Deephub_社区达人页

2024年06月

• 06.02 09:52:31
  发表了文章 2024-06-02 09:52:31

  通过f-string编写简洁高效的Python格式化输出代码

  Python 3.6中引入的f-string是Python中最常用的特征之一，它可以让我们编写更干净、更高效和更易于维护的代码，我们今天就由浅入深来详细介绍使用它的一些技巧。

  
• 06.01 12:31:48
  发表了文章 2024-06-01 12:31:48

  YOLOv10的改进、部署和微调训练总结

  YOLOv10在实时目标检测中提升性能与效率，通过无NMS训练解决延迟问题，采用一致的双任务和效率-精度驱动的模型设计。YOLOv10-S比RT-DETR-R18快1.8倍，YOLOv10-B比YOLOv9-C延迟减少46%。新方法包括一致性双标签分配，优化计算冗余和增强模型能力。实验结果显示YOLOv10在AP和延迟上均有显著改善。文章还提供了部署和微调YOLOv10的示例代码。

  

2024年05月

• 05.31 10:23:55
  发表了文章 2024-05-31 10:23:55

  长序列中Transformers的高级注意力机制总结

  Transformers在处理长序列时面临注意力分散和噪音问题，随着序列增长，注意力得分被稀释，影响相关上下文表示。文章探讨了序列长度如何影响注意力机制，并提出了多种解决方案：局部敏感哈希减少计算需求，低秩注意力通过矩阵分解简化计算，分段注意力将输入分割处理，层次化注意力逐级应用注意力，递归记忆增强上下文保持，带有路由的注意力机制动态调整信息流，以及相对位置编码改进序列理解。这些方法旨在提高Transformer在长序列任务中的效率和性能。

  
• 05.30 11:02:54
  发表了文章 2024-05-30 11:02:54

  通过强化学习策略进行特征选择

  本文探讨了使用强化学习策略进行特征选择以提升机器学习模型性能。强调在高维数据集中，有效选择特征至关重要。文章介绍了马尔可夫决策过程在强化学习中的应用，并提出了一种新的特征选择方法。通过定义状态（特征子集）、动作（添加特征）、奖励（如准确性提升），建立了一个RL模型。此外，还介绍了Python库FSRLearning，用于实现这一方法。文中展示了如何使用该库，并通过与 sklearn 的 RFE 方法比较，证明了RL方法在选择模型特征方面的优越性。

  
• 05.29 10:49:15
  发表了文章 2024-05-29 10:49:15

  微调真的能让LLM学到新东西吗:引入新知识可能让模型产生更多的幻觉

  研究表明，大型语言模型通过微调获取新知识可能引发幻觉，降低性能，尤其是当处理未知事实时。模型倾向于利用已有知识而非真正学习新知识。已知事实能提升性能，而未知事实则在后期微调中损害性能。使用“我不知道”来标记未知知识可减轻负面影响。最佳结果来自处理可能已知的事实，而非极其知名的事实。微调对模型知识的更新存在风险，需谨慎处理新旧知识的融合问题。建议使用RAG和策略来克服微调限制。[阅读完整论文以了解更多](https://avoid.overfit.cn/post/21daac41f99042be804b381a6a9700fb)。
• 05.27 11:34:00
  发表了文章 2024-05-27 11:34:00

  SUPRA：无须额外训练，将Transformer变为高效RNN，推理速度倍增

  `Transformers`模型因其在多种任务上的优秀性能而广泛采用，但其内存需求和推理成本随词元数量指数增长。为解决这一问题，论文《Linearizing Large Language Models》提出`SUPRA`方法，将预训练的`Transformers`转换为递归神经网络（RNN），实现有效推理并降低训练成本至原来的5%。`SUPRA`通过将注意力机制线性化并用`GroupNorm`替代`softmax`，保持预训练模型的优势。经过微调，转换后的模型在标准语言理解和长上下文任务中保持高性能，展示了在长序列处理方面的潜力，但仍有改进空间。

