人工智能技术文章
-
- Keras 自定义 train_step 怎么让正则损失继续参与梯度
- 自定义 Keras train_step 时，正则损失可能被遗漏。本文说明如何在前向传播后读取 self.losses，与任务损失合并为 total_loss，并让梯度、fit 指标和 sample_weight 处理保持一致。
- 科技周边 · 人工智能 | 2天前 | 343浏览 收藏
-
- Datasets streaming 读取大语料的迭代方式
- Hugging Face Datasets 的 streaming 模式会返回 IterableDataset，按迭代按需读取远程或本地分片。本文给出变换、缓冲区打乱、多 worker、训练轮次和检查点恢复的生产写法。
- 科技周边 · 人工智能 | 2星期前 | python · 人工智能 · 数据迭代 Hugging Face Datasets streaming IterableDataset 大语料 337浏览 收藏
-
- Keras mixed_float16 训练出现 NaN 怎么区分 loss scale 和输入范围
- Keras mixed_float16 训练出现 NaN 时，先用 float32 建立对照，再检查输入有限性、数值范围、前向损失和梯度，区分数据问题、低精度敏感计算与 loss scale 问题。本文给出最小排查代码和迁移修复顺序。
- 科技周边 · 人工智能 | 2天前 | 人工智能 · Keras NaN mixed_float16 mixed precision loss scale 输入范围 dtype policy 337浏览 收藏
-
- Hugging Face Catalog API 怎么创建推理端点
- 讲清 Hugging Face Catalog API 的模型与配方关系，并用 huggingface_hub 完成目录筛选、精确创建、状态等待和成本控制。
- 科技周边 · 人工智能 | 1星期前 | 333浏览 收藏
-
- Transformers分词偏移怎样映射回原始文本片段
- 使用 Transformers Fast tokenizer 的 offset_mapping 把 token 位置还原为原始文本片段，并处理特殊 token、批量溢出、成对输入与预分词边界。
- 科技周边 · 人工智能 | 1天前 | python · 人工智能 · Transformers offset_mapping 原始文本 Fast tokenizer 文本偏移 330浏览 收藏
-
- Tokenizers offset mapping 怎么映射回原始文本位置
- Tokenizers 的 offset mapping 本质是 token 到原始文本的半开字符区间。本文用 Fast Tokenizer 说明 return_offsets_mapping、特殊 token、空白、规范化和溢出窗口的定位方法。
- 科技周边 · 人工智能 | 1星期前 | 人工智能 · Tokenizers offset_mapping 原始文本 328浏览 收藏
-
- RAG 文档切分怎样按标题层级保留上下文
- RAG 按标题层级切分应先分章节，再按长度细分并继承标题路径和来源元数据。本文用原创 Markdown 示例说明检索文本、生成上下文、引用定位和旧索引迁移的边界，避免切片只剩孤立正文。
- 科技周边 · 人工智能 | 1天前 | 328浏览 收藏
-
- Accelerate恢复训练时如何保存随机数状态
- 用Accelerate的save_state与load_state保存和恢复训练随机数状态，通过epoch边界示例说明加载时机、自建生成器登记和数据位置区别，避免将固定seed误当断点恢复。
- 科技周边 · 人工智能 | 1天前 | PyTorch checkpoint Accelerate 随机数状态 恢复训练 326浏览 收藏
-
- PyTorch DataLoader 多进程为什么会重复随机数据
- 排查 PyTorch DataLoader 多进程中的重复随机值与重复样本，说明 worker seed、第三方随机库、IterableDataset 分片和 generator 的正确配置。
- 科技周边 · 人工智能 | 1星期前 | 人工智能 · 深度学习 · PyTorch 随机种子 DataLoader num_workers worker_init_fn 316浏览 收藏
-
- Diffusers ControlNet 条件图尺寸匹配的处理
- 讲清 Diffusers ControlNet 条件图与生成画布的尺寸匹配方法，覆盖等比补边、居中裁切、多 ControlNet 和批量输入检查。
- 科技周边 · 人工智能 | 1星期前 | 人工智能 · Python教程 · 图像尺寸 Pillow ControlNet diffusers 条件图 314浏览 收藏
-
- 大模型回答怎么设计成对评测减少位置偏差
- 减少大模型裁判的位置偏差，不能只在提示词里要求公平，而应对同一回答对同时运行 A-B 与 B-A 两种顺序，统一还原答案身份，只合并一致判定，并把翻转样本升级为不确定或人工复核。
- 科技周边 · 人工智能 | 1星期前 | 人工智能 · 位置偏差 大模型评测 LLM-as-a-Judge 成对评测 314浏览 收藏
-
- MCP 资源与工具描述的缓存更新策略
- MCP 客户端不应只靠固定 TTL 缓存工具描述和资源。本文按 tools/list、resources/list、resources/read 拆分缓存键，结合 ttlMs、cacheScope 与变更通知设计可恢复的一致性策略。
- 科技周边 · 人工智能 | 4天前 | 313浏览 收藏
-
- 安全过滤把拒答与业务失败分开记录的实现方法
- 从应用层响应分支出发，把安全拒答、业务失败和上游错误拆开记录，建立稳定错误码、重试边界与日志字段。
- 科技周边 · 人工智能 | 3星期前 | 310浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案，代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景，打造一站式知识长龙服务，适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例，全面具体可落地，从理论到实践，一步一步将GO核心编程技术、编程思想、底层实现融会贯通，使学习者贴近时代脉搏，做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信：Le-studyg；在课程中，我们将首先介绍MySQL8的新特性，包括性能优化、安全增强、新数据类型等，帮助学生快速熟悉MySQL8的最新功能。接着，我们将深入解析MySQL的网络通信机制，包括协议、连接管理、数据传输等，让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网，分为导航，轮播，关于我们，成功案例，服务流程，团队介绍，数据部分，公司动态，底部信息等内容区块。网站整体采用CSSGrid布局，支持响应式，有流畅过渡和展现动画。
- 485次学习
-
- Golang深入理解GPM模型
- Golang深入理解GPM调度器模型及全场景分析，希望您看完这套视频有所收获；包括调度器的由来和分析、GMP模型简介、以及11个场景总结。
- 474次学习
查看更多
AI推荐
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集，涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用，助力提升NLP模型性能。
- 483次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台，提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能，助您快速选择最适合项目的高性能大语言模型。
- 540次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制，用户可对比不同大模型回答并生成实时排行榜，助力开发者优化模型及用户选择最佳AI工具。
- 561次使用
-
- HELM
- 深入了解斯坦福推出的HELM（Holistic Evaluation of Language Models）大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景，涵盖准确性、公平性、鲁棒性等多维度指标，助力开发者全面优化语言模型性能。
- 514次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台，提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景，助力开发者全面评估多模态模型性能。
- 331次使用
