2025年2月25日第26页 - 一个和谐有爱的空间

欢迎光临，有什么想法就留言告诉我吧！

你的精彩评论可能会出现在这里哦！留言抢沙发

探索深度学习与自然语言处理：常见微调技巧揭秘一朝天子一朝臣，陆炳为何能保全家族，成为最有权势的锦衣卫首领

Fine-tuning（全参数微调）：作为最为传统的微调方法，它需要对预训练模型里的所有参数进行更新，以此让模型能够适应特定的任务。这种方法通常能获取到最佳性能，不过其计算成本相对较高。 Prompt-tuning（提示微调）：该方法通过精心设计特定的输入提示（prompts），而非修改模型权重的方式来使模型适配下游任务。如此一来，模型能够在计算成本较低的情况下适应各种各样的任务。 Parameter-efficient fine-tuning（参数高效微调）：这组方法的核心在于仅对模型参数的一个子集或者新添加的一组参数展开训练，目的是减少所需的参数量以及计算资源。对于资源有限的环境而言，这些技术显得尤为重要。 Adapter Training（适配器训练）：适配器属于添加到预训练模型中的小型神经网络，用于针对特定任务展开微调工作。由于这些适配器仅仅占据原始模型大小的一小部分，所以训练速度更快，同时内存需求也更低。 Progressive Shrinking（渐进收缩）：此技术在微调期间会逐渐缩小预训练模型的规模，进而打造出比从头开始训练的模型性能更优的小型模型。 Prefix Tuning（前缀微调）：主要是学习特定任务的连续提示，在推理过程中将其添加至输入之前。通过对该连续提示进行优化，模型能够在不修改底层模型参数的前提下适应特定任务。 P-Tuning：涉及对可学习的“提示记号”参数展开训练，这些参数与输入序列相连接。这些提示记号是具有任务特异性的，在微调过程中对其进行优化，使得模型可以在保持原始模型参数不变的情况下，在新任务上有着良好的表现。

AI

银之杰：公司在图像识别、自然语言处理等方向有AI技术积累在近地轨道，中国人完成了一个工业奇迹，或改变航天领域历史进程

hqy 发表于2025-02-25 浏览6 评论0

金融界2月13日消息，有投资者在互动平台向银之杰提问：请问贵公司是否有涉及AI智能体的业务或可用于AI智能体的产品？

公司回答表示：公司在人工智能方面的积累主要在图像识别和自然语言处理方向。公司的印章识别系统和智能印控机产品，集成了印章识别算法、OCR、机器视觉、神经网络、文件自动比对等智能化技术；公司投资的智能语音技术公司（百可录）实现了AI技术在银行智能语音坐席场景的应用；公司也是百度文心一言首批合作伙伴。公司持续关注并积极探索人工智能的发展和应用。

AI

探索深度学习与自然语言处理：常见的微调策略揭秘印度洋海底出现“神秘”建筑，还有一个巨大圆盘，外星人留下的？

hqy 发表于2025-02-25 浏览8 评论0

在深度学习与自然语言处理领域，常见的微调方法主要包含以下几种：

Fine-tuning（全参数微调）：作为最传统的微调方法，它需要对预训练模型中的所有参数进行更新，以此来适应特定任务。该方法通常能取得最佳性能，不过其计算成本相对较高。 Prompt-tuning（提示微调）：此方法通过精心设计特定的输入提示（prompts），而非修改模型权重，来使模型适应下游任务。这样能使模型在计算成本较低的情况下适应各类任务。 Parameter-efficient fine-tuning（参数高效微调）：这组方法主要是通过仅训练模型参数的一个子集或者新添加的一组参数，以此减少所需的参数数量以及计算资源。对于资源有限的环境而言，这些技术意义重大。 Adapter Training（适配器训练）：适配器是一种添加到预训练模型中的小型神经网络，用于针对特定任务进行微调。这些适配器仅占原始模型大小的一小部分，从而使得训练速度更快，内存需求也更低。 Progressive Shrinking（渐进收缩）：该技术在微调过程中会逐渐减小预训练模型的大小，进而产生比从头开始训练的模型性能更优的小型模型。 Prefix Tuning（前缀微调）：这种方法涉及学习特定任务的连续提示，并在推理过程中将其添加在输入之前。通过对这个连续提示进行优化，模型能够在不修改底层模型参数的情况下适应特定任务。 P-Tuning：此方法涉及对可学习的“提示记号”参数进行训练，这些参数与输入序列相连。这些提示记号具有任务特异性，在微调过程中对其进行优化，从而使模型在保持原始模型参数不变的情况下，在新任务上有良好的表现。

AI

探秘深度学习与自然语言处理：常见的微调策略全解析！小行星撞击：从恐惧到机遇的视界转换

hqy 发表于2025-02-25 浏览4 评论0

在深度学习和自然语言处理领域，常见的微调方法主要有以下几种：

全参数微调（Fine-tuning）：这是最为传统的微调方式。它需要对预训练模型中的所有参数进行更新，以此来适应特定的任务。这种方法往往能够取得最佳性能，不过其计算成本相对较高。提示微调（Prompt-tuning）：该方法通过精心设计特定的输入提示（prompts），而不是去修改模型的权重，来使模型适应下游任务。这样能让模型在计算成本较低的情况下，适应各种各样的任务。参数高效微调（Parameter-efficient fine-tuning）：这组方法的核心在于，只对模型参数的一个子集或者新添加的一组参数进行训练，目的是减少所需的参数数量以及计算资源。对于那些资源有限的环境而言，这些技术有着至关重要的意义。适配器训练（Adapter Training）：适配器是一种添加到预训练模型中的小型神经网络，主要用于特定任务的微调。这些适配器仅仅占据原始模型大小的一小部分，所以训练速度更快，而且内存需求也更低。渐进收缩（Progressive Shrinking）：这种技术是在微调期间，逐渐减小预训练模型的规模，最终得到一个比从头开始训练性能更好的小型模型。前缀微调（Prefix Tuning）：它涉及学习特定任务的连续提示，并在推理过程中将其添加到输入之前。通过对这个连续提示进行优化，模型就能适应特定任务，且无需修改底层模型参数。 P-Tuning：主要涉及对可学习的“提示记号”参数进行训练，这些参数会与输入序列相连接。这些提示记号是特定于任务的，在微调过程中会被优化，使得模型能够在保持原始模型参数不变的情况下，在新任务上有良好的表现。