  
• 05.26 10:37:37
  发表了文章 2024-05-26 10:37:37

  2024年5月大语言模型论文推荐：模型优化、缩放到推理、基准测试和增强性能

  本文汇总了2024年5月发布的七篇重要大语言模型论文，涉及模型优化、缩放、推理及性能增强。

  
• 05.25 10:28:21
  发表了文章 2024-05-25 10:28:21

  2024年5月计算机视觉论文推荐:包括扩散模型、视觉语言模型、图像编辑和生成、视频处理和生成以及图像识别等各个主题

  五月发布的计算机视觉领域重要论文涵盖了扩散模型、视觉语言模型、图像生成与编辑及目标检测。亮点包括：1) Dual3D提出双模式推理策略，实现高效文本到3D图像生成；2) CAT3D利用多视图扩散模型创建3D场景，仅需少量图像；3) Hunyuan-DiT是多分辨率的中文理解扩散Transformer，可用于多模态对话和图像生成；4) 通过潜在扩散模型从EEG数据重建自然主义音乐，展示复杂音频重建潜力。此外，还有关于视觉语言模型和图像编辑的创新工作，如BlobGEN用于合成具有控制性的图像。

  
• 05.24 10:49:13
  发表了文章 2024-05-24 10:49:13

  使用FP8加速PyTorch训练的两种方法总结

  在PyTorch中，FP8数据类型用于高效训练和推理，旨在减少内存占用和加快计算速度。虽然官方尚未全面支持，但在2.2版本中引入了`torch.float8_e4m3fn`和`torch.float8_e5m2`。文章通过示例展示了如何利用FP8优化Vision Transformer模型，使用Transformer Engine库提升性能，并探讨了PyTorch原生FP8支持的初步使用方法。实验表明，结合TE和FP8，训练速度可提升3倍，性能有显著增强，特别是在NVIDIA GPU上。然而，PyTorch的FP8支持仍处于试验阶段，可能带来不稳定性。
• 05.23 09:58:55
  发表了文章 2024-05-23 09:58:55

  MambaOut：状态空间模型并不适合图像的分类任务

  该论文研究了Mamba架构（含状态空间模型SSM）在视觉任务（图像分类、目标检测、语义分割）中的必要性。实验表明，Mamba在这些任务中效果不如传统卷积和注意力模型。论文提出，SSM更适合长序列和自回归任务，而非视觉任务。MambaOut（不带SSM的门控CNN块）在图像分类上优于视觉Mamba，但在检测和分割任务中略逊一筹，暗示SSM在这类任务中可能仍有价值。研究还探讨了Mamba在处理长序列任务时的效率和局部信息整合能力。尽管整体表现一般，但论文为优化不同视觉任务的模型架构提供了新视角。

  
• 05.22 12:24:19
  发表了文章 2024-05-22 12:24:19

  整合LlamaIndex与LangChain构建高级的查询处理系统

  该文阐述了如何结合LlamaIndex和LangChain构建一个扩展性和定制性强的代理RAG应用。LlamaIndex擅长智能搜索，LangChain提供跨平台兼容性。代理RAG允许大型语言模型访问多个查询引擎，增强决策能力和多样化回答。文章通过示例代码展示了如何设置LLM、嵌入模型、LlamaIndex索引及查询引擎，并将它们转换为LangChain兼容的工具，实现高效、精准的问题解答。通过多代理协作，系统能处理复杂查询，提高答案质量和相关性。

  
• 05.20 09:47:35
  发表了文章 2024-05-20 09:47:35

  深入解析xLSTM：LSTM架构的演进及PyTorch代码实现详解

  xLSTM的新闻大家可能前几天都已经看过了，原作者提出更强的xLSTM，可以将LSTM扩展到数十亿参数规模，我们今天就来将其与原始的lstm进行一个详细的对比，然后再使用Pytorch实现一个简单的xLSTM。

