- 博客(225)
- 收藏
- 关注
RSS订阅原创 人工智能（第三版）—【第三章】练习题
（a）从方块（1,1）开始，尝试解决骑士之旅问题。（提示：对于这个版本的骑士之旅问题，你可能会发现需要大量内存来解决。因此，你可能需要确定一个启发式方法，以帮助引导搜索过程。（b）尝试找到一种启发式方法，它能帮助初次求解器找到正确解----(a) 骑士之旅问题是一个经典的组合优化问题，它要求马在棋盘上访问每个方块一次，并最终回到起始方块。对于一个完整的8×8棋盘，解决骑士之旅问题是非常困难的，因为搜索空间非常大。在这种情况下，需要使用一种启发式方法来引导搜索过程。
2024-02-03 01:05:53
912
原创 人工智能（第三版）—【第三章】讨论题
（a）给出启发式搜索的 3 种定义。（b）给出将启发式信息添加到搜索中的 3 种方式。启发式搜索方法通过利用启发式信息来引导搜索过程，可以在某些情况下更快地找到解决方案，相比盲目搜索方法更具效率和准确性。
2024-02-03 00:59:44
947
原创 人工智能（第三版）—【第二章】编程题
（a）深度优先搜索。（b）广度优先搜索。（c）迭代加深的深度优先搜索。下面是使用Python编写的解决15拼图问题的程序，包括深度优先搜索、广度优先搜索和迭代加深的深度优先搜索算法。请注意，这个程序假设拼图是一个4x4的方格，使用数字1到15表示拼图块，0表示空格。你可以根据你的具体需求修改初始状态和目标状态。以上是一个简单的实现，但是对于较复杂的拼图问题，可能需要更高效的算法来提高搜索效率。
2024-01-27 00:46:31
918
原创 人工智能（第三版）—【第二章】练习题
这个生成器在每一步都要确保新放置的皇后不会受到前面已放置的皇后的攻击，因此生成的搜索空间比文中的两个生成器更小。这是因为在每一步中，新放置的皇后的选择受到更多的限制，只能放在未受前面皇后攻击的方格中，而不是所有未被占据的方格。需要注意的是，尽管这个生成器是完备的和非冗余的，但是由于其随机性质，它可能需要更长的时间才能找到解，尤其是在问题规模较大时。此外，由于随机选择行的方式，生成的解可能没有特定的模式或规律，可能会导致解的质量不一致。在非确定性搜索中，节点的扩展顺序是随机的，不受特定规则或优先级的限制。
2024-01-27 00:40:42
1001
原创 人工智能（第三版）—【第二章】讨论题
状态空间图是对问题的一种表示方法。通过状态空间图，人们可以探索和分析通往解的可能的可选路径。某个具体问题的解将对应状态空间图中的一条路径。有时只需要搜索问题的任意一个解即可状态空间图常用于描述和分析复杂的系统和问题，如计算机程序、自动控制系统、游戏规则等。它可以帮助我们理解系统或问题的运行机制，找到问题的解决方案，优化系统的性能，以及进行系统的模拟和仿真。
2024-01-27 00:25:32
819
原创 人工智能（第三版）—【第一章】练习题
逆图灵测试的一个可能的实际应用是。在购票过程中，用户可能会遇到各种问题、疑虑或困惑，例如座位选择、票价查询、支付问题等。通过进行逆图灵测试，系统可以判断用户是在与人交互还是与另一台计算机交互，从而提供更加个性化和准确的服务。在这种应用场景中，逆图灵测试可以帮助系统识别并区分人类用户和自动化机器人。如果系统能够准确判断用户是人还是机器人，就可以根据不同的情况采取相应的策略。例如，对于人类用户，系统可以提供更加友好和个性化的服务，回答他们的问题，解决他们的疑虑，并提供相关的推荐和建议。
2024-01-20 11:48:46
1009
原创 人工智能（第三版）—【第一章】讨论题
ALICE（人工语言互联网计算机实体）是一个基于经验的人工智能聊天机器人，它通过了世界著名的图灵测验并作为“最像人类的计算机”两次获得AI科学界最高荣誉洛伯纳(Loebner)奖，但是它唯一的缺陷就是不支持中文聊天。ALICE(人工语言互联网计算机实体)，也称为Alicebot或简称Alice，是一种自然语言处理聊天 机器人–一种通过对人类输入应用一些启发式模式匹配规则来与人类对话的程序。它的灵感来自Joseph Weizenbaum的经典ELIZA程序。
