人工智能平台 PAI

首页 标签 人工智能平台 PAI
人工智能-Python深度学习进阶与应用技术:工程师高培解读
本文基于中际赛威工程师培训技术路线图,系统梳理深度学习进阶路径:涵盖神经网络基础、CNN/RNN/Transformer原理与可视化、目标检测演进、大模型私有化部署、QLoRA微调、RAG知识库构建等八大关键节点,强调理论与工程实践深度融合。(239字)
GEO为企业在AI驱动的未来开辟了新的流量入口
GEO(生成式搜索引擎优化)是AI时代品牌营销新阵地,核心是让品牌成为AI生成答案的权威信源。区别于传统SEO重排名,GEO重被AI理解、信任与引用。需转向“为AI而写”,系统构建内容结构、信任信号与平台可见性,实现GEO+SEO双驱动增长。(239字)
从Function Call到Skill商店:三层技术栈如何解决大模型输出不稳定难题?
2026年AI领域关键趋势——Agent Skill(智能体技能):一种以Markdown脚本标准化AI工作流的创新范式。它通过步骤锁定与标准量化,彻底解决大模型输出不一致痛点。
TorchRec大量使用Jagged Tensor
Jagged Tensor(锯齿张量)是专为变长序列设计的紧凑存储格式,用values+lengths/offsets替代padding,显著节省内存与计算。广泛应用于推荐系统中用户行为、多值标签等不等长特征处理,如HSTU模型中的拼接、拆分与矩阵乘法操作。
TorchEasyRec为什么推荐用 OdpsDataset 而不是 OdpsDatasetV1来读数据?
OdpsDataset(默认)是阿里TorchEasyRec推荐的数据集实现,相比旧版OdpsDatasetV1,其性能更优(批量Arrow读取+LZ4压缩)、支持断点续训、分布式协调精准分片、兼容30+复杂类型;V1仅作旧PAI环境兼容保留。
EasyRec和TorchEasyRec中FG NORMAL 和 FG DAG 的区别
TorchEasyRec提供两种特征生成模式:FG_NORMAL(Python逐特征处理,适合调试)与FG_DAG(C++ DAG引擎批量处理,性能更优、支持依赖、stub_type及自动侧识别)。推荐生产环境优先使用FG_DAG。
心脏病预测的F1 Score计算
本项目基于阿里云PAI Designer,对心脏病数据开展二分类预测评估。通过遍历0–1间1000个阈值,计算各阈值下的F1 Score等指标,最终确定最佳阈值0.955,对应F1得分为0.8132,准确率82.47%。
免费试用