  
• 05.19 09:48:11
  发表了文章 2024-05-19 09:48:11

  DeepSparse: 通过剪枝和稀疏预训练，在不损失精度的情况下减少70%的模型大小，提升三倍速度

  该论文提出了一种新方法，用于创建高稀疏性大型语言模型，通过稀疏预训练和高效部署，在保持高准确度的同时显著提升处理速度。方法包括结合SparseGPT剪枝和稀疏预训练，实现70%稀疏度下准确率完全恢复，尤其适合复杂任务。实验显示，使用Cerebras CS-3 AI加速器和Neural Magic的DeepSparse、nm-vllm引擎，训练和推理速度有显著提升。此外，量化稀疏模型在CPU上速度提升可达8.6倍。这种方法优于传统剪枝，为构建更快、更小的语言模型提供了新途径，并通过开源代码和模型促进了研究复现和扩展。

  
• 05.18 10:49:17
  发表了文章 2024-05-18 10:49:17

  扩散模型的多元化应用：药物发现、文本生成、时间序列预测等

  AlphaFold3是DeepMind的蛋白质结构预测软件，它引入扩散模型以提升预测准确性。扩散模型通过逐步添加和去除噪声来理解和生成数据，应用广泛，包括图像、音频、文本和时间序列数据的处理。在图像领域，它们擅长合成、编辑和超分辨率；在文本处理中，扩散模型在代码合成和问答任务中表现出色；在音频和视频生成方面也有重要应用；同时，它们在时间序列预测和增强模型鲁棒性方面也展现出潜力。随着技术发展，扩散模型将在更多领域发挥作用。

  
• 05.17 10:37:25
  发表了文章 2024-05-17 10:37:25

  图神经网络入门示例：使用PyTorch Geometric 进行节点分类

  本文介绍了如何使用PyTorch处理同构图数据进行节点分类。首先，数据集来自Facebook Large Page-Page Network，包含22,470个页面，分为四类，具有不同大小的特征向量。为训练神经网络，需创建PyTorch Data对象，涉及读取CSV和JSON文件，处理不一致的特征向量大小并进行归一化。接着，加载边数据以构建图。通过`Data`对象创建同构图，之后数据被分为70%训练集和30%测试集。训练了两种模型：MLP和GCN。GCN在测试集上实现了80%的准确率，优于MLP的46%，展示了利用图信息的优势。

  
• 05.16 10:46:58
  发表了文章 2024-05-16 10:46:58

  ATFNet：长时间序列预测的自适应时频集成网络

  ATFNet是一款深度学习模型，融合时域和频域分析，捕捉时间序列数据的局部和全局依赖。通过扩展DFT调整周期性权重，结合注意力机制识别复杂关系，优化长期预测。模型包含T-Block（时域）、F-Block（频域）和权重调整机制。实验证明其在时间序列预测任务中表现优越，已发布于arXiv并提供源代码。

  
• 05.15 10:58:52
  发表了文章 2024-05-15 10:58:52

  时间序列预测:探索性数据分析和特征工程的实用指南

  时间序列分析在数据科学和机器学习中广泛应用于预测，如金融、能源消耗和销售。随着技术发展，除了传统统计模型，机器学习（如树模型）和深度学习（如LSTM、CNN和Transformer）也被应用。探索性数据分析（EDA）是预处理关键步骤，它通过Pandas、Seaborn和Statsmodel等Python库进行。本文展示了时间序列分析模板，包括描述性统计、时间图、季节图、箱形图、时间序列分解和滞后分析。使用Kaggle的小时能耗数据集，展示了如何通过这些方法揭示数据模式、季节性和趋势，为特征工程提供见解。

  
• 05.13 10:09:30
  发表了文章 2024-05-13 10:09:30

  Transformers 加速的一些常用技巧

  Transformers架构因自注意力机制面临训练过程中的内存不足和GPU限制问题，主要源于大量参数、自注意力计算的高复杂度以及激活状态存储。为解决这些问题，常用策略包括：固定长度填充（使用注意力掩码处理填充部分）、动态填充（每批内序列长度相同）和等长匹配（按序列长度分组批量处理），以及自动混合精度（AMP）训练，通过float16降低内存使用和加速计算。尽管如此，大型模型仍可能需要高性能GPU支持。

