GPU训练

新手村：混淆矩阵

《PythonCrashCourse》或在线教程（如Codecademy）scikit-learn基础掌握模型训练、预测、评估的基
嘉羽很烦·2025-03-16 18:28

Free QWQ - 世界首个免费无限制分布式 QwQ API

截图网址/二维码官方网站：https://qwq.aigpu.cn介绍/推荐语FreeQWQ是世界上第一个完全免费、无限制的分布式AI算力平台，基于阿里最新开源的QwQ32B大语言模型提供强大的AI服务
安替-AnTi·2025-03-16 17:54

即插即用模块--KANLinear

在相同迭代次数下超越传统MLP，不仅训练速度更快，收敛性更好，而且在拟合复杂函数时的精度也明显提高。
苏格拉没有鞋底·2025-03-16 17:51

机器学习——正则化、欠拟合、过拟合、学习曲线

过拟合（overfitting）:模型只能拟合训练数据的状态。即过度训练。
代码的建筑师·2025-03-16 17:51

IMWeb提升营Day4 | 训练题19：顺时针打印矩阵

题目描述输入一个矩阵，按照从外向里以顺时针的顺序依次打印出每一个数字，例如，如果输入如下矩阵：12345678910111213141516则依次打印出数字1,2,3,4,8,12,16,15,14,13,9,5,6,7,11,10.12345678910111213141516123456789101112131415161718192021222324252627282930313233343
rical730·2025-03-16 17:19

基于DeepSeek R1构建下一代Manus通用型AI智能体的技术实践

目录一、技术背景与目标定位1.1大模型推理能力演进趋势1.2DeepSeekR1核心特性解析-混合专家架构(MoE)优化-组相对策略优化(GRPO)原理-多阶段强化学习训练范式1.3Manus智能体框架设计理念
zhangjiaofa·2025-03-16 15:08

大语言模型微调和大语言模型应用区别

大语言模型微调和大语言模型应用区别微调与应用LLM的区别微调大语言模型（LLM）是指取一个已经预训练好的模型，进一步用特定数据集训练，使其更好地适应某个任务或领域，比如为医疗聊天机器人优化医疗术语理解。
AI Echoes·2025-03-16 15:34

呵护斜颈老人：解锁护理关键，重塑健康生活

康复训练是护理的关键环节。鼓
全力以赴66·2025-03-16 15:31

大规模语言模型从理论到实践 开源指令数据集

这些模型的成功离不开庞大的训练数据集和复杂的算法架构。然而，如何有效地构建和利用开源指令数据集，仍然是一个值得深入探讨的话题。2.核
AI天才研究院·2025-03-16 13:17

Python3 【项目实战】深度解析：赛跑成绩统计分析工具

本工具通过程序化处理赛跑数据，自动计算各选手成绩及整体统计指标，主要应用于：学校运动会成绩实时统计田径锦标赛的自动化成绩公示运动员训练数据分析2.技术定位：时间数据处理与统计计算的典型案例字典数据结构的实践应用面向过程编程的教学范例二
李智 - 重庆·2025-03-16 12:11

主流开源大模型能力对比矩阵

模型名称核心优势主要局限Llama2/3✅多语言生态完善✅Rotary位置编码✅GQA推理加速⚠️数据时效性差⚠️隐私保护不足Qwen✅千亿参数规模✅中文语境优化✅复杂文本生成⚠️需高性能硬件⚠️领域知识需二次训练
时光旅人01号·2025-03-16 12:09

基于 svm 的金融咨询情感分析

金融咨询处理1.利用7万多条利好/利空语料（已经标注好的，分为1正性，-1负性两类），首先采用B-gram卡方差提取特征词汇2.使用卡方提取的特征词为每一篇咨询建立向量表示模型3.使用向量进行svm分割，训练语料
ouprince·2025-03-16 10:28

KNN算法性能优化技巧与实战案例

一、核心性能瓶颈维度挑战描述计算复杂度单次预测需计算全部训练样本距离，时间复杂度为（n=样本数，d=特征维度）内存占用需全量存储训练数据，大规模数据集难以加载高维灾难高维数据中距离计算失去
可问 可问春风·2025-03-16 09:22

LLaMA-Factory 训练数据默认使用 instruction、input、output 三个 key

在LLaMA-Factory进行SFT（Directivesupervisionfine-tuning指令监督微调）时，训练数据的格式非常重要，因为大模型依赖标准化的数据结构来学习指令-响应模式。
背太阳的牧羊人·2025-03-16 08:43

