AI前沿-Euler的博客

累计撰写 224 篇文章
累计创建 88 个标签
累计收到 0 条评论

目录CONTENT

以下是 AI前沿相关的文章

【论文】：精确零样本密集检索无需相关性标签(HyDE) 论文地址: Precise Zero-Shot Dense Retrieval without Relevance Labels 核心问题现有的密集检索（Dense Retrieval）系统在零样本场景下表现不佳，特别是当没有相关性标签进行监督学习时。具体表现零样本学习困难：缺乏相关性标签时，
- 2025-10-08
- 27
- 0
- 0
- 论文
【论文】大型语言模型的低秩适配(LoRA) 论文概述论文标题: LoRA: Low-Rank Adaptation of Large Language Models 作者: Edward Hu, Yelong Shen, Phillip Wallis, Zeyuan Allen-Zhu, Yuanzhi Li, Shean Wang, Lu
- 2025-09-30
- 20
- 0
- 0
- 论文
【理论】深入理解Transformer中的正弦位置编码引言位置编码（Positional Encoding）是Transformer架构中一个精妙而关键的组件。不同于卷积神经网络天然具备的空间感知能力，Transformer的自注意力机制本身是位置无关的——如果不加入位置信息，模型无法区分"我爱你"和"你爱我"。本文将深入探讨Transformer为
- 2025-09-30
- 15
- 0
- 0
- 理论
【论文】注意力机制(Attention) 论文概述论文标题: Attention Is All You Need 作者: Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, Illia
- 2025-09-30
- 20
- 0
- 0
- 论文
【理论】注意力机制与多头注意力机制理解 1. 基础注意力机制 1.1 核心概念注意力机制模拟人类阅读时的"聚焦"行为，让模型在处理每个位置时，能够关注到输入序列中最重要的部分。 1.2 数学原理 \text{Attention}(Q,K,V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\r
- 2025-09-29
- 25
- 0
- 0
- 深度学习
【提示词】顺序性指令微调大语言模型 Fine-Tuning Large Language Models with Sequential Instructions 核心问题现有的指令微调（Instruction Tuning）模型在处理包含多个指令的复杂查询时表现不佳。具体表现多步骤指令执行困难：模型难以导航单个命令中的一系列子任
- 2025-09-28
- 11
- 0
- 0
- 论文
【机器学习】F1-Score、Recall、Precision详解：机器学习评估指标的核心概述在机器学习分类任务中，准确率（Accuracy）虽然是最直观的评估指标，但在处理不平衡数据集或需要关注特定类别性能时，往往不够全面。Precision（精确率）、Recall（召回率）和F1-Score（F1分数）这三个指标能够更细致地评估模型的性能，特别是在二分类和多分类问题中。混淆矩阵基
- 2025-09-24
- 38
- 0
- 0
- AI前沿
【LLM】Gemini Schema结构化响应 1. 简介 Gemini API的结构化响应功能允许开发者定义期望的输出格式，确保AI模型返回符合特定Schema的JSON数据。这对于需要稳定数据格式的应用场景非常有用，比如数据提取、API集成、自动化处理等。通过使用Pydantic模型定义Schema，我们可以：确保输出格式的一致性进行类
- 2025-09-10
- 482
- 0
- 13
- 大语言模型
【深度学习】Transformer 注意力机制与 LoRA target_modules 详解 1. Transformer 自注意力机制结构 1.1 基础组件 class SelfAttention(nn.Module): def __init__(self, d_model, n_heads): super().__init__() self.d_m
- 2025-08-26
- 448
- 0
- 6
- 深度学习
【机器学习】从KNN算法到图像风格迁移：原理与实践从KNN算法到图像风格迁移：原理与实践引言在机器学习的众多算法中，K近邻（K-Nearest Neighbors, KNN）算法以其简洁直观的思想而备受青睐。"物以类聚，人以群分"这句古话完美诠释了KNN的核心理念。但你是否想过，这样一个看似简单的算法，竟然也能应用于图像风格迁移这样的复杂任务？
- 2025-08-26
- 391
- 0
- 11
- AI前沿

1
2
3
4
5
6
7