  
• 05.12 11:27:22
  发表了文章 2024-05-12 11:27:22

  You Only Cache Once:YOCO 基于Decoder-Decoder 的一个新的大语言模型架构

  YOCO是一种新的解码器-解码器架构，旨在解决大型语言模型推理时的内存限制问题。通过只缓存一次键值对，YOCO显著减少了GPU内存占用，与Transformer相比，内存使用降低了约L倍。模型由自解码器和交叉解码器组成，自解码器使用滑动窗口注意力，而交叉解码器利用全局KV缓存。实验表明，YOCO在保持竞争力的性能同时，提高了推理速度，尤其是在处理长序列时。此外，YOCO还减少了预填充时间，提升了吞吐量。

  
• 05.11 12:12:42
  发表了文章 2024-05-11 12:12:42

  图机器学习入门：基本概念介绍

  图机器学习是机器学习的分支，专注于处理图形结构数据，其中节点代表实体，边表示实体间关系。本文介绍了图的基本概念，如无向图与有向图，以及图的性质，如节点度、邻接矩阵。此外，还讨论了加权图、自循环、多重图、双部图、异构图、平面图和循环图。图在描述数据关系和特征方面具有灵活性，为机器学习算法提供了丰富的结构信息。

  
• 05.10 10:14:19
  发表了文章 2024-05-10 10:14:19

  使用PyTorch实现L1, L2和Elastic Net正则化

  本文介绍了机器学习中的正则化技术，包括L1、L2和Elastic Net，用于防止过拟合。L1正则化产生稀疏模型，适合特征选择；L2正则化使参数接近零但不为零，减少过拟合。Elastic Net结合L1和L2优点，适用于特征相关情况。在Python的sklearn库中，可使用Lasso、Ridge和ElasticNet类实现这些正则化。此外，文中提供PyTorch代码示例，展示了如何在多层感知机上应用L1、L2和Elastic Net正则化。

  
• 05.09 11:55:29
  发表了文章 2024-05-09 11:55:29

  论文推荐：用多词元预测法提高模型效率与速度

  《Better & Faster Large Language Models via Multi-token Prediction》论文提出了一种多词元预测框架，改善了大型语言模型（LLMs）的样本效率和推理速度。该方法通过一次预测多个词元，而非单个词元，提高了模型在编程和自然语言任务中的性能。实验显示，多词元预测在HumanEval和MBPP任务上性能提升，推理速度最高可提升3倍。此外，自我推测解码技术进一步优化了解码效率。尽管在小模型中效果不明显，但该方法为大模型训练和未来研究开辟了新途径。

  
• 05.08 11:22:00
  发表了文章 2024-05-08 11:22:00

  号称能打败MLP的KAN到底行不行？数学核心原理全面解析

  Kolmogorov-Arnold Networks (KANs) 是一种新型神经网络架构，挑战了多层感知器（mlp）的基础，通过在权重而非节点上使用可学习的激活函数（如b样条），提高了准确性和可解释性。KANs利用Kolmogorov-Arnold表示定理，将复杂函数分解为简单函数的组合，简化了神经网络的近似过程。与mlp相比，KAN在参数量较少的情况下能达到类似或更好的性能，并能直观地可视化，增强了模型的可解释性。尽管仍需更多研究验证其优势，KAN为深度学习领域带来了新的思路。

  
• 05.07 10:50:34
  发表了文章 2024-05-07 10:50:34

  循环编码:时间序列中周期性特征的一种常用编码方式

  循环编码是深度学习中处理周期性数据的一种技术，常用于时间序列预测。它将周期性特征（如小时、日、月）转换为网络可理解的形式，帮助模型识别周期性变化。传统的one-hot编码将时间特征转换为分类特征，而循环编码利用正弦和余弦转换，保持时间顺序信息。通过将时间戳转换为弧度并应用sin和cos，每个原始特征只映射到两个新特征，减少了特征数量。这种方法在神经网络中有效，但在树模型中可能需谨慎使用。

