接收用户查询、检索相关文档片段、构建增强的Prompt、调用大模型、返回结果——可以被清晰地编排成一个业务流程。 结语：Java，AI时代的可靠基石从最初的一个简单API调用，到一个承载着核心业务、具备高可用性和可扩展性的企业级AI服务，Java以其无与伦比的生态成熟度、稳定性和企业级特性，为AI大模型的全链路开发铺就了一条坚实的道路
37110编辑于 2025-11-24TL-JAVA+AI大模型智能应用开发
在人工智能技术席卷全球的当下，企业级大模型应用正成为数字化转型的核心驱动力。然而，传统Java开发者往往面临技术断层：既需要突破AI算法的复杂门槛，又要解决大模型与现有业务系统的融合难题。 混合编程突破技术边界针对Java生态与AI工具的兼容性问题，TL课程推出“双引擎协同方案”：轻量级场景：通过JNI调用PyTorch模型，在Java服务中直接嵌入图像识别能力。 智慧医疗：知识图谱与大模型的协同创新TL课程独创的“双脑驱动”模式在某三甲医院落地：知识图谱构建：从300万份电子病历中提取12万组实体关系，形成医疗知识中枢大模型推理：基于知识增强的GPT模型，将辅助诊断准确率提升至 四、未来展望：智能系统的无限可能随着大模型技术进入“工程化落地”深水区，TL课程正探索三大前沿方向：自适应学习系统：开发能够根据业务反馈自动优化模型参数的智能引擎隐私增强计算：研究同态加密、差分隐私等技术 ，保障企业数据安全具身智能集成：探索大模型与机器人、物联网设备的深度融合在AI重塑产业格局的今天，TL课程证明：Java开发者不仅不会被时代淘汰，反而能凭借工程化优势成为智能系统构建的核心力量。
52910编辑于 2025-11-21- 来自专栏帅云霓的技术小屋
大模型与AI底层技术揭秘 (7) 卡车搬运的数据
= np.float32(np.random.rand(2, 100)) # 随机输入 y_data = np.dot([0.100, 0.200], x_data) + 0.300 # 构造一个线性模型 我们对这段python代码进行解读： 在第1行引入了tensorflow的类库后，9-11行利用tensorflow类库定义线性模型，随后13行定义残差为均方误差（mean square error）， 次迭代，每20次输出一次迭代过程数据，得到拟合结果，工作流程如下图： 我们发现，在利用Tensorflow开发的机器学习代码中，程序员完全不需要自己实现任何算法的细节，只需要调用Tensorflow提供的模型就可以了 让我们再回到《大模型与AI底层技术揭秘 (2) 人妖之间的国度》中提到的“算盘打出原子弹”的故事。实际上，这是一个典型的分布式并发计算的场景。Tensorflow也提供了分布式训练的能力。
44420编辑于 2023-10-30 - 来自专栏博文视点Broadview
7大特征交互模型，最好的深度学习推荐算法总结
基于隐向量的协同过滤的方法将用户和物品独立地映射到低维空间，计算简单，很适合作为召回模型或者粗排模型。 01 AFM 模型 因子分解机（Factorization Machine，FM）模型的特点是考虑了所有可能的二阶特征组合。 AFM 模型的整体结构如下图所示。 AFM 模型的整体结构 02 PNN 模型 在推荐系统的精排模型或者广告点击率预估模型中，输入的样本往往有一个特点：特征是高维稀疏的。 PNN 模型结构图 03 Wide & Deep 模型 Wide & Deep 模型是谷歌公司于2016 年推出的结合深度学习的推荐模型，一经问世便广受好评，目前也成了工业界主流的推荐模型之一。 阿里妈妈团队基于DIN 模型的框架，提出CAN 模型，把特征交互形式化成一种基于DNN 的特征变换。
2.8K10编辑于 2022-08-26
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