2024-01-20 11:13:45
872
原创 XTuner 大模型单卡低成本微调实战
一个大语言模型微调工具箱。由MMRazor和MMDeploy联合开发。以数据集为例场景需求基于 InternLM-chat-7B 模型，用 MedQA 数据集进行微调，将其往医学问答领域对齐。此时，我们重新建一个文件夹来玩“微调自定义数据集”把前面下载好的internlm-chat-7b模型文件夹拷贝过来。别忘了把自定义数据集，即几个.jsonL，也传到服务器上。
2024-01-17 21:53:36
942
原创 基于 InternLM 和 LangChain 搭建知识库
llm.predict("你是谁")构建检索问答链，还需要构建一个 Prompt Template，该 Template 其实基于一个带变量的字符串，在检索之后，LangChain 会将检索到的相关文档片段填入到 Template 的变量中，从而实现带知识的 Prompt 构建。from langchain . prompts import PromptTemplate # 我们所构造的 Prompt 模板 template = """使用以下上下文来回答用户的问题。如果你不知道答案，就说你不知道。
2024-01-17 21:41:47
1113
原创 PyTorch损失函数（二）
nn.L1Loss是一个用于计算输入和目标之间差异的损失函数，它计算输入和目标之间的绝对值差异。reductionnonesummeannonesummean例如，如果输入是一个大小为的张量，目标是一个相同大小的张量，表示每个样本的类别标签，可以使用nn.L1Loss计算它们之间的绝对值差异。tensor(1.)这表示输入和目标之间的平均绝对值差异为1.0。
2024-01-14 23:44:28
1144
1
原创 leetcode第365题：水壶问题
有两个水壶，容量分别为 jug1Capacity 和 jug2Capacity 升。水的供应是无限的。确定是否有可能使用这两个壶准确得到 targetCapacity 升。如果可以得到 targetCapacity 升水，最后请用以上水壶中的一或两个来盛放取得的 targetCapacity 升水。
2024-01-14 22:38:35
971
原创 PyTorch损失函数
损失函数：衡量模型输出与真实标签的差异这段代码定义了一个Loss函数的基类_Loss，用于定义其他具体的损失函数。在初始化方法__init__reduce和reduction。和reduce用于确定是否对损失值进行平均和降维操作，reduction则用于指定损失值的降维方式，默认为均值'mean'。基类_Loss的作用是提供了一些通用的属性和方法，其他具体的损失函数可以继承该基类，并根据自己的需求重写或添加特定的属性和方法。
2024-01-13 23:42:35
1063
原创 权值初始化
在神经网络中，梯度消失和梯度爆炸是训练过程中常见的问题。梯度消失指的是在反向传播过程中，梯度逐渐变小，导致较远处的层对参数的更新影响较小甚至无法更新。这通常发生在深层网络中，特别是使用某些激活函数（如sigmoid函数）时。当梯度消失发生时，较浅层的权重更新较大，而较深层的权重更新较小，使得深层网络的训练变得困难。梯度爆炸指的是在反向传播过程中，梯度逐渐变大，导致权重更新过大，网络无法收敛。这通常发生在网络层数较多，权重初始化过大，或者激活函数的导数值较大时。
2024-01-13 23:01:52
978
1
原创 池化、线性、激活函数层
池化运算是深度学习中常用的一种操作，它可以对输入的特征图进行降采样，从而减少特征图的尺寸和参数数量。池化运算的主要目的是通过“收集”和“总结”输入特征图的信息来提取出主要特征，并且减少对细节的敏感性。在池化运算中，通常有两种常见的操作：最大池化和平均池化。最大池化（Max Pooling）是指在池化窗口内选择最大值作为输出的操作。它可以帮助提取输入特征图中的最显著特征，同时减少了特征图的尺寸。平均池化（Average Pooling）是指在池化窗口内计算平均值作为输出的操作。