  
• 05.06 10:28:26
  发表了文章 2024-05-06 10:28:26

  LSTM时间序列预测中的一个常见错误以及如何修正

  在使用LSTM进行时间序列预测时，常见错误是混淆回归和预测问题。LSTM需将时间序列转化为回归问题，通常使用窗口或多步方法。然而，窗口方法中，模型在预测未来值时依赖已知的未来值，导致误差累积。为解决此问题，应采用迭代预测和替换输入值的方法，或者在多步骤方法中选择合适的样本数量和训练大小以保持时间结构。编码器/解码器模型能更好地处理时间数据。

  
• 05.05 12:20:56
  发表了文章 2024-05-05 12:20:56

  LLM2Vec介绍和将Llama 3转换为嵌入模型代码示例

  通过LLM2Vec，我们可以使用LLM作为文本嵌入模型。但是简单地从llm中提取的嵌入模型往往表现不如常规嵌入模型。

  
• 05.04 10:49:42
  发表了文章 2024-05-04 10:49:42

  BiTCN：基于卷积网络的多元时间序列预测

  该文探讨了时间序列预测中模型架构的选择，指出尽管MLP和Transformer模型常见，但CNN在预测领域的应用较少。BiTCN是一种利用两个时间卷积网络来编码历史和未来协变量的模型，提出于《Parameter-efficient deep probabilistic forecasting》(2023年3月)。它包含多个由扩张卷积、GELU激活函数、dropout和全连接层组成的临时块，有效地处理序列数据。实验表明，BiTCN在具有外生特征的预测任务中表现优于N-HiTS和PatchTST。BiTCN的效率和性能展示了CNN在时间序列预测中的潜力。

  
• 05.03 11:17:20
  发表了文章 2024-05-03 11:17:20

  整合文本和知识图谱嵌入提升RAG的性能

  本文介绍了如何结合文本嵌入和知识图谱嵌入来提升RAG（检索式生成模型）的性能。文本嵌入利用Word2Vec、GloVe或BERT等预训练模型捕捉单词的语义和上下文，而知识图谱嵌入则表示实体和关系，以便更好地理解结构化信息。通过结合这两种嵌入，RAG模型能更全面地理解输入文本和知识，从而提高答案检索和生成的准确性。文章通过代码示例展示了如何生成和整合这两种嵌入，强调了它们在增强模型对模糊性和可变性处理能力上的作用。

  
• 05.02 09:48:09
  发表了文章 2024-05-02 09:48:09

  Gradformer: 通过图结构归纳偏差提升自注意力机制的图Transformer

  Gradformer，新发布的图Transformer，引入指数衰减掩码和可学习约束，强化自注意力机制，聚焦本地信息并保持全局视野。模型整合归纳偏差，增强图结构建模，且在深层架构中表现稳定。对比14种基线模型，Gradformer在图分类、回归任务中胜出，尤其在NCI1、PROTEINS、MUTAG和CLUSTER数据集上准确率提升明显。此外，它在效率和深层模型处理上也表现出色。尽管依赖MPNN模块和效率优化仍有改进空间，但Gradformer已展现出在图任务的强大潜力。

  
• 05.01 10:06:47
  发表了文章 2024-05-01 10:06:47

  10个使用NumPy就可以进行的图像处理步骤

  这篇文章介绍了使用NumPy进行图像处理的10个基本步骤，包括读取图像、缩小图像、水平和垂直翻转、旋转、裁剪、分离RGB通道、应用滤镜（如棕褐色调）、灰度化、像素化、二值化以及图像融合。通过这些简单的操作，读者可以更好地掌握NumPy在图像处理中的应用。示例代码展示了如何实现这些效果，并配有图像结果。文章强调这些方法适合初学者，更复杂的图像处理可使用专门的库如OpenCV或Pillow。

