alexa2077

摘要： 0 概述 **VLM可以做的任務(wù)類型** 視覺定位/物體檢測(cè)（Visual grounding） 圖像和視頻總結(jié)（image caption） 視覺問答（visual question answering） 圖像-文本對(duì)比學(xué)習(xí) 生成式任務(wù) 對(duì)齊式任務(wù)文本解析和手寫文檔 圖像分類 語義分割 圖像文本檢 閱讀全文

摘要： 論文標(biāo)題：Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG 文章導(dǎo)圖： 1 Introduction LLMs 由于依賴靜態(tài)的預(yù)訓(xùn)練數(shù)據(jù)而面臨重大限制。這種依賴通常導(dǎo)致信息過時(shí)、虛構(gòu)的回答，以及無法適應(yīng)動(dòng)態(tài)的現(xiàn)實(shí)場(chǎng)景。這些 閱讀全文

摘要： 通常來說基于LangChain實(shí)現(xiàn)一個(gè)RAG的原理如下： 加載文件 -> 讀取文本 -> 文本分割 -> 文本向量化 -> 問句向量化 -> 在文本向量中匹配出與問句向量最相似的top k個(gè) -> 匹配出的文本作為上下文和問題一起添加到prompt中 -> 提交給LLM生成回答。 核心流程包括： 數(shù) 閱讀全文

摘要： 1 Retrieval Augmented Generation 檢索增強(qiáng)生成 **Why RAG？** 當(dāng)我們將大模型應(yīng)用于實(shí)際業(yè)務(wù)場(chǎng)景時(shí)會(huì)發(fā)現(xiàn)，通用的基礎(chǔ)大模型基本無法滿足實(shí)際業(yè)務(wù)需求，主要有以下幾方面原因： 知識(shí)的局限性：大模型自身的知識(shí)完全源于訓(xùn)練數(shù)據(jù)，而現(xiàn)有的主流大模型（deepseek、 閱讀全文

摘要： https://github.com/humanlayer/12-factor-agents 傳統(tǒng)agent的困境： 這種方法的問題在于： 控制流不可預(yù)測(cè)：完全依賴LLM決策 錯(cuò)誤處理困難：缺乏結(jié)構(gòu)化的異常處理 狀態(tài)管理混亂：執(zhí)行狀態(tài)與業(yè)務(wù)狀態(tài)混合 可觀測(cè)性差：難以調(diào)試和監(jiān)控 真正優(yōu)秀的Agent不 閱讀全文

摘要： OpenAI Functions Agent 概述 現(xiàn)有的大模型可以檢測(cè)何時(shí)應(yīng)該調(diào)用特定的函數(shù),并應(yīng)該將該函數(shù)的正確輸入進(jìn)行響應(yīng)。在API調(diào)用中，您可以描述想要調(diào)用的函數(shù)，然后讓模型智能地選擇輸出包含調(diào)用這些函數(shù)所需參數(shù)的JSON對(duì)象。 在LangChain中，create_openai_funct 閱讀全文

摘要： 半監(jiān)督學(xué)習(xí)是一種介于監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)之間的機(jī)器學(xué)習(xí)方法，它利用大量的未標(biāo)記數(shù)據(jù)和少量的標(biāo)記數(shù)據(jù)來進(jìn)行模型訓(xùn)練。以下是幾種常見的半監(jiān)督學(xué)習(xí)方法： 自訓(xùn)練（Self-training）： 方法：自訓(xùn)練方法先使用標(biāo)記數(shù)據(jù)訓(xùn)練一個(gè)初始模型，然后用該模型來預(yù)測(cè)未標(biāo)記數(shù)據(jù)的標(biāo)簽。接著，將置信度較高的預(yù)測(cè)結(jié)果 閱讀全文

摘要： collections模塊常用類型有： 默認(rèn)字典（defaultdict） dict的子類，可以調(diào)用提供默認(rèn)值的函數(shù) 雙向隊(duì)列（deque） 類似于list的容器，可以快速的在隊(duì)列頭部和尾部添加、刪除元素 計(jì)數(shù)器（Counter） dict的子類，計(jì)算可hash的對(duì)象 有序字典（OrderedDic 閱讀全文

摘要： PEFT：參數(shù)高效微調(diào)及hg工具 重要術(shù)語詞匯 什么是PEFT？ 微調(diào)和參數(shù)高效微調(diào)有什么區(qū)別？ PEFT 的好處 PEFT：標(biāo)準(zhǔn)微調(diào)的更好替代方案 PEFT技術(shù)： Adapter LoRA Prefix tuning Prompt tuning P-tuning 少樣本上下文學(xué)習(xí) (ICL) 與參 閱讀全文

摘要： 分類模型部署-ONNX 0 引入：1 模型部署實(shí)戰(zhàn)測(cè)試：1 安裝配置環(huán)境：2 Pytorch圖像分類模型轉(zhuǎn)ONNX-ImageNet1000類3 推理引擎ONNX Runtime部署-預(yù)測(cè)單張圖像： 2 擴(kuò)展閱讀參考 0 引入： 在軟件工程中，部署指把開發(fā)完畢的軟件投入使用的過程，包括環(huán)境配置、軟件 閱讀全文