ygtu

大型语言模型的用途是什么？

大型语言模型识别、汇总、翻译、预测和生成文本和其他形式的内容。

AI人工智能

语音 AI 聚焦：钟摆如何在线抓取有害叙事

全球超过 55% 的人口使用社交媒体，只需单击一下即可轻松分享在线内容。在与他人联系和消费娱乐内容的同时，您还可以发现构成现实生活威胁的有害叙事。 这就是为什么Pendulum的工程副总裁Ammar Haris希望他的公司的人工智能能够帮助客户更深入地了解网上生成的关于他们的有害内容。这些谎言经常像快速移动的野火一样在社交媒体平台上的视频、音频和文本中传播。

AI人工智能

如何创建自定义语言模型

大型语言模型（ LLM ）是这场革命的中心。 LLM 是一种通用的语言理解器，它将人类知识编纂成法典，可以很容易地应用于许多自然语言和编程语言理解任务，开箱即用。其中包括摘要、翻译、问题回答以及代码注释和完成。

AI人工智能

使用自然语言语音命令创建 XR 体验：Mellon 测试项目

Project Mellon 是一个轻量级的 Python 软件包，能够利用语音人工智能的重量级力量 (NVIDIA Riva) 和大型语言模型（ LLM ） (NVIDIA NeMo 服务) 以简化沉浸式环境中的用户交互。 NVIDIA 在环境影响评估 GTC 2023开发人员可以开始测试 Project Mellon ，探索创建由自然语言语音命令控制的免提扩展现实（ XR ）体验。

AI人工智能

探索文本到语音技术的独特应用

当你与虚拟助理互动时，你会发出命令并得到口头回应。为这种生成的语音响应提供动力的技术被称为文本到语音（ TTS ）。 TTS 应用程序非常有用，因为它们为使用辅助设备的用户提供了更大的内容可访问性。使用最新的 TTS 技术，您只需几分钟的音频数据就可以生成合成语音——这非常适合那些失声且录音有限的人。

生成式AI

使用 Alpa 和 Ray 在大型 GPU 集群中高效扩展 LLM 训练

近年来，大型语言模型（ LLM ）的数量激增，它们超越了传统的语言任务，扩展到生成式人工智能这包括像 ChatGPT 和 Stable Diffusion 这样的模型。随着这种对生成人工智能的关注不断增长，人们越来越需要一种现代机器学习（ ML ）基础设施，使日常从业者能够访问可扩展性。

生成式AI

通过 NVIDIA ACE 游戏为虚拟角色注入新生代 AI 活力

然而，玩家与 NPC 的互动仍然倾向于交易性的、脚本化的和短暂的，因为对话选项很快就会耗尽，只会推动故事向前发展。现在，生成性人工智能可以通过提高 NPC 的会话技能、创造随着时间的推移而进化的持久个性，以及实现玩家独有的动态反应，使 NPC 变得更加智能。

生成式AI

如何从大型语言模型获得更好的输出

在接受过大量文本语料库的培训后，LLM可以在没有太多指导或培训的情况下为各种应用程序操作和生成文本。但是，此生成的输出的质量在很大程度上取决于您为模型提供的指令，这称为提示。这对你意味着什么？如今，与模型交互是设计提示的艺术，而不是设计模型体系结构或训练数据。

生成式AI

面向科学计算革命的人工智能

我们还研究了用于控制聚变等离子体反应的经过训练的替代模型，在大型强子对撞机上使用SCORE方法的新模型，以及地球2号和目的地地球（DestinE）气候建模的进展。这些研究模型正在演变，变得更像变压器模型。

AI人工智能

可视化 PyTorch 模型

PyTorch是一个深度学习库。您可以使用 PyTorch 构建非常复杂的深度学习模型。但是，有时您希望具有模型体系结构的图形表示。

AI人工智能

在 PyTorch 中构建卷积神经网络

神经网络由相互连接的层构建而成。有许多不同类型的层。对于与图像相关的应用程序，您始终可以找到卷积层。它是一个参数很少的层，但应用于大尺寸输入。它之所以强大，是因为它可以保留图像的空间结构。因此，它被用于在计算机视觉神经网络上产生最先进的结果。在这篇文章中，您将了解卷积层及其构建的网络。

AI人工智能

在 PyTorch 中使用 LeNet5 模型进行手写数字识别

深度学习技术能力的一个流行演示是图像数据中的对象识别。用于机器学习和深度学习的对象识别的“hello world”是用于手写数字识别的MNIST数据集。在这篇文章中，您将了解如何开发深度学习模型，以便在 PyTorch 中的 MNIST 手写数字识别任务上实现近乎最先进的性能。

AI人工智能

用于 PyTorch 中时间序列预测的 LSTM

长短期记忆（LSTM）是一种可用于神经网络的结构。它是一种递归神经网络（RNN），期望以特征序列的形式输入。它对于时间序列或文本字符串等数据很有用。在这篇文章中，您将了解 LSTM 网络。