  
• 04.30 12:31:01
  发表了文章 2024-04-30 12:31:01

  贝叶斯推理导论：如何在‘任何试验之前绝对一无所知’的情况下计算概率

  这篇文章探讨了贝叶斯推理的发展历史，从帕斯卡尔和费马的早期工作到托马斯·贝叶斯、皮埃尔-西蒙·拉普拉斯和哈罗德·杰弗里斯的贡献。文章指出，贝叶斯分析经历了从使用均匀先验到发展更为客观的方法，如杰弗里斯先验的过程。它讨论了费雪对逆概率的批评，以及贝叶斯方法在处理不确定性问题上的优势。文章还介绍了如何通过匹配覆盖率来评估先验分布的合理性，并通过几个例子展示了不同先验在二项分布和正态分布问题中的应用。最后，文章提出了贝叶斯分析在统计学中的地位，强调了在缺乏先验知识时建立良好先验的重要性，并讨论了主观性和客观性在统计推理中的角色。

  
• 04.29 10:50:03
  发表了文章 2024-04-29 10:50:03

  如何准确的估计llm推理和微调的内存消耗

  最近发布的三个大型语言模型——Command-R+ (104B参数), Mixtral-8x22b (141B参数的MoE模型), 和 Llama 3 70b (70.6B参数)——需要巨大的内存资源。推理时，Command-R+需193.72GB GPU RAM，Mixtral-8x22B需262.63GB，Llama 370b需131.5GB。激活的内存消耗根据序列长度、批大小等因素变化。文章详细介绍了计算这些模型内存需求的方法，并探讨了如何通过量化、优化器优化和梯度检查点减少内存使用，以适应微调和推理。

  
• 04.28 15:46:47
  发表了文章 2024-04-28 15:46:47

  通过学习曲线识别过拟合和欠拟合

  本文介绍了如何利用学习曲线识别机器学习模型中的过拟合和欠拟合问题。过拟合发生时，模型过于复杂，对训练数据过拟合，导致测试集表现不佳；欠拟合则是因为模型太简单，无法捕获数据模式，训练和测试集得分均低。学习曲线通过绘制训练和验证损失随训练样本增加的情况来辅助判断。对于过拟合，学习曲线显示训练损失低且随样本增加上升，验证损失降低但不趋近训练损失；欠拟合时，训练和验证损失都高，且两者随着样本增加缓慢改善。通过学习曲线，我们可以调整模型复杂度或采用正则化等方法优化模型泛化能力。

  
• 04.27 11:30:12
  发表了文章 2024-04-27 11:30:12

  2024年4月计算机视觉论文推荐

  四月的计算机视觉研究涵盖多个子领域，包括扩散模型和视觉语言模型。在扩散模型中，Tango 2通过直接偏好优化改进了文本到音频生成，而Ctrl-Adapter提出了一种有效且通用的框架，用于在图像和视频扩散模型中添加多样控制。视觉语言模型的论文分析了CLIP模型在有限资源下的优化，并探讨了语言引导对低级视觉任务的鲁棒性。图像生成与编辑领域关注3D感知和高质量图像编辑，而视频理解与生成则涉及实时视频转游戏环境和文本引导的剪贴画动画。

  
• 04.26 10:12:35
  发表了文章 2024-04-26 10:12:35

  常用的时间序列分析方法总结和代码示例

  该文介绍了时间序列分析的基本方法，以西伯利亚东南部2023年的气象数据为例，包括2米气温、总降水量、地表净太阳辐射和地表压力。首先，导入相关库如pandas、seaborn和xarray，然后展示时间序列的折线图。接着，通过statmodels库进行时间序列的分解，分析趋势、季节性和噪声。文章还讨论了数据的平稳性，使用ADF检验确认所有变量的平稳性，并通过Box-Cox变换尝试改善非正态分布。此外，还展示了自相关和部分自相关图以揭示序列的结构。这些步骤帮助理解数据特性，为后续建模做准备。

  
• 04.25 11:21:11
  发表了文章 2024-04-25 11:21:11

  开源向量数据库比较：Chroma, Milvus, Faiss,Weaviate

  该文探讨了向量数据库在语义搜索和RAG中的核心作用，并介绍了四个开源向量数据库：Chroma、Milvus、Faiss和Weaviate。这些数据库用于存储高维向量，支持基于相似性的快速搜索，改变了传统的精确匹配方法。文章详细比较了它们的特性，如Chroma的易用性，Milvus的存储效率，Faiss的GPU加速，和Weaviate的图数据模型。选择合适的数据库取决于具体需求，如数据类型、性能和使用场景。

