国产av日韩一区二区三区精品,成人性爱视频在线观看,国产,欧美,日韩,一区,www.成色av久久成人,2222eeee成人天堂

目錄
學(xué)習(xí)成果
目錄
什么是設(shè)備機(jī)器學(xué)習(xí)?
探索TensorFlow Lite
Tensorflow Lite的功能
Pytorch移動(dòng)實(shí)施
Pytorch手機(jī)的功能
性能比較:Tensorflow Lite vs Pytorch手機(jī)
易用性和開(kāi)發(fā)人員經(jīng)驗(yàn)
支持的平臺(tái)和設(shè)備兼容性
Tensorflow Lite
Pytorch手機(jī)
模型轉(zhuǎn)換:從培訓(xùn)到部署
Tensorflow Lite和Pytorch手機(jī)的用例
Tensorflow Lite實(shí)現(xiàn)
加載和保存模型
將模型轉(zhuǎn)換為Tensorflow Lite
加載推理的Tflite模型
預(yù)處理輸入,運(yùn)行推理和解碼輸出
設(shè)置環(huán)境并加載RESNET18型號(hào)
將模型轉(zhuǎn)換為Torchscript
加載腳本模型并進(jìn)行預(yù)測(cè)
結(jié)論
關(guān)鍵要點(diǎn)
常見(jiàn)問(wèn)題
首頁(yè) 科技周邊 人工智能 Tensorflow Lite與Pytorch手機(jī)

Tensorflow Lite與Pytorch手機(jī)

Mar 14, 2025 am 11:24 AM

在最近的技術(shù)開(kāi)發(fā)和機(jī)器學(xué)習(xí)的世界中,它不再局限于微型云中,而是在移動(dòng)設(shè)備中。眾所周知,Tensorflow Lite和Pytorch Mobile是直接在手機(jī)和平??板電腦上部署模型的兩種最商業(yè)可用的工具。 Tensorflow Lite和Pytorch Mobile均開(kāi)發(fā)用于手機(jī)上的操作,但它們的優(yōu)點(diǎn)和缺點(diǎn)與眾不同。在本文中,我們要知道什么是Tensorflow Lite,什么是Pytorch移動(dòng)設(shè)備,它們兩者之間的應(yīng)用和差異。

學(xué)習(xí)成果

  • 概述設(shè)備機(jī)器學(xué)習(xí)以及為什么它是有益的,而不是基于云的系統(tǒng)。
  • 了解用于移動(dòng)應(yīng)用程序部署的TensorFlow Lite和Pytorch Mobile。
  • 如何使用TensorFlow Lite和Pytorch移動(dòng)設(shè)備轉(zhuǎn)換訓(xùn)練有素的模型以進(jìn)行部署。
  • 比較Tensorflow Lite和Pytorch Mobile的性能,易用性和平臺(tái)兼容性。
  • 使用Tensorflow Lite和Pytorch Mobile實(shí)施現(xiàn)實(shí)世界中的示例。

本文作為數(shù)據(jù)科學(xué)博客馬拉松的一部分發(fā)表。

目錄

  • 什么是設(shè)備機(jī)器學(xué)習(xí)?
  • 探索TensorFlow Lite
  • Pytorch移動(dòng)實(shí)施
  • 性能比較:Tensorflow Lite vs Pytorch手機(jī)
  • 易用性和開(kāi)發(fā)人員經(jīng)驗(yàn)
  • 支持的平臺(tái)和設(shè)備兼容性
  • 模型轉(zhuǎn)換:從培訓(xùn)到部署
  • Tensorflow Lite和Pytorch手機(jī)的用例
  • Tensorflow Lite實(shí)現(xiàn)
  • Pytorch移動(dòng)實(shí)施
  • 結(jié)論
  • 常見(jiàn)問(wèn)題

什么是設(shè)備機(jī)器學(xué)習(xí)?

