電子發(fā)燒友網(wǎng)技術(shù)文庫為您提供最新技術(shù)文章，最實(shí)用的電子技術(shù)文章，是您了解電子技術(shù)動(dòng)態(tài)的最佳平臺。

• 深入解析Cache在A(yíng)I處理器設計中的作用機制

  最快的存儲器類(lèi)型是SRAM，但每個(gè)SRAM單元需要六個(gè)晶體管，因此SRAM在SoC內部很少使用，因為它會(huì )消耗大量的空間和功率。...

  125次閱讀 · 0評論 集成電路存儲器sram晶體管AI處理器
  

• 基于計算機視覺(jué)與機器學(xué)習技術(shù)的跌倒風(fēng)險預測

  使用卷積神經(jīng)網(wǎng)絡(luò )（CNN）、支持向量機（SVM）、K近鄰（KNN）和長(cháng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò )等四種不同的分類(lèi)方法對三種步態(tài)模式進(jìn)行自動(dòng)分類(lèi)。...

  191次閱讀 · 0評論 向量機人工智能計算機視覺(jué)機器學(xué)習卷積神經(jīng)網(wǎng)絡(luò )
  

• 通過(guò)增強一致性訓練，有效緩解CoT中的偏見(jiàn)問(wèn)題

  這些偏見(jiàn)特征可能導致模型在沒(méi)有明確提及這些偏見(jiàn)的情況下，系統性地歪曲其推理過(guò)程，從而產(chǎn)生不忠實(shí)（unfaithful）的推理。...

  138次閱讀 · 0評論 大模型
  

• 探索推理時(shí)KV Cache的動(dòng)態(tài)內存壓縮方法

  DMC通過(guò)一個(gè)決策變量（α）來(lái)有效地對輸入序列進(jìn)行分段，每個(gè)段落可以獨立地決定是繼續追加還是進(jìn)行累積。這允許模型在不同段落之間動(dòng)態(tài)調整內存使用。...

  299次閱讀 · 0評論 AI動(dòng)態(tài)內存DMC大模型
  

• 瑞薩RZ/V2L預訓練的人工智能模型

  RZ/V2L還與RZ/G2L封裝和引腳兼容。這使得RZ/G2L用戶(hù)可輕松升級至RZ/V2L，以獲得額外的人工智能功能，而無(wú)需修改系統配置，從而保持低遷移成本。...

  151次閱讀 · 0評論 AIDDR4視頻編解碼器圖像信號處理器
  

• 傅里葉變換基本原理及在機器學(xué)習應用

  連續傅里葉變換（CFT）和離散傅里葉變換（DFT）是兩個(gè)常見(jiàn)的變體。CFT用于連續信號，而DFT應用于離散信號，使其與數字數據和機器學(xué)習任務(wù)更加相關(guān)。...

  359次閱讀 · 0評論 算法信號處理機器學(xué)習傅立葉變換
  

• BP神經(jīng)網(wǎng)絡(luò )算法的基本流程

  訓練經(jīng)過(guò)約50次左右迭代，在訓練集上已經(jīng)能達到99%的正確率，在測試集上的正確率為90.03%，單純的BP神經(jīng)網(wǎng)絡(luò )能夠提升的空間不大了，但kaggle上已經(jīng)有人有卷積神經(jīng)網(wǎng)絡(luò )在測試集達到了99.3%的準確率。...

  918次閱讀 · 0評論 神經(jīng)網(wǎng)絡(luò )深度學(xué)習卷積神經(jīng)網(wǎng)絡(luò )
  

• 深度探討VLMs距離視覺(jué)演繹推理還有多遠？

  通用大型語(yǔ)言模型（LLM）推理基準：研究者們介紹了多種基于文本的推理任務(wù)和基準，用于評估LLMs在不同領(lǐng)域（如常識、數學(xué)推理、常識推理、事實(shí)推理和編程）的性能。這些研究包括BIG-bench、HELM、SuperGLUE和LAMA等。...

  201次閱讀 · 0評論 語(yǔ)言模型大模型
  

• 光量子行走的高效機器學(xué)習技術(shù)研究

  基于神經(jīng)網(wǎng)絡(luò )技術(shù)，僅利用相對于傳統態(tài)層析方法50%的測量基數目，即可實(shí)現平均保真度高達97.5%的開(kāi)放光量子行走的完整混合量子態(tài)表征。...

  114次閱讀 · 0評論 神經(jīng)網(wǎng)絡(luò )機器學(xué)習量子計算
  

• 一種高效的KV緩存壓縮框架--GEAR

  GEAR框架通過(guò)結合三種互補的技術(shù)來(lái)解決這一挑戰：首先對大多數相似幅度的條目應用超低精度量化；然后使用低秩矩陣來(lái)近似量化誤差。...