  
• 04.24 12:13:14
  发表了文章 2024-04-24 12:13:14

  微软Phi-3，3.8亿参数能与Mixtral 8x7B和GPT-3.5相媲美，量化后还可直接在IPhone中运行

  Phi-3系列是微软推出的一系列高效语言模型，旨在在移动设备上实现高性能。该系列包括 Phi-3-mini（38亿参数）、Phi-3-small 和 Phi-3-medium，它们在保持紧凑的同时，性能媲美GPT-3.5和Mixtral。模型通过精心筛选的数据集和优化训练策略，如数据最优化和阶段训练，实现高效能。 Phi-3-mini可在iPhone 14上运行，占用约1.8GB内存。这些模型在多个基准测试中展现出色性能，推动了AI在移动设备上的应用，增强了用户隐私和体验。虽然目前仅发布技术报告，但源代码和权重即将开放下载。

  
• 04.23 10:51:36
  发表了文章 2024-04-23 10:51:36

  Barnes-Hut t-SNE:大规模数据的高效降维算法

  Barnes-Hut t-SNE是一种针对大规模数据集的高效降维算法，它是t-SNE的变体，用于高维数据可视化。t-SNE通过保持概率分布相似性将数据从高维降至2D或3D。Barnes-Hut算法采用天体物理中的方法，将时间复杂度从O(N²)降低到O(NlogN)，通过构建空间索引树和近似远距离交互来加速计算。在scikit-learn中可用，代码示例展示了如何使用该算法进行聚类可视化，成功分离出不同簇并获得高轮廓分数，证明其在大數據集上的有效性。

  
• 04.22 11:02:04
  发表了文章 2024-04-22 11:02:04

  5种搭建LLM服务的方法和代码示例

  本文介绍了5种搭建开源大型语言模型服务的方法，包括使用Anaconda+CPU、Anaconda+GPU、Docker+GPU、Modal和AnyScale。CPU方法适合本地低门槛测试，但速度较慢；GPU方法显著提升速度，Docker简化环境配置，适合大规模部署；Modal提供按需付费的GPU服务，适合试验和部署；而AnyScale则以低门槛和低成本访问开源模型。每种方法都有其优缺点，选择取决于具体需求和资源。

  
• 04.21 10:04:19
  发表了文章 2024-04-21 10:04:19

  使用ORPO微调Llama 3

  ORPO是一种结合监督微调和偏好对齐的新型微调技术，旨在减少训练大型语言模型所需资源和时间。通过在一个综合训练过程中结合这两种方法，ORPO优化了语言模型的目标，强化了对首选响应的奖励，弱化对不期望回答的惩罚。实验证明ORPO在不同模型和基准上优于其他对齐方法。本文使用Llama 3 8b模型测试ORPO，结果显示即使只微调1000条数据一个epoch，性能也有所提升，证实了ORPO的有效性。完整代码和更多细节可在相关链接中找到。
• 04.20 10:46:13
  发表了文章 2024-04-20 10:46:13

  掌握时间序列特征工程：常用特征总结与 Feature-engine 的应用

  本文介绍了时间序列特征工程，包括滚动统计量、滞后特征、差分和变换等技术，用于提升机器学习模型性能。文章还推荐了Python库`feature-engine`，用于简化特征提取，如处理缺失值、编码分类变量和进行时间序列转换。示例代码展示了如何使用`feature-engine`提取时间戳信息、创建滞后特征和窗口特征。通过创建管道，可以高效地完成整个特征工程流程，优化数据预处理并提高模型效果。