我們可以在移動(dòng)設(shè)備上執(zhí)行AI,包括智能手機(jī),平板電腦或任何其他設(shè)備在設(shè)備機(jī)器上學(xué)習(xí)。我們不需要依靠云的服務(wù)。這些是快速響應(yīng),敏感信息的安全性,并且應(yīng)用程序可以在有或沒(méi)有Internet連接的情況下運(yùn)行,這對(duì)于不同的應(yīng)用程序至關(guān)重要;實(shí)時(shí)識(shí)別圖像識(shí)別,機(jī)器翻譯和增強(qiáng)現(xiàn)實(shí)。

探索TensorFlow Lite

TensorFlow Lite是張量流式,通常在具有限制功能的設(shè)備上使用。它可以使用,并且與其他操作系統(tǒng)(例如Android和iPhone)兼容。它主要以提供延遲和高性能執(zhí)行為中心。至于Tensorflow Lite,有一個(gè)模型優(yōu)化器,可以幫助應(yīng)用某些方法,例如對(duì)模型進(jìn)行量化。這使模型更快,更小,用于移動(dòng)部署,這在這種做法中必須提高效率。

Tensorflow Lite的功能

以下是Tensorflow Lite的一些最重要的功能:

  • 小二進(jìn)制尺寸 Tensorflow Lite二進(jìn)制尺寸可能很小。它可以小至300kb。
  • 硬件加速度 TFLITE通過(guò)Android的NNAPI和iOS的Coreml等代表支持GPU和其他硬件加速器。
  • 模型量化 TFLITE提供了許多不同的量化方法,以優(yōu)化性能并降低模型大小而不犧牲過(guò)多的準(zhǔn)確性。

Pytorch移動(dòng)實(shí)施

Pytorch Mobile是Pytorch的移動(dòng)擴(kuò)展。通常以其在研究和生產(chǎn)方面的靈活性而聞名。 Pytorch Mobile可以輕松從桌面環(huán)境中采用訓(xùn)練有素的型號(hào),并在移動(dòng)設(shè)備上部署,而無(wú)需進(jìn)行太多修改。它通過(guò)支持動(dòng)態(tài)計(jì)算圖并使調(diào)試更容易地關(guān)注開(kāi)發(fā)人員的易用性。

Pytorch手機(jī)的功能

以下是Pytorch手機(jī)的一些重要功能:

  • 預(yù)先構(gòu)建的型號(hào) Pytorch Mobile提供了大量的預(yù)訓(xùn)練模型,可以將其轉(zhuǎn)換為在移動(dòng)設(shè)備上運(yùn)行。
  • 動(dòng)態(tài)圖它是Pytorch的動(dòng)態(tài)計(jì)算圖之一,可以在開(kāi)發(fā)過(guò)程中靈活性。
  • 自定義操作員 Pytorch Mobile允許我們創(chuàng)建自定義操作員,這對(duì)于高級(jí)用例很有用。

性能比較:Tensorflow Lite vs Pytorch手機(jī)

當(dāng)我們討論它們的性能時(shí),兩個(gè)框架都針對(duì)移動(dòng)設(shè)備進(jìn)行了優(yōu)化,但是Tensorflow Lite具有很高的執(zhí)行速度和資源效率。

  • 執(zhí)行速度由于其積極的優(yōu)化,例如量化和基于委托的加速度,Tensorflow Lite通常更快。例如 - nnapi和gpu。
  • 二進(jìn)制尺寸 Tensorflow Lite具有較小的占地面積,二進(jìn)制尺寸低至300kb,用于最小的構(gòu)建。 Pytorch移動(dòng)二進(jìn)制文件往往更大,并且需要更輕巧的部署進(jìn)行微調(diào)。

易用性和開(kāi)發(fā)人員經(jīng)驗(yàn)

Pytorch Mobile通常受開(kāi)發(fā)人員的靈活性和易于調(diào)試的功能而受到首選。這是由于動(dòng)態(tài)計(jì)算圖。這有助于我們?cè)谶\(yùn)行時(shí)修改模型,這非常適合原型制作。另一方面,TensorFlow Lite需要在部署前將模型轉(zhuǎn)換為靜態(tài)格式,這可以增加復(fù)雜性,但會(huì)為移動(dòng)設(shè)備提供更優(yōu)化的模型。

