摘要： 什么是嵌入？ OpenAI的文本嵌入衡量文本字符串的相关性。嵌入通常用于： 搜索（其中结果按与查询字符串的相关性排名） 聚类（其中文本字符串按相似性分组） 推荐（推荐具有相关文本字符串的项目） 异常检测（识别出相关性不大的异常值） 多样性测量（分析相似性分布） 分类（其中文本字符串按其最相似的标签分 阅读全文

摘要： 了解如何使用我们的 DALL·E 型号 介绍 图像 API 提供了三种与图像交互的方法： 根据文本提示从头开始创建图像 根据新的文本提示创建现有图像的编辑 创建现有图像的变体 本指南介绍了使用这三个 API 终结点的基础知识以及有用的代码示例。要了解它们的实际效果，请查看我们的DALL·E 预览应用 阅读全文

摘要： 如何使用Weights&Biases的一些项目示例、演练和教程。 探索这些示例如何使用Weights&Biases以： 跟踪和可视化机器学习实验； 版本化数据集和模型 使用不同框架如PyTorch、Sciki监测（Instrument）模型 可以从我们的GitHub仓库Fork示例，也可以直接在这里 阅读全文

摘要： 轻松编写一段脚本，就可以在你自己的项目中查看我们的实验跟踪和可视化功能。 简单三步即可开始记录机器学习实验。 1. 安装库 在使用Python3的环境中安装我们的库。 pip install wandb 如果你在不方便运行shell命令的自动化环境中训练模型，比如谷歌的CloudML，你应当查看一下 阅读全文

摘要： 1.简介 在本教程中，我们将分析激活函数在神经网络中的作用。真的，他们在历史上走过一条复杂的道路。因此，我们将研究它们的认识论、技术和数学方面如何导致我们趋同于非线性激活函数。 我们将从线性激活函数开始，并分析它们的局限性。最后，我们将以一些示例结束，说明为什么对非线性问题使用线性激活函数是不够的。 阅读全文

摘要： 1.简介 在本教程中，我们将研究反向传播算法和其他学习过程中最常用的非线性激活函数。 导致使用非线性函数的原因已在上一篇文章中进行了分析。 2.前馈神经网络 反向传播算法在完全互连的前馈神经网络（FFNN）中运行： 具有以下结构的单元： 该函数执行输入加权和的转换： 我们将在线性模型文章中更详细地讨 阅读全文

摘要： 1. 概述 在本教程中，我们将研究机器学习交叉熵的定义。 我们将首先讨论信息论中的熵的概念及其与监督学习的关系。 然后，我们将看到如何从单变量分布中的熵定义中推导出二元分布中的交叉熵。这将使我们很好地理解一个如何概括另一个。 最后，我们将看到如何使用交叉熵作为损失函数，以及如何通过梯度下降来优化模型 阅读全文

摘要： 1. 简介 使用机器学习时，我们有不同的指标来告诉我们模型的表现如何。但是，这些措施可能会混淆它们的含义、如何解释或它们究竟是什么。知道了这一点，我们可以推断出更多关于我们模型的信息。 在本教程中，我们将重点介绍损失和准确性。它们都是训练模型时要考虑的基本值。 2. 损失 损失是一个值，表示模型中误 阅读全文

摘要： 1. 简介 在本教程中，我们将讨论生成对抗网络（GAN），一种无监督的深度学习方法。主要，我们将介绍构成 GAN 的两个主要模型的架构，即生成器和鉴别器模型。我们还将通过它们的损失函数分析两个模型之间的主导行为。 2. 生成对抗网络 GAN是一个机器学习框架，由Ian J. Goodfellow于2 阅读全文

摘要： 1. 概述 在本教程中，我们将介绍生成对抗网络 （GAN）。 首先，我们将介绍术语生成模型及其分类法。然后，将描述GAN的架构和训练管道，并附有详细示例。最后，我们将讨论GAN的挑战和应用。 2. 生成模型 在机器学习中，有两种主要的学习类型: 在监督学习中，我们被给予自变量X和相应的标签Y，我们的 阅读全文