  175次閱讀 · 0評論 GEAR大模型
  

• 什么是隨機森林？隨機森林的工作原理

  隨機森林使用名為“bagging”的技術(shù)，通過(guò)數據集和特征的隨機自助抽樣樣本并行構建完整的決策樹(shù)。雖然決策樹(shù)基于一組固定的特征，而且經(jīng)常過(guò)擬合，但隨機性對森林的成功至關(guān)重要。...

  1455次閱讀 · 0評論 cpugpuAI機器學(xué)習決策樹(shù)
  

• 機器學(xué)習多分類(lèi)任務(wù)深度解析

  一對其余其實(shí)更加好理解，每次將一個(gè)類(lèi)別作為正類(lèi)，其余類(lèi)別作為負類(lèi)。此時(shí)共有（N個(gè)分類(lèi)器）。在測試的時(shí)候若僅有一個(gè)分類(lèi)器預測為正類(lèi)，則對應的類(lèi)別標記為最終的分類(lèi)結果。...

  491次閱讀 · 0評論 分類(lèi)器機器學(xué)習
  

• 深度學(xué)習檢測小目標常用方法

  深度學(xué)習的效果在某種意義上是靠大量數據喂出來(lái)的，小目標檢測的性能同樣也可以通過(guò)增加訓練集中小目標樣本的種類(lèi)和數量來(lái)提升。...

  331次閱讀 · 0評論 分辨率分類(lèi)器機器學(xué)習深度學(xué)習
  

• 揭秘大語(yǔ)言模型可信能力的五個(gè)關(guān)鍵維度

  不同于上述工作從待干預模型自身抽取引導向量，我們意在從LLMs預訓練過(guò)程的切片中構建引導向量來(lái)干預指令微調模型（SFT Model），試圖提升指令微調模型的可信能力。...

  183次閱讀 · 0評論 線(xiàn)性分類(lèi)器大模型
  

• 張宏江深度解析：大模型技術(shù)發(fā)展的八大觀(guān)察點(diǎn)

  在大模型的發(fā)展史上，Scaling Law（規模律）發(fā)揮了核心作用，它是推動(dòng)模型性能持續提升的主要動(dòng)力。Scaling Law揭示了這樣一個(gè)現象：較小的語(yǔ)言模型只能解決自然語(yǔ)言處理（NLP）中的部分問(wèn)題，但隨著(zhù)模型規模擴大——參數數量增加至數十億甚至數百億，曾經(jīng)在NLP領(lǐng)域中的棘手難題往往能得到有效...

  113次閱讀 · 0評論 操作系統Agi自然語(yǔ)言處理大模型
  

• 大模型訓練：為何A100更勝4090一籌？

  首先看吞吐量，看起來(lái)沒(méi)有什么違和的，在單卡能放下模型的情況下，確實(shí)是 H100 的吞吐量最高，達到 4090 的兩倍。...

  2253次閱讀 · 0評論 FPGAgpu大模型

• 深度解讀Nvidia AI芯片路線(xiàn)圖

  Nvidia是一個(gè)同時(shí)擁有 GPU、CPU和DPU的計算芯片和系統公司。Nvidia通過(guò)NVLink、NVSwitch和NVLink C2C技術(shù)將CPU、GPU進(jìn)行靈活連接組合形成統一的硬件架構，并于CUDA一起形成完整的軟硬件生態(tài)。...

  521次閱讀 · 0評論 cpuNVIDIAgpuAIAI芯片
  

• 為何GPU在A(yíng)I訓練中不可或缺？

  人工智能在早期誕生了一個(gè)“不甚成功”的流派，叫做“人工神經(jīng)網(wǎng)絡(luò )”。這個(gè)技術(shù)的思路是，人腦的智慧無(wú)與倫比，要實(shí)現高級的人工智能，模仿人腦就是不二法門(mén)。...

  212次閱讀 · 0評論 gpuAI人工智能機器學(xué)習深度學(xué)習
  

• AI芯片的技術(shù)原理與架構

  人工神經(jīng)網(wǎng)絡(luò )模型 AI芯片的核心原理基于人工神經(jīng)網(wǎng)絡(luò )，其中芯片內部的處理單元模擬了生物神經(jīng)元的工作機制。每一個(gè)處理單元能夠獨立進(jìn)行復雜的數學(xué)運算，例如權重乘以輸入信號并累加，形成神經(jīng)元的激活輸出。...

  1575次閱讀 · 0評論 神經(jīng)網(wǎng)絡(luò )神經(jīng)元機器學(xué)習深度學(xué)習AI芯片
  

• 人工智能在影像升級中的關(guān)鍵作用

  GPU和深度學(xué)習的結合對于使人工智能更快、更高效地升級也至關(guān)重要。GPU可以同時(shí)處理大量數據，從而實(shí)現更快的訓練和推理。...

  130次閱讀 · 0評論 gpuAI圖像增強數據集
上一頁(yè)12345下一頁(yè)末頁(yè)