  • 模型轉(zhuǎn)換 Pytorch Mobile允許我們直接導(dǎo)出Pytorch型號(hào),而Tensorflow Lite則需要使用TFLITE轉(zhuǎn)換器轉(zhuǎn)換Tensorflow模型。
  • 調(diào)試 Pytorch的動(dòng)態(tài)圖使他們?cè)谶\(yùn)行時(shí)更容易調(diào)試模型,這非常適合快速發(fā)現(xiàn)問(wèn)題。借助Tensorflow Lite的靜態(tài)圖,盡管TensorFlow提供了可以幫助我們的模型分析器之類的工具,但調(diào)試可能會(huì)有些困難。

支持的平臺(tái)和設(shè)備兼容性

我們可以在兩個(gè)主要的移動(dòng)平臺(tái)Android和iOS上同時(shí)使用Tensorflow Lite和Pytorch移動(dòng)設(shè)備。

Tensorflow Lite

在選擇哪個(gè)將支持哪種硬件時(shí),Tflite更加靈活。由于委托系統(tǒng),它不僅支持CPU和GPU,還支持?jǐn)?shù)字信號(hào)處理器(DSP)和其他被認(rèn)為比基本CPU更高的芯片。

Pytorch手機(jī)

雖然Pytorch Mobile還支持CPU和GPU,例如用于iOS和Vulkan的Android的金屬,但除此之外,硬件加速的選項(xiàng)較少。這意味著,當(dāng)我們需要更廣泛的硬件兼容性時(shí),Tflite可能會(huì)具有優(yōu)勢(shì),尤其是對(duì)于具有專門處理器的設(shè)備而言。

模型轉(zhuǎn)換:從培訓(xùn)到部署

Tensorflow Lite和Pytorch Mobile之間的主要區(qū)別在于,模型從訓(xùn)練階段轉(zhuǎn)變?yōu)橐苿?dòng)設(shè)備上的部署。

Tensorflow Lite

如果我們想在移動(dòng)設(shè)備上部署TensorFlow模型,則需要使用TFLITE轉(zhuǎn)換器將其轉(zhuǎn)換。可以優(yōu)化此過(guò)程,例如量化,這將使移動(dòng)目標(biāo)的模型快速有效。

Pytorch手機(jī)

對(duì)于Pytorch Mobile,我們可以使用Torchscript保存模型。該過(guò)程非常簡(jiǎn)單,簡(jiǎn)單,但是它沒(méi)有提供與TFLITE提供的高級(jí)優(yōu)化選項(xiàng)的水平。

Tensorflow Lite和Pytorch手機(jī)的用例

探索Tensorflow Lite和Pytorch Mobile的實(shí)際應(yīng)用,展示了這些框架如何在不同行業(yè)跨越智能解決方案。

Tensorflow Lite

TFLITE是需要快速響應(yīng)的不同應(yīng)用程序的更好平臺(tái),例如實(shí)時(shí)圖像分類或?qū)ο髾z測(cè)。如果我們正在使用具有專門硬件的設(shè)備,例如GPU或神經(jīng)處理單元。 TFLITE的硬件加速度功能有助于模型運(yùn)行速度更快,更有效。

Pytorch手機(jī)

Pytorch Mobile非常適合仍在不斷發(fā)展的項(xiàng)目,例如研究或原型應(yīng)用程序。它的靈活性使得可以輕松進(jìn)行實(shí)驗(yàn)和迭代,從而使開(kāi)發(fā)人員可以快速更改。當(dāng)我們需要經(jīng)常實(shí)驗(yàn)和部署具有最小修改的新模型時(shí),Pytorch Mobile是理想的選擇。

Tensorflow Lite實(shí)現(xiàn)

我們將使用預(yù)訓(xùn)練的模型(MobilenetV2),并將其轉(zhuǎn)換為Tensorflow Lite。

加載和保存模型

我們要做的第一件事是導(dǎo)入TensorFlow并加載預(yù)先訓(xùn)練的MobilenETV2模型。正如該模型中所示,它已準(zhǔn)備好在Imagenet數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練。 Model.export('Mobilenet_model')以Tensorflow的SavedModel的格式寫入模型。這是將其轉(zhuǎn)換為與移動(dòng)設(shè)備一起使用的Tensorflow Lite模型(TFLITE)所需的格式。