2024-01-12 23:51:07
1288
5
原创 HJ12 字符串反转
接受一个只包含小写字母的字符串，然后输出该字符串反转后的字符串。（字符串长度不超过1000）输入一行，为一个只包含小写字母的字符串。输入一行，为一个只包含小写字母的字符串。
2024-01-11 00:00:00
365
1
原创 HJ23 删除字符串中出现次数最少的字符
实现删除字符串中出现次数最少的字符，若出现次数最少的字符有多个，则把出现次数最少的字符都删除。输出删除这些单词后的字符串，字符串中其它字符保持原来的顺序。接受一个只包含小写字母的字符串，然后输出该字符串反转后的字符串。（字符串长度不超过1000）数据范围：输入的字符串长度满足 1 <= n <=20 ，保证输入的字符串中仅出现小写字母。字符串只包含小写英文字母, 不考虑非法输入，输入的字符串长度小于等于20个字节。删除字符串中出现次数最少的字符后的字符串。
2024-01-11 00:00:00
346
原创 HJ2 计算某字符出现次数
写出一个程序，接受一个由字母、数字和空格组成的字符串，和一个字符，然后输出输入字符串中该字符的出现次数。（不区分大小写字母）
2024-01-10 02:45:00
717
2
原创 HJ10 字符个数统计
编写一个函数，计算字符串中含有的不同字符的个数。字符在 ASCII 码范围内( 0~127 ，包括 0 和 127 )，换行表示结束符，不算在字符里。不在范围内的不作统计。多个相同的字符只计算一次。例如，对于字符串 abaca 而言，有 a、b、c 三种不同的字符，因此输出 3。输入字符串 中范围在(0~127，包括0和127)字符的种数。数据范围： 1 <= n<=500。输入一行没有空格的字符串。
2024-01-10 02:45:00
321
原创 nn网络层-卷积层
为了减少棋盘效应，可以采用一些技巧，例如使用更大的步长、更小的卷积核尺寸、更大的填充等。需要注意的是，由于转置卷积的操作涉及到填充和步长等参数，因此输出特征图的尺寸可能与输入特征图的尺寸不完全一致。简化版的二维卷积尺寸计算公式是在完整版的基础上进行了简化，假设填充个数为0，步长为1，即没有填充且卷积核每次滑动一个像素。，其中输入通道数为3，输出通道数为64，卷积核尺寸为3x3，步长为1，填充个数为1。这样就创建了一个输入通道数为3，输出通道数为64的转置卷积层，卷积核大小为3x3，步长为2，填充个数为1。
2024-01-09 22:04:25
1314
1
原创 模型容器与AlexNet构建
顺序性，各网络层之间严格按顺序执行，常用于block构建迭代性，常用于大量重复网构建，通过for循环实现重复构建索引性，常用于可选择的网络层。
2024-01-09 21:29:04
937
2
原创 模型创建与nn.Module
nn.Module一个nn.Modulenn.Module具有层次结构，可以嵌套包含其他nn.Module实例作为其子模块。这样可以方便地构建复杂的神经网络结构。一个nn.Module相当于一个运算：每个nn.Module类都必须实现forward()函数，该函数定义了模型的前向传播过程。在调用模型对象时，会自动调用forward()函数来执行模型的前向计算。每个nn.Module都有 8 个字典管理它的属性：这些字典分别是_buffers和_modules。
2024-01-08 21:49:57
585
1
原创 轻松玩转书生·浦语大模型趣味Demo
大模型通常指的是机器学习或人工智能领域中参数数量巨大、拥有庞大计算能力和参数规模的模型。这些模型利用大量数据进行训练，并且拥有数十亿甚至数千亿个参数。大模型的出现和发展得益于增长的数据量、计算能力的提升以及算法优化等因素。这些模型在各种任务中展现出惊人的性能，比如自然语言处理、计算机视觉、语音识别等。这种模型通常采用深度神经网络结构，如 Transformer、BERT、GPT（ Generative Pre-trained Transformer ）等。