  
• 04.19 11:55:23
  发表了文章 2024-04-19 11:55:23

  RAG 2.0架构详解：构建端到端检索增强生成系统

  RAG（检索增强生成）旨在通过提供额外上下文帮助大型语言模型（LLM）生成更精准的回答。现有的RAG系统由独立组件构成，效率不高。RAG 2.0提出了一种预训练、微调和对齐所有组件的集成方法，通过双重反向传播最大化性能。文章探讨了不同的检索策略，如TF-IDF、BM25和密集检索，并介绍了如SPLADE、DRAGON等先进算法。目前的挑战包括创建可训练的检索器和优化检索-生成流程。研究表明，端到端训练的RAG可能提供最佳性能，但资源需求高。未来研究需关注检索器的上下文化和与LLM的协同优化。

  
• 04.17 09:51:07
  发表了文章 2024-04-17 09:51:07

  PyTorch小技巧：使用Hook可视化网络层激活（各层输出）

  这篇文章将演示如何可视化PyTorch激活层。可视化激活，即模型内各层的输出，对于理解深度神经网络如何处理视觉信息至关重要，这有助于诊断模型行为并激发改进。

  
• 04.16 10:04:33
  发表了文章 2024-04-16 10:04:33

  ORPO偏好优化：性能和DPO一样好并且更简单的对齐方法

  ORPO是另一种新的LLM对齐方法，这种方法甚至不需要SFT模型。通过ORPO，LLM可以同时学习回答指令和满足人类偏好。

  
• 04.15 10:02:01
  发表了文章 2024-04-15 10:02:01

  时空图神经网络ST-GNN的概念以及Pytorch实现

  本文介绍了图神经网络（GNN）在处理各种领域中相互关联的图数据时的作用，如分子结构和社交网络。GNN与序列模型（如RNN）结合形成的时空图神经网络（ST-GNN）能捕捉时间和空间依赖性。文章通过图示和代码示例解释了GNN和ST-GNN的基本原理，展示了如何将GNN应用于股票市场的数据，尽管不推荐将其用于实际的股市预测。提供的PyTorch实现展示了如何将时间序列数据转换为图结构并训练ST-GNN模型。

  
• 04.14 11:33:17
  发表了文章 2024-04-14 11:33:17

  Moirai：Salesforce的时间序列预测基础模型

  过去几个月，时间序列基础模型发展迅速，包括TimeGPT、Lag-Llama、Google的TimesFM、Amazon的Chronos和Salesforce的Moirai。本文聚焦于Moirai，这是一个用于时间序列预测的通用模型，尤其强调零样本推理能力。Moirai处理各种数据频率、适应未知协变量并生成概率预测。文章介绍了Moirai的三个关键特性：多尺寸补丁投影层、任意变量注意力和混合分布。此外，还对比了Moirai与Chronos和TimeGPT，发现Moirai在性能上未超越Chronos，后者在数据效率上更优，但不支持多变量预测。

  
• 04.12 11:43:07
  发表了文章 2024-04-12 11:43:07

  PiSSA ：将模型原始权重进行奇异值分解的一种新的微调方法

  我们开始看4月的新论文了，这是来自北京大学人工智能研究所、北京大学智能科学与技术学院的研究人员发布的Principal Singular Values and Singular Vectors Adaptation（PiSSA）方法。

  
• 04.11 11:33:26
  发表了文章 2024-04-11 11:33:26

  10个大型语言模型(LLM)常见面试问题和答案解析

  今天我们来总结以下大型语言模型面试中常问的问题

  
• 04.10 10:00:58
  发表了文章 2024-04-10 10:00:58

  推测解码：在不降低准确性的情况下将LLM推理速度提高2 - 3倍

  在本篇文章我们将详细讨论推测解码，这是一种可以将LLM推理速度提高约2 - 3倍而不降低任何准确性的方法。我们还将会介绍推测解码代码实现，并看看它与原始transformer 实现相比到底能快多少。

  
• 04.09 11:33:14
  发表了文章 2024-04-09 11:33:14

  ​5种常用于LLM的令牌遮蔽技术介绍以及Pytorch的实现

  本文将介绍大语言模型中使用的不同令牌遮蔽技术，并比较它们的优点，以及使用Pytorch实现以了解它们的底层工作原理。