 #步驟1:設(shè)置環(huán)境并加載預(yù)先訓(xùn)練的MobilenEtv2模型
導(dǎo)入TensorFlow作為TF

#加載預(yù)定的MobilenetV2模型
型號(hào)= tf.keras.applications.mobilenetv2(weights ='imagenet',input_shape =(224,224,3))

#將模型保存為tflite轉(zhuǎn)換的SavedModel
Model.export('Mobilenet_model')

將模型轉(zhuǎn)換為Tensorflow Lite

該模型是使用TfliteConverter從保存的模型(Mobilenet_model目錄)加載的。轉(zhuǎn)換器將模型轉(zhuǎn)換為更輕巧的.tflite格式。最后,將TFLITE模型保存為Mobilenet_v2.tflite,以便以后在移動(dòng)或邊緣應(yīng)用中使用。

 #步驟2:將模型轉(zhuǎn)換為Tensorflow Lite
converter = tf.lite.tfliteconverter.from_saved_model('mobilenet_model')
tflite_model = converter.convert()

#將轉(zhuǎn)換的模型保存到TFLITE文件
用open('mobilenet_v2.tflite','wb')作為f:
    F.Write(TFLITE_MODEL)

加載推理的Tflite模型

現(xiàn)在,我們導(dǎo)入數(shù)值操作(NUMPY)和圖像操作(pil.image)的必要庫(kù)。使用tf.lite.Interpreter和內(nèi)存分配了TFLITE模型以用于輸入/輸出張量。我們檢索有關(guān)輸入/輸出張量的詳細(xì)信息,例如形狀和數(shù)據(jù)類型,當(dāng)我們預(yù)處理輸入圖像并檢索輸出時(shí),這將很有用。

導(dǎo)入numpy作為NP
從PIL導(dǎo)入圖像

#加載Tflite型號(hào)并分配張量
interneter = tf.lite.interpreter(model_path ='mobilenet_v2.tflite')
interner.allocate_tensors()

#獲取輸入和輸出張量
input_details = interner.get_input_details()
output_details = interner.get_output_details()

預(yù)處理輸入,運(yùn)行推理和解碼輸出

我們加載圖像(cat.jpg),將其調(diào)整到所需的(224,224)像素,并使用MobilenetV2的預(yù)處理方法進(jìn)行預(yù)處理。預(yù)處理圖像通過(guò)使用internterpreter.set_tensor()設(shè)置輸入張量來(lái)饋入TFLITE模型,然后我們使用Inverter.invoke()運(yùn)行推理。推斷后,我們檢索模型的預(yù)測(cè),并使用decode_predictions()將它們解碼為可讀的類名稱和概率。最后,我們打印預(yù)測(cè)。

 #加載和預(yù)處理輸入圖像
image = image.open('cat.jpg')。resize((224,224))#替換為圖像路徑
input_data = np.expand_dims(np.Array(image),axis = 0)
input_data = tf.keras.applications.mobilenet_v2.preprocess_input(input_data)

#設(shè)置輸入張量并運(yùn)行模型
intermeter.set_tensor(input_details [0] ['index'],input_data)
inverter.invoke()

#獲取輸出并解碼預(yù)測(cè)
output_data = interner.get_tensor(output_details [0] ['index'])
預(yù)測(cè)= tf.keras.applications.mobilenet_v2.decode_predictions(output_data)
打?。A(yù)測(cè))

使用下面的貓圖像:

Tensorflow Lite與Pytorch手機(jī)

輸出:

[('N02123045','tabby',0.85),('N02124075','egyptian_cat',0.07),('N02123159','n02123159','tiger_cat',0.05)]

這意味著該模型是85%的信心,因?yàn)閳D像是虎斑貓。

Pytorch移動(dòng)實(shí)施

現(xiàn)在,我們將實(shí)施Pytorch手機(jī)。我們將使用一個(gè)簡(jiǎn)單的預(yù)訓(xùn)練模型,例如Resnet18,將其轉(zhuǎn)換為Torchscript,并運(yùn)行推斷

