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 | 20小时前 | 343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 | 20小时前 | 人工智能 · Keras NaN mixed_float16 mixed precision loss scale 输入范围 dtype policy 337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 | 7小时前 | python · 人工智能 · Transformers offset_mapping 原始文本 Fast tokenizer 文本偏移 330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 | 7小时前 | PyTorch checkpoint Accelerate 随机数状态 恢复训练 326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 | 3天前 | 313浏览 收藏
-
- PEFT适配器检查点为什么不包含完整基础模型
- 使用 Hugging Face PEFT 训练适配器后，检查点通常只包含适配器权重和配置，不会复制完整基础模型。本文从目录现象出发，说明保存设计、恢复加载、继续训练与合并导出的区别。
- 科技周边 · 人工智能 | 7小时前 | 301浏览 收藏
-
- RAG 文档切块按标题层级保留语义边界
- 从标题路径、递归切分、token 上限和召回聚合四个环节，说明 RAG 如何减少断章与误召回。
- 科技周边 · 人工智能 | 3天前 | 300浏览 收藏
-
- 向量检索与关键词检索怎样做混合召回
- 混合召回应让关键词与向量检索并行产生候选，再用 RRF 等可解释方法合并名次，而不是直接相加不同量纲的原始分数。本文给出实现骨架、参数选择、过滤边界与评估方法。
- 科技周边 · 人工智能 | 5天前 | 向量检索 · 293浏览 收藏
-
- 智能体评测不只看成功率：步骤、成本与恢复能力怎么量
- 智能体一次任务答对，不代表执行过程可靠。本文用一个可落地的评测表，把最终结果、工具轨迹、成本、延迟和失败恢复拆开衡量，并给出规则评分与版本对比方法。
- 科技周边 · 人工智能 | 5天前 | 人工智能 · 290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。
- 463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。
- 527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。
- 545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。
- 494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。
- 314次使用