CMake Error at myplugins_generated_yololayer.cu.o.Debug，tensorrtx编译失败解决

system:ubuntu1804gpu:3060cuda:cuda11.4tensorrt:8.4使用项目tensorrtx进行yolov5的engine生成，之前在编译成功的配置为system:ubuntu1804gpu
雪可问春风·2025-03-16 08:11

如何选择显卡（202408）

（图片来自网络）显卡，也被称为视频卡、图形适配器或GPU（图形处理单元），是电脑中负责渲染图形输出到显示器的关键硬件组件一显卡的基本作用1.图形渲染显卡的主要任务是处理和渲染图形。
=PNZ=BeijingL·2025-03-16 08:41

Matlab多种算法解决未来杯B的多分类问题

1.读取数据首先，我们从Excel文件中读取训练集和测试集：2.训练集划分我们将80%的数据用于训练，20%用于验证。3.训练多个模型我们选取8种常见分类模型，并存储预测结果。
Subject.625Ruben·2025-03-16 06:05

【prompt实战】知乎问题解答专家

本文原创作者：姚瑞南AI-agent大模型运营专家，先后任职于美团、猎聘等中大厂AI训练专家和智能运营专家岗；多年人工智能行业智能产品运营及大模型落地经验，拥有AI外呼方向国家专利与PMP项目管理证书。
姚瑞南·2025-03-16 06:04

DeepSeek全栈开发指南：从代码生成到分布式训练的黑科技解析

一、DeepSeek技术新突破：程序员必须掌握的MoE架构实战2025年2月25日，DeepSeek开源了专为MoE模型设计的DeepEP通信库，这项技术革新直接影响了分布式训练和推理效率。
AI创享派·2025-03-16 06:00

【云原生】动态资源分配（DRA）深度洞察报告

1.DRA的发展与设计灵感Kubernetes早期通过DevicePlugin（设备插件）机制支持GPU、NIC等特殊硬件，将节点上可用设备数量上报给kubelet和调度器。
碣石潇湘无限路·2025-03-16 04:49

提出机器人自主学习新范式，深大团队最新顶会论文，刷新6大复杂任务SOTA

在多个高维度机器人任务上，在仅使用89%训练样本的情况下，比现有SOTA方法平均性能提升95.3%。众所周知，随着机器人技术的快速发展，其应用已渗透至日常生活和工业生产场景。
·2025-03-16 04:50

从图形处理到通用计算的进化之路

本文将深入探讨GPU架构的演变历程、核心组件以及其在不同应用场景中的优势。GPU架构的演变：从固定功能到可编程流水线早期的GPU采用固定功能流水线架构，专为图形渲染任务而设计。
绿算技术·2025-03-16 04:17

数据处理和分析之数据降维：t-SNE：使用t-SNE进行数据可视化实践

降维不仅可以帮助我们更有效地存储和处理数据，还能在高维数据中发现潜在的模式和结构，这对于数据可视化和模型训练尤为重要。高维数据往往难以直观理解，通过降维，我们可以将其转换为二维或三维空间，便于可视化
kkchenkx·2025-03-16 04:17

第20篇：从零开始构建NLP项目之电商用户评论分析：模型训练阶段

大家好，今天我们继续探讨如何从零开始构建一个NLP项目，特别是电商用户评论分析中的模型训练阶段。模型训练是NLP项目的核心环节，通过合理的调参和优化，可以显著提升模型性能。
Gemini技术窝·2025-03-16 04:46

使用yolo训练自己的模型数据遇到的问题

1、报错：NolabelsfoundinD:\xxx\valid\labels.cache查找网上的文章大多都是说文件目录没按规定创建，但我检查了我的目录没问题，后来发现是labels文件夹里的txt文件和images文件夹的图片没有一一对应，对应好之后问题解决2、解决完上个问题之后还是不报上面的错了但还是FatalPythonerror:Aborted；Restartingkernel...检查
次次皮·2025-03-16 03:12

【AI】Transformer布道：让AI学会“左顾右盼”的超级大脑！（扫盲帖）

你可以想象我们是从“什么是注意力”开始，一步步搭积木，直到把整个Transformer这台“机器”组装起来，然后再看看它能干什么、怎么训练、为什么厉害。
碣石潇湘无限路·2025-03-16 03:37