設(shè)置環(huán)境并加載RESNET18型號(hào)

#步驟1:設(shè)置環(huán)境
導(dǎo)入火炬
導(dǎo)入torchvision.models作為型號(hào)

#加載預(yù)驗(yàn)證的RESNET18型號(hào)
Model = model.Resnet18(預(yù)讀= true)

#將模型設(shè)置為評(píng)估模式
model.eval()

將模型轉(zhuǎn)換為Torchscript

在這里,我們定義一個(gè)示例_input,它是大小[1,3,224,224]的隨機(jī)張量。這模擬了一個(gè)帶有3個(gè)顏色通道(RGB)和224×224像素的1個(gè)圖像。它用于追蹤模型的操作。 TORCH.JIT.TRACE()是一種將Pytorch模型轉(zhuǎn)換為Torchscript模塊的方法。 Torchscript允許您在Py??thon之外進(jìn)行序列化并運(yùn)行模型,例如在C或移動(dòng)設(shè)備中。轉(zhuǎn)換后的Torchscript模型被保存為“ resnet18_scripted.pt”,允許將其加載和以后使用。

 #步驟2:轉(zhuǎn)換為Torchscript
example_input = torch.randn(1,3,224,224)#跟蹤示例輸入
traced_script_module = torch.jit.trace(型號(hào),example_input)

#保存火有關(guān)模型
traced_script_module.save(“ resnet18_scripted.pt”)

加載腳本模型并進(jìn)行預(yù)測(cè)

我們使用torch.jit.load()從文件“ resnet18_scripted.pt”中加載先前保存的火有關(guān)模型。我們創(chuàng)建一個(gè)新的隨機(jī)張量輸入_DATA,再次模擬具有大小[1、3、224、224]的圖像輸入。然后使用Loaded_model(input_data)在此輸入上運(yùn)行該模型。這將返回輸出,其中包含每個(gè)類的原始分?jǐn)?shù)(logits)。為了獲得預(yù)測(cè)的類,我們使用Torch.max(輸出,1),該類別給出了分?jǐn)?shù)最高的類索引。我們使用Predicted.item()打印預(yù)測(cè)類。

 #步驟3:加載并運(yùn)行腳本模型
loaded_model = torch.jit.load(“ resnet18_scripted.pt”)

#仿真輸入數(shù)據(jù)(隨機(jī)圖像張量)
input_data = torch.randn(1,3,224,224)

#運(yùn)行模型并獲得預(yù)測(cè)
輸出= loaded_model(input_data)
_,預(yù)測(cè)= torch.max(輸出,1)
打印(f'predisted類:{predicted.item()}')

輸出:

預(yù)測(cè)班:107

因此,該模型預(yù)測(cè)輸入數(shù)據(jù)屬于類索引107。

結(jié)論

Tensorflow Lite更加專注于移動(dòng)設(shè)備,而Pytorch Mobile則提供了更通用的CPU/GPU控制解決方案,兩者都針對(duì)AI在移動(dòng)設(shè)備和邊緣設(shè)備上的不同應(yīng)用進(jìn)行了優(yōu)化。與Tensorflow Lite相比,Pytorch Mobile提供了更大的便攜性,同時(shí)也比Tensorflow Lite更輕,并與Google緊密整合。它們結(jié)合在一起,使開(kāi)發(fā)人員能夠在開(kāi)發(fā)人員的手持設(shè)備上實(shí)施具有高功能的實(shí)時(shí)人工智能應(yīng)用程序。這些框架使用戶能夠在本地機(jī)器上運(yùn)行復(fù)雜的模型,并這樣做,因此他們正在通過(guò)指尖重寫有關(guān)移動(dòng)應(yīng)用程序如何與世界互動(dòng)的規(guī)則。

關(guān)鍵要點(diǎn)