AI人工智能

在 PyTorch 中使用 LSTM 生成文本

递归神经网络可用于时间序列预测。其中，创建了一个回归神经网络。它也可以用作生成模型，通常是分类神经网络模型。生成模型是从数据中学习某些模式，这样当它呈现一些提示时，它可以创建一个与学习模式相同的风格的完整输出。

AI人工智能

在 PyTorch 中使用单层神经网络构建图像分类器

在本教程中，您将使用 CIFAR-10 数据集。它是一个用于图像分类的数据集，由 60 个类的 000，32 张 32×10 像素的彩色图像组成，每类 6，000 张图像。有 50，000 张训练图像和 10，000 张测试图像。这些课程包括飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、轮船和卡车。CIFAR-10是机器学习和计算机视觉研究的流行数据集，因为它相对较小且简单，但具有挑战性，需要使用深度学习方法。此数据集可以轻松导入到 PyTorch 库中。

AI人工智能

PyTorch 中具有交叉熵损失的训练逻辑回归

在 PyTorch 系列的上一节中，我们演示了当使用均方误差 （MSE） 损失时，初始化权重会如何影响分类模型的准确性。我们注意到模型在训练过程中没有收敛，其准确性也显着降低。 在下文中，您将看到如果随机初始化权重并使用交叉熵作为模型训练的损失函数会发生什么。此损失函数更适合逻辑回归和其他分类分类问题。因此，交叉熵损失用于当今的大多数分类问题。

AI人工智能

在 PyTorch 中构建逻辑回归分类器

逻辑回归的公式是将 sigmoid 函数应用于线性函数的输出。本文讨论如何构建逻辑回归分类器。虽然之前您一直在处理单变量数据集，但在这里我们将使用流行的 MNIST 数据集来训练和测试我们的模型

AI人工智能

使用 PyTorch 进行深度学习（9 天迷你课程）

在这个由 9 部分组成的速成课程中，您将通过易于使用且功能强大的 PyTorch 库在 Python 中发现应用深度学习。这个迷你课程面向已经熟悉 Python 编程并了解机器学习基本概念的从业者

3DS-MAX

如何使用 Python 开发深度学习模型

PyTorch 的核心是一个数学库，允许您对基于图形的模型执行高效计算和自动微分。直接实现这一点具有挑战性，但值得庆幸的是，现代 PyTorch API 提供了类和习语，使您可以轻松开发一套深度学习模型。

AI人工智能

什么是大型语言模型

大型语言模型（LLM）是深度学习模型在人类语言上的最新进展。LLM的一些很好的用例已经得到证明。大型语言模型是一种经过训练的深度学习模型，它以类似人类的方式理解和生成文本。在幕后，它是一个大型变压器模型，可以完成所有魔术。

AI人工智能

从 GPT4All 体验 LLM

大型语言模型最近变得流行起来。ChatGPT很时髦。尝试 ChatGPT 以了解 LLM 的内容很容易，但有时，您可能需要一个可以在您的计算机上运行的离线替代方案。在这篇文章中，您将了解 GPT4All 作为可以安装在计算机上的 LLM。特别是，您将学习大型语言模型最近开始流行。

ChatGPT

如何理解大语言模型中的“零镜头提示”和“少镜头提示”

在关于语言模型的文献中，你经常会遇到术语“零镜头提示”和“少镜头提示”。了解大型语言模型如何生成输出非常重要。

AI人工智能

使用卓越的 AI 系列和 NVIDIA TAO 工具包创建高质量的计算机视觉应用程序

数据标签和模型训练一直被认为是团队在构建 AI/ML 基础架构时面临的最重要挑战。两者都是 ML 应用程序开发过程中的一个重要步骤，如果操作不当，可能会导致不准确的结果和性能下降。有关详细信息，请参阅 AI 基础设施联盟的 2022 年 AI 基础设施生态系统报告。 数据标签对于完全标记整个数据集的任何形式的地图学习都至关重要。它还是准地图学习的关键因素，它结合了一组小部分标记数据，这些算法旨在以编程方式自动标记其余数据集。标签对于机器学习最发达的领域之一的计算机视觉至关重要。尽管标签很重要，但标签速度很慢，因为需要扩大分散的员工队伍。

AI人工智能

通过神经核表面重建高保真数字孪生

神经核表面重建（ NKSR ）是一种新的 NVIDIA 算法，用于从大型点云重建高保真表面。 NKSR 可以在几秒钟内处理数百万个点，并在各种基准上实现最先进的质量。 NKSR 是传统泊松曲面重构的一个很好的替代品，它提供了更大的细节和更快的运行时间。

ZBrush

《罪恶装备》Axl Low 游戏人物3D建模教程

《罪恶装备》Axl Low 游戏人物3D建模教程