【云原生】深入浅出 K8s 设备插件技术（Device Plugin）

本文以NVIDIAGPUPlugin为例，通俗易懂并深入浅出地剖析注册、ListAndWatch、Allocate及kubelet管理流程，介绍常见问题和配置要点。
碣石潇湘无限路·2025-03-16 03:37

NPU的应用场景：从云端到边缘

模型训练加速：在大规模训练任务中，NPU可以作为加速单元，提升训练效率。2.边缘计算智能摄像头：在安防监控中，NPU可以实时处理视频流，实现目标检测和跟踪。
绿算技术·2025-03-16 02:29

NPU的工作原理：神经网络计算的流水线

NPU的工作原理可以概括为以下几个步骤：1.模型加载·将训练好的神经网络模型加载到NPU的内存中。2.数据输入·输入数据（如图像、语音）通过接口传输到NPU。
绿算技术·2025-03-16 02:28

GPU的优势：并行计算的利器

GPU相较于CPU，在并行计算方面具有以下优势：强大的并行计算能力:GPU拥有成千上万个计算核心，能够同时执行大量的线程，非常适合处理数据并行性高的任务。
绿算技术·2025-03-16 02:28

数据处理的革命性引擎

随着数据量的爆炸式增长和计算需求的多样化，传统的CPU和GPU已经无法完全满足现代数据中心和高性能计算的需求。在这样的背景下，DPU（DataProcessingUnit，数据处理单元）应运而生。
绿算技术·2025-03-16 02:28

孪生网络模型，当训练集与测试集共用一个数据集时，训练准确率为100%，而测试准确率仍在50%左右浮动

问题描述【问题】孪生网络模型，测试效果异常：当训练集与测试集共用一个数据集（样本、标签完全相同）时，训练准确率为100%，而测试准确率仍在50%左右浮动（正常来说测试的都
bug菌¹·2025-03-16 01:26

c++调用python代码，使用gpu

c++调用python，使用gpu加速1、首先要配置cuda和cudnn的环境1、cmd窗口下nvidia-smi，查看电脑可以支持的最高cuda版本。
AI改变视界·2025-03-16 01:55

如何快速开发一款AI小程序？基于微信云开发的实战指南

本文将深入讲解如何利用微信云开发快速搭建一款AI小程序，展示从模型训练到云端部署的完整流程。准备工作在开始开发之前，确保完成以下准备工作：
一键难忘·2025-03-16 00:21

数据分布偏移检测：保障模型在生产环境中的稳定性

当训练数据与生产环境中的数据分布不一致时，即使是经过精心调优的模型也可能表现出明显的性能下降。本文将深入探讨数据分布偏移的检测方法，并提供一套系统化的解决方案，帮助读者构建更加稳健的机器学习系统。
trust Tomorrow·2025-03-16 00:18

在MATLAB中进行并行计算和GPU加速？

在MATLAB中进行并行计算和GPU加速是提升计算性能和处理大规模数据集的重要手段。下面将详细介绍如何在MATLAB中实现这些技术。
琛哥的程序·2025-03-16 00:18

深入理解 GPU 渲染加速与合成层（Composite Layers）

一、前端视角下的GPU加速1.CPU与GPU的协作模式在前端渲染流程中，GPU加速通过硬件并行计算能力显著提升图形处理效率。
·2025-03-16 00:16

Crawl4AI 与 BrowserUseTool 的详细对比

涵盖功能、技术实现、适用场景等核心维度：1.核心定位对比工具Crawl4AIBrowserUseTool类型专为AI优化的网络爬虫框架浏览器自动化工具（模拟人类操作浏览器）核心目标高效获取结构化数据供AI训练
燃灯工作室·2025-03-15 23:42

pytorch训练权重转化为tensorflow模型的教训

模型构建时候有时候在工程量比较大的时候，不可避免使用迭代算法，迭代算法本身会让错误的追踪更加困难，因此掌握基本的框架之间的差异非常重要。以下均是在模型转换过程中出现的错误。shuffleoperation(shuffle操作)这个操作原本是用来将各个通道之间的信息进行打乱后，此时面临重要的问题就是，如果将通道打乱，在pytorch里面与tensorflow中间，两种通道排序是不一样的，是采用不同的
小枫小疯·2025-03-15 21:57