  • Tensorflow Lite和Pytorch移動(dòng)設(shè)備使開(kāi)發(fā)人員有效地在邊緣設(shè)備上部署AI模型。
  • 這兩個(gè)框架都支持跨平臺(tái)兼容性,從而增強(qiáng)了移動(dòng)AI應(yīng)用程序的覆蓋范圍。
  • Tensorflow Lite以性能優(yōu)化而聞名,而Pytorch Mobile的靈活性則擅長(zhǎng)。
  • 易于集成和開(kāi)發(fā)人員友好的工具使這兩個(gè)框架適用于廣泛的AI用例。
  • 現(xiàn)實(shí)世界的應(yīng)用程序涵蓋了醫(yī)療保健,零售和娛樂(lè)等行業(yè),展示了它們的多功能性。

常見(jiàn)問(wèn)題

Q1。 Tensorflow Lite和Pytorch手機(jī)有什么區(qū)別?

A.使用Tensorflow Lite,在我們需要在移動(dòng)設(shè)備上高性能的地方使用Pytorch Mobile,在我們需要靈活性并易于與Pytorch現(xiàn)有的生態(tài)系統(tǒng)集成時(shí)。

Q2。 Tensorflow Lite和Pytorch移動(dòng)可以在Android和iOS上工作嗎?

答:是的,Tensorflow Lite和Pytorch移動(dòng)都在Android和iOS上工作。

Q3。寫一些Pytorch手機(jī)的用法。

答:Pytorch Mobile對(duì)于執(zhí)行諸如圖像,面部和視頻分類,實(shí)時(shí)對(duì)象檢測(cè),語(yǔ)音到文本轉(zhuǎn)換等任務(wù)的應(yīng)用程序很有用。

Q4。寫一些Tensorflow Lite手機(jī)的用法。

A. Tensorflow Lite移動(dòng)移動(dòng)可用于機(jī)器人技術(shù),IoT設(shè)備,增強(qiáng)現(xiàn)實(shí)(AR),虛擬現(xiàn)實(shí)(VR),自然語(yǔ)言處理(NLP)等應(yīng)用程序有用。

本文所示的媒體不由Analytics Vidhya擁有,并由作者酌情使用。

以上是Tensorflow Lite與Pytorch手機(jī)的詳細(xì)內(nèi)容。更多信息請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章!

本站聲明
本文內(nèi)容由網(wǎng)友自發(fā)貢獻(xiàn),版權(quán)歸原作者所有,本站不承擔(dān)相應(yīng)法律責(zé)任。如您發(fā)現(xiàn)有涉嫌抄襲侵權(quán)的內(nèi)容,請(qǐng)聯(lián)系admin@php.cn

熱AI工具

Undress AI Tool

Undress AI Tool

免費(fèi)脫衣服圖片

Undresser.AI Undress

Undresser.AI Undress

人工智能驅(qū)動(dòng)的應(yīng)用程序,用于創(chuàng)建逼真的裸體照片

AI Clothes Remover

AI Clothes Remover

用于從照片中去除衣服的在線人工智能工具。

Clothoff.io

Clothoff.io

AI脫衣機(jī)

Video Face Swap

Video Face Swap

使用我們完全免費(fèi)的人工智能換臉工具輕松在任何視頻中換臉!

熱工具

記事本++7.3.1

記事本++7.3.1

好用且免費(fèi)的代碼編輯器

SublimeText3漢化版

SublimeText3漢化版

中文版,非常好用

禪工作室 13.0.1

禪工作室 13.0.1

功能強(qiáng)大的PHP集成開(kāi)發(fā)環(huán)境

Dreamweaver CS6

Dreamweaver CS6

視覺(jué)化網(wǎng)頁(yè)開(kāi)發(fā)工具

SublimeText3 Mac版

SublimeText3 Mac版

神級(jí)代碼編輯軟件(SublimeText3)

AI投資者停滯不前? 3條購(gòu)買,建造或與人工智能供應(yīng)商合作的戰(zhàn)略途徑 AI投資者停滯不前? 3條購(gòu)買,建造或與人工智能供應(yīng)商合作的戰(zhàn)略途徑 Jul 02, 2025 am 11:13 AM