2024-01-08 21:30:07
1018
原创 HJ1 字符串最后一个单词的长度
设置strlast数组，最多放5000个元素，gets输入的字符串中有空格也可以直接输入，不用像 scanf 那样要定义多个字符数组。计算字符串最后一个单词的长度，单词以空格隔开，字符串长度小于5000。（注：字符串末尾不以空格为结尾）输入一行，代表要计算的字符串，非空，长度小于5000。输出一个整数，表示输入字符串最后一个单词的长度。从字符串最后面开始遍历元素，当碰到空格时跳出循环。
2024-01-07 23:50:30
354
1
原创 transforms的操作
仅接收一个参数，返回一个参数注意上下游的输出与输入# 初始化参数...# 在这里实现您的转换逻辑# 可以使用 self.param1, self.param2 等参数# img 是输入的图像# 转换操作# ...return img在上面的示例中，类接收多个参数并在__init__方法中进行初始化。您可以根据需要定义和初始化自己的参数。然后，在__call__方法中实现您的转换逻辑。在这个方法中，您可以使用等参数，并对输入的图像img进行转换操作。最后，返回转换后的图像。
2024-01-07 23:47:30
969
原创 Vue框架底层
<MyComp v-mydirec1="js表达式" /><div v-mydirec2="js表达式">...</div><img v-mydirec1="js表达式" />
2024-01-06 18:20:47
1047
1
原创 transforms图像增强（二）
是一个用于对图像边缘进行填充的数据转换操作。padding(a, b)baa, b, c, d'constant'fill'edge''reflect'fill'constant'(R, G, B)在上面的示例中，将图像的边缘填充了2个像素，填充的像素值为红色 (255, 0, 0)。填充模式为'constant'，表示使用常数填充。注意：填充操作通常在图像预处理阶段使用，以确保所有图像具有相同的尺寸或符合模型的输入要求。填充后的图像尺寸会增加，因此在应用填充之前需要考虑好图像的尺寸和比例关系。
2024-01-06 18:17:18
1191
原创 transforms图像增强（一）
数据增强（Data Augmentation）是一种常用的数据预处理技术，通过对训练集进行各种变换和扩增操作，可以增加训练数据的多样性和丰富性，从而提高模型的泛化能力。数据增强的目的是通过对训练集中的图像进行随机变换，生成更多样的图像样本，以模拟真实世界中的各种场景和变化。这样可以帮助模型学习到更多不同的特征和模式，提高模型对于不同样本的适应能力，减少过拟合的风险。常见的数据增强操作包括图像翻转、旋转、缩放、裁剪、平移、变换色彩空间、添加噪声等。
2024-01-05 23:50:17
994
原创 前端之网络
TCP协议，传输控制协议**(Transmission control protocol)**是一种面向连接的、可靠的、基于字节流的传输层通信协议TCP通信需要经过创建连接、数据传送、终止连接三个步骤，TCP通信模型中，在通信开始之前，一定要先建立相关的链接，才能发送数据。
2024-01-05 23:48:16
934
原创 图像预处理——transforms
是PyTorch的一个扩展库，提供了许多计算机视觉相关的工具和功能。下面是关于ToTensorNormalizeRandomCropMNISTCIFAR-10ImageNetAlexNetVGGResNetGoogLeNetmake_gridsave_image。
2024-01-04 17:51:16
1557
2
原创 书生-浦路大模型全链路开源体系
