分类 深度学习 下的文章

GPT4All:本地运行的开源大型语言模型解决方案


大型语言模型如GPT-4、Google Bard等正在引领新一轮的技术革新。这些模型在许多任务中都表现出强大的性能,包括文本生成,情感分析,文本理解等。然而,使用这些大型语言模型往往需要联网访问,依赖于强大的GPU计算能力,且成本高昂,这给普通用户和小型开发团队带来了巨大的挑战。

cbf8164b-9526-41a2-872a-db801f3cda43.jpg

为此,Nomic AI推出了GPT4All这款软件,它是一款可以在本地运行各种开源大语言模型的软件,即使只有消费级CPU也可以训练和部署目前最强大的开源模型。GPT4All将大型语言模型的强大能力带到普通用户的电脑上,无需联网,无需昂贵的硬件,只需几个简单的步骤,你就可以使用当前业界最强大的定制开源模型。


深度学习硬件指南


Hardware-Guide-for-Deep-Learning

随着人工智能的广泛应用,越来越多的人参与“见证奇迹”,但这方面的实践对算力的要求比较高。在精心配置一台游戏电脑的基础上,简要记录一下深度学习的硬件指南。


深度学习的主流框架:TensorFlow和Pytorch


深度学习是 AI 和机器学习的一个分支,其使用多层人工神经网络精准完成物体检测、语音识别、语言翻译等任务。深度学习与传统机器学习技术的区别在于,前者可以自动从图像、视频或文本等数据中学习表征,无需引入手写代码规则或人类的领域知识。其高度灵活的架构可以直接从原始数据中学习,获得更多数据后,其预测准确度也将随之提升。AI 领域近期的许多突破创新都应归功于深度学习,例如 Google DeepMind 的 AlphaGo、自动驾驶汽车、智能语音助手等。(NVIDIA

deep-learning-evolution.png

主流的三大深度学习框架》一文简要介绍了TensorFlow、PyTorch 和 MXNet,不过,由于 TensorFlow 和Pytorch 占据了深度学习的半壁江山,本文再再综述一下。


机器学习、数据科学、人工智能、深度学习和统计学之间的区别


这篇文章中,数据科学家与分析师 Vincent Granville 明晰了数据科学家所具有的不同角色,以及数据科学与机器学习、深度学习、人工智能、统计学、物联网、运筹学和应用数学等相关领域的比较和重叠。

dsc_logo_rm4.png

Granville 介绍说,由于数据科学是一个范围很广的学科,所以他首先介绍了在业务环境中可能会遇到的数据科学家的类型:你甚至可能会发现你自己原来也是某种数据科学家。和其它任何科学学科一样,数据科学也可能会从其它相关学科借用技术;当然,我们也已经开发出了自己的技术库,尤其是让我们可以以自动化的方式(甚至完全无需人类干预)处理非常大规模的非结构化数据集的技术和算法,进而实时执行交易或进行预测。