信息技术基础专有名词和计算机硬件学习笔记

GPU(GraphicsProcessingUnit)图形处理器，专用于处理图形和并行计算。RAM(RandomAccessMemory)随机存取存储器，临时存储运行中的程序和数据。ROM(Read-
learning-striving·2025-03-15 21:25

WebGPU + WebAssembly混合渲染方案深度解析

真实场景痛点分析：传统WebGL在高频数据更新时存在CPU-GPU通信瓶颈JavaScript的垃圾回收机制导致渲染卡顿复杂物理模拟（如SPH流体）难以在单线程中实现技术选型对比：graphLRA[计算密集型任务
爱上大树的小猪·2025-03-15 21:24

大模型工程师学习日记（十五）：Hugging Face 模型微调训练（基于 BERT 的中文评价情感分析）

1.datasets库核心方法1.1.列出数据集使用datasets库，你可以轻松列出所有HuggingFace平台上的数据集：fromdatasetsimportlist_datasets#列出所有数据集all_datasets=list_datasets()print(all_datasets)1.2.加载数据集你可以通过load_dataset方法加载任何数据集：fromdatasetsim
MMMMMMMay Love Code·2025-03-15 20:52

DeepSeek：中国大模型 “破壁者” 引发的四大产业地震

一、算力霸权瓦解：低成本训推技术改写游戏规则1.1训练成本“悬崖式下降”DeepSeek通过混合专家架构（MoE）动态路由算法，在同等效果下将模型激活参数压缩
赵同学爱学习·2025-03-15 20:47

大语言模型的潜力是否被高估

以下从技术能力、应用局限性和未来发展方向三个方面综合分析：一、技术能力的争议：潜力与局限并存对现实世界的理解与模拟MIT的研究表明，LLM在训练过程中可能自发形成对现实世界的内部模拟。
dev.null·2025-03-15 19:12

**ResNet-SE + MFCC** 训练框架，包括 **数据加载、训练流程**，以及 **混淆矩阵** 可视化示例

1.依赖库安装如果你还没安装相关库，请先执行：pipinstalltorchtorchaudiotorchvisionscikit-learnmatplotlibtqdm2.数据加载这里假设你有一个音频分类数据集，其文件结构如下：dataset/│──train/│├──class_0/││├──audio_0.wav││├──audio_1.wav│├──class_1/││├──audio_0
大霸王龙·2025-03-15 19:10

max_samples，batch_size，gradient_accumulation_steps这三个分别的联系和区别

这三个参数都是控制训练数据如何被处理的，它们的作用和区别如下：1.max_samples（最大样本数）定义：限制每个数据集最多使用多少条数据。
背太阳的牧羊人·2025-03-15 19:09

LLMs之Colossal-LLaMA-2：源码解读(train.py文件)基于给定数据集实现持续预训练LLaMA-2—解析命令行参数→初始化配置(分布式训练环境colossalai+训练日志+加速插

LLMs之Colossal-LLaMA-2：源码解读(train.py文件)基于给定数据集实现持续预训练LLaMA-2—解析命令行参数→初始化配置(分布式训练环境colossalai+训练日志+加速插件
一个处女座的程序猿·2025-03-15 18:38

（大模型微调大模型学习路线大模型入门）_大模型 学习，吹爆！2025最详细的大模型学习路线已整理！手把手带你高效入门，大模型论文全打通！

大模型，通常指的是在人工智能领域中的大型预训练模型。你可以把它们想象成非常聪明的大脑，这些大脑通过阅读大量的文本、图片、声音等信息，学习到了世界的知识。
大模型老炮·2025-03-15 17:28

Orin NX 安装Jetpack 6.2 及部署pytorch tips

刷机tips:刷完系统之后，如果需要安装其它软件，这个时候不需要跳线，然后输入真实的IP，确保你的x86ubuntu能ping通OrinNX.其它安装环境时遇到的问题如下：1.GPUenable=False-installtorch
MYVision_ MY视界·2025-03-15 17:23

一文讲清楚CUDA与PyTorch、GPU之间的关系

它允许软件开发人员和研究人员利用NVIDIA的GPU（图形处理单元）进行高性能计算。CUDA提供了一系列API和工具，使得开发者能够编写和优化在GPU上运行的计算密集型任务。
平凡而伟大.·2025-03-15 17:23
上一页 4 5 6 7 8 9 10 11 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他