万卷经过语言筛选、文本提取、格式标准化、数据过滤和清洗(基于规则和模型)、多尺度去重和数据质量评估等精细数据处理环节，能够很好地适应后续模型训练的要求。万卷包含文本、图像和视频等多模态数据，涵盖科技、文学、媒体、教育和法律等多个领域。在万卷的构建过程中，研究人员注重将数据内容与主流中国价值观进行对齐，并通过算法和人工评估的结合提高语料库的纯净度。使用场景:让基座模型学习到一些新知识，如某个垂类领域知识训练数据:文章、书籍、代码等。大语言模型的下游应用中，增量续训和有监督微调是经常会用到两种方式。
2024-01-04 04:00:00
812
原创 HTTP模块
当应用程序（客户端）需要某一个资源时，可以向一台服务器，通过Http请求获取到这个资源；提供资源的这个服务器，就是一个Web服务器目前有很多开源的Web服务器：Nginx、Apache（静态）、Apache Tomcat（静态、动态）、Node.js。
2024-01-03 23:40:32
1282
原创 DataLoader与Dataset
功能：构建可迭代的数据装载器（只标注了较为重要的）• dataset: Dataset类，决定数据从哪读取及如何读取• batchsize : 批大小• num_works: 是否多进程读取数据• shuffle: 每个epoch是否乱序• drop_last：当样本数不能被batchsize整除时，是否舍弃最后一批数据样本总数：80， Batchsize：8样本总数：87， Batchsize：8。
2024-01-03 21:40:16
449
原创 autograd与逻辑回归
是PyTorch中用于计算梯度的函数。以下是对该函数的参数的解释：功能：自动求取梯度• tensors: 用于求导的张量，如 loss• retain_graph : 保存计算图• create_graph : 创建导数计算图，用于高阶求导• grad_tensors：多梯度权重tensorsTruetensorNoneNoneFalse该函数的作用是计算tensors中张量的梯度，使用链式法则将梯度传播到叶子结点。它会自动构建计算图，并使用反向传播算法计算梯度。
2024-01-02 16:59:01
1249
原创 计算图与动态图机制
计算图是用来描述运算的有向无环图计算图有两个主要元素：结点（Node）和边（Edge）计算图与梯度求导 y = (x+ w) * (w+1)叶子结点：用户创建的结点称为叶子结点，如X 与 Wis_leaf: 指示张量是否为叶子结点grad_fn: 记录创建该张量时所用的方法（函数）
2024-01-01 23:21:13
358
原创 张量操作与线性回归
功能：将张量按维度dim进行拼接• tensors: 张量序列• dim : 要拼接的维度函数用于沿着指定维度dim将多个张量拼接在一起。它接受一个张量列表tensors作为输入，并返回一个拼接后的张量。参数dim指定了拼接的维度，默认为0。
2024-01-01 22:34:01
1409
原创 PyTorch安装、配置环境（全网最新最全）
命名解释：cu92/torch-1.2.0%2Bcu92-cp37-cp37m-win_amd64.whl。
2023-12-31 17:07:09
3629
原创 最新PyCharm安装教程（超详细图文版，附带jh教程，必备插件）
工欲善其事，必先利其器”，PyCharm 上面的插件是非常实用的，能够巧妙的使用插件对于我们的开发功能的帮助非常大，下面我为大家推荐一些不错的插件！用来提示快捷键的插件，帮助我们尽可能的摆脱鼠标操作，在用鼠标进行操作是，插件会自动提示相应功能对应的快捷键。一个支持在PyCharm内部进行Json验证和格式化的轻量级插件，省去了来回切换浏览器格式化校验的麻烦。用来测试正则表达式的插件，安装完毕之后在左下角的小矩形框中可以找到。界面如下，上面输入的是正则表达式，下面输入需要查找的字符串。
2023-12-30 17:01:18
1065
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人