企业官网建设流程全解析

网站后台购买,wordpress主题ent破解版,金华城乡建设部网站首页,wordpress 首页文章思维导图 摘要 给定包含旧类别和新类别的未标记数据集#xff0c;广义类别发现#xff08;GCD#xff09;的目标是在正确分类旧类别的同时#xff0c;准确发现新类别。当前的GCD方法仅使用单一的视觉模态信息#xff0c;导致对视觉相似类别的分类效果不佳。文本信息作为一…思维导图摘要给定包含旧类别和新类别的未标记数据集广义类别发现GCD的目标是在正确分类旧类别的同时准确发现新类别。当前的GCD方法仅使用单一的视觉模态信息导致对视觉相似类别的分类效果不佳。文本信息作为一种不同的模态能够提供互补的判别信息这促使我们将其引入GCD任务中。然而未标记数据缺乏类别名称使得文本信息的利用难以实现。为了解决这一具有挑战性的问题本文提出了一种文本嵌入合成器TES用于为未标记样本生成伪文本嵌入。具体而言我们的TES利用CLIP能够生成对齐的视觉-语言特征这一特性将视觉嵌入转换为CLIP文本编码器的标记以生成伪文本嵌入。此外我们采用双分支框架通过不同模态分支的联合学习和实例一致性使视觉信息和语义信息相互增强促进视觉知识与文本知识的交互和融合。我们的方法充分发挥了CLIP的多模态潜力在所有GCD基准测试上均大幅优于基线方法达到了新的最先进水平。背景广义类别发现GCD任务定义输入包含已知类别旧类和未知类别新类的无标签数据集以及少量有标签的旧类数据集目标在无标签数据中正确分类已知类同时准确发现未知类打破传统模型的闭集假设适配真实场景现有 GCD 方法的局限单模态依赖问题当前方法如 GCD、SimGCD仅使用视觉模态信息对视觉相似类别如细粒度数据集的鸟类、汽车子类分类效果差难以区分细微差异CLIP 多模态潜力未释放CLIP 具备视觉 - 语言对齐的多模态能力但 GCD 无标签数据缺乏类名无法直接调用其文本编码器导致多模态优势被 “锁定”图1. 我们方法的动机。(a) 当前的GCD方法[51]依赖单一的视觉特征导致视觉相似类别的分类效果较差我们的方法引入文本信息提高了模型的判别能力。(b) 我们提出的方法将图像嵌入映射到文本嵌入同时实现模态对齐。创新图2. 我们的GET框架概述。a在第一阶段我们引入了一个文本嵌入合成器为未标记数据生成伪文本嵌入。TES学习一种线性映射将图像特征转换为文本编码器的输入标记。生成的伪文本嵌入随后在第二阶段用于联合训练。b在第二阶段我们提出了一个双分支多模态联合训练框架具有跨模态实例一致性目标。两个分支采用相同的参数化训练策略[51]同时分别专注于文本和视觉信息。c我们的跨模态实例一致性目标使视觉和文本信息能够相互交换并从中受益。综上所述我们的贡献如下为解决文本编码器无法用于未标记数据的问题我们提出了一种TES模块将视觉嵌入转换为CLIP文本编码器的标记以生成伪文本嵌入。通过我们双分支框架中提出的跨模态实例一致性目标不同模态信息相互增强产生更具判别性的分类原型。我们的方法在多个基准测试上取得了最先进的结果为GCD提供了一种多模态范式。方法详细公式见论文实验表1. 细粒度和通用数据集上的结果%。最佳结果以粗体突出显示。表2. 更具挑战性的数据集上的结果%。表3. 不同组件的消融研究。表4. 与不同融合方法的比较。表5. 不同伪文本嵌入的实验。表6. 使用不同提示词的结果。表7. NEV和TV-100数据集上的结果。更多结果见附录结论在这项研究中我们提出利用多模态信息来解决GCD任务。具体而言我们引入了一种文本嵌入合成器为未标记数据生成伪文本嵌入。我们的文本嵌入合成器模块使得使用CLIP的文本编码器成为可能从而释放了GCD任务的多模态潜力。同时我们采用了双分支训练策略并辅以跨模态实例一致性目标这促进了不同模态之间的协同作用和相互学习。我们将GCD扩展到多模态范式的研究以及在多个基准测试上的优异性能证明了我们方法的有效性。局限性与未来工作。我们方法的一个局限性是将视觉和文本信息视为同等重要。实际上有些样本的视觉信息可能比文本信息更丰富、更具辨别力反之亦然。一种更合适的方法可能是让模型能够自适应地利用多模态信息自主评估哪种模态的信息更为关键。我们将在未来的工作中深入研究这一方面。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】