企业官网建设流程全解析

怎么在手机上制作网站,WordPress博客使用教程,中国建筑管网平台,网络营销方案设计毕业设计之前看 DeepSeek-OCR 的编码器中#xff0c;用到了 CLIP 这个结构。 多模态大模型的一个难点是让模型能够能够理解视觉信息#xff0c;即实现语言和图像在语义空间的对齐。 本文来回顾一下 OpenAI 2021年提出的 CLIP 这项基石性工作[1]#xff0c;看看它具体是怎么做的。 …之前看 DeepSeek-OCR 的编码器中用到了 CLIP 这个结构。多模态大模型的一个难点是让模型能够能够理解视觉信息即实现语言和图像在语义空间的对齐。本文来回顾一下 OpenAI 2021年提出的 CLIP 这项基石性工作[1]看看它具体是怎么做的。一、动机在 CLIP 出现之前主流计算机视觉模型几乎都依赖人工标注数据集如ImageNet、COCO等。它们通过人工打标签告诉模型“这是猫”、“那是飞机”这种方式在小规模任务上行之有效却存在三大局限类别封闭模型只能识别预定义的有限类目标注成本高大规模标注数据昂贵且慢泛化能力弱一旦数据分布变化模型性能急剧下降。自然语言本身就蕴含了对世界的丰富描述于是OpenAI 提出了一个大胆设想如果模型能从互联网的图文对中学习而不是依赖人工标签是否就能获得通用的视觉理解能力二、方法CLIP 由两个编码器组成图像编码器Image EncoderResNet 或 Vision Transformer文本编码器Text EncoderCBOW 或 Transformer 结构。训练目标很简单在一个批次中模型会看到 N 张图片与 N 段文字它需要判断哪张图片与哪段文字配对。通过计算每张图片与所有文字的相似度可以得到一个 N×N 的相似度矩阵理想情况下对角线元素ij最高因为那是真正配对的图文。模型通过对比学习Contrastive Learning让配对的图文嵌入在高维空间中靠近不配对的远离从而逼近理想情况。论文中还贴了这段内容的代码从代码中可以看出损失用的是常用的分类交叉熵损失对于image和text两个模态都进行计算最终损失为两者平均值三、训练数据集作者构建了一个前所未有的数据集 —— WebImageTextWIT共计约 4 亿对image, text样本来自各类公开网页、社交媒体与图像平台。相比于分类数据集 ImageNet (包含 120 万张图片、1000 个类别)这个数据集规模空前非常符合 OpenAI 大力出奇迹的方式。对于分类任务来说往往存在一个语义多义性的问题比如 remote 作为名词是遥控器作为形容词意思是遥远的。如果给每个图片只分配一个单词会有这种歧义导致模型没法正确理解含义。因此CLIP 在训练的时候用的是提示词模板如下图所示模板是A photo of a {具体内容}。这样可以把词性限定为名词同理类似的模板还有很多种。四、零样本学习能力零样本学习是指模型在大规模数据上进行预训练不在下游任务上微调就能直接进行预测。下图是 CLIP 用零样本的方式在一些经典分类数据集上进行推理和 Linear Probe 方式的对比。所谓 Linera Probe就是把预训练模型的参数冻结住加一个分类头进行下游任务微调。图中正值表示 CLIP 零样本的方式比微调之后的效果还好负值表示不如微调之后。此情况说明 CLIP 也存在一定的局限性在非常细粒度的分类任务上例如区分汽车型号、飞机型号或花卉品种零样本 CLIP 的表现逊于特定任务模型。五、拓展阅读OpenAI 提出 CLIP 之后只开源了模型没开源数据[2]。为此开源社区构建了一个 open_clip仓库[3]不仅开源模型也开源数据并且该仓库仍在持续更新并有一些更轻量的 CLIP 模型。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】