投資蓬勃發(fā)展,但僅資本還不夠。隨著估值的上升和獨(dú)特性的衰落,以AI為中心的風(fēng)險(xiǎn)投資的投資者必須做出關(guān)鍵決定:購(gòu)買,建立或合作伙伴才能獲得優(yōu)勢(shì)?這是評(píng)估每個(gè)選項(xiàng)和PR的方法

AGI和AI超級(jí)智能將嚴(yán)重?fù)糁腥祟愄旎ò宓募僭O(shè)障礙 AGI和AI超級(jí)智能將嚴(yán)重?fù)糁腥祟愄旎ò宓募僭O(shè)障礙 Jul 04, 2025 am 11:10 AM

讓我們來(lái)談?wù)劇? 對(duì)創(chuàng)新AI突破的分析是我正在進(jìn)行的AI中正在進(jìn)行的福布斯列覆蓋的一部分,包括識(shí)別和解釋各種有影響力的AI復(fù)雜性(請(qǐng)參閱此處的鏈接)。 前往Agi和

構(gòu)建您的第一個(gè)LLM應(yīng)用程序:初學(xué)者的教程 構(gòu)建您的第一個(gè)LLM應(yīng)用程序:初學(xué)者的教程 Jun 24, 2025 am 10:13 AM

您是否曾經(jīng)嘗試過(guò)建立自己的大型語(yǔ)言模型(LLM)應(yīng)用程序?有沒(méi)有想過(guò)人們?nèi)绾翁岣咦约旱腖LM申請(qǐng)來(lái)提高生產(chǎn)率? LLM應(yīng)用程序已被證明在各個(gè)方面都有用

Kimi K2:最強(qiáng)大的開(kāi)源代理模型 Kimi K2:最強(qiáng)大的開(kāi)源代理模型 Jul 12, 2025 am 09:16 AM

還記得今年早些時(shí)候破壞了Genai行業(yè)的大量開(kāi)源中國(guó)模型嗎?盡管DeepSeek占據(jù)了大多數(shù)頭條新聞,但Kimi K1.5是列表中的重要名字之一。模型很酷。

AMD繼續(xù)在AI中建立動(dòng)力,還有很多工作要做 AMD繼續(xù)在AI中建立動(dòng)力,還有很多工作要做 Jun 28, 2025 am 11:15 AM

總體而言,我認(rèn)為該活動(dòng)對(duì)于展示AMD如何向客戶和開(kāi)發(fā)人員移動(dòng)球非常重要。在SU下,AMD的M.O.要制定明確,雄心勃勃的計(jì)劃并對(duì)他們執(zhí)行。她的“說(shuō)/do”比率很高。公司做

未來(lái)預(yù)測(cè)從AI到AGI的道路上的大規(guī)模情報(bào)爆炸 未來(lái)預(yù)測(cè)從AI到AGI的道路上的大規(guī)模情報(bào)爆炸 Jul 02, 2025 am 11:19 AM

讓我們來(lái)談?wù)劇? 對(duì)創(chuàng)新AI突破的分析是我正在進(jìn)行的AI中正在進(jìn)行的福布斯列覆蓋的一部分,包括識(shí)別和解釋各種有影響力的AI復(fù)雜性(請(qǐng)參閱此處的鏈接)。對(duì)于那些讀者

Grok 4 vs Claude 4:哪個(gè)更好? Grok 4 vs Claude 4:哪個(gè)更好? Jul 12, 2025 am 09:37 AM

到2025年中期,AI“軍備競(jìng)賽”正在加熱,XAI和Anthropic都發(fā)布了他們的旗艦車型Grok 4和Claude 4。這兩種模型處于設(shè)計(jì)理念和部署平臺(tái)的相反端,但他們卻在

推理模型的思想鏈可能無(wú)法長(zhǎng)期解決 推理模型的思想鏈可能無(wú)法長(zhǎng)期解決 Jul 02, 2025 am 11:18 AM

例如,如果您向模型提出一個(gè)問(wèn)題,例如:“(x)人在(x)公司做什么?”您可能會(huì)看到一個(gè)看起來(lái)像這樣的推理鏈,假設(shè)系統(tǒng)知道如何檢索必要的信息:找到有關(guān)CO的詳細(xì)信息

See all articles