摘要： 大型语言模型（LLMs）如GPT可以生成文本、回答问题并协助完成许多任务。然而，它们是被动的，这意味着它们仅根据已学到的模式对接收到的输入作出响应。LLMs无法自行决策；除此之外，它们无法规划或适应变化的环境。 主动式AI（代理式）的出现正是为了解决这一问题。与生成式AI LLMs不同，主动式AI（ 阅读全文

摘要： 上一篇：《创建用于预测序列的人工智能模型（五），调整模型的超参数》 序言：在完成初步的模型研发后，接下来的重点是探索和优化超参数。通过合理调整超参数（如学习率、动量参数、神经元数量等），可以进一步提高模型的性能和准确性。这一过程需要结合工具（如 Keras Tuner）进行自动化测试和优化，从而高效 阅读全文

摘要： 上一篇：《创建用于预测序列的人工智能模型（四），评估模型的能力》 序言：人工智能模型的研发过程实际上是一个多阶段的迭代过程，包括数据准备、模型架构设计、训练和验证，而超参数的调整和优化则始终贯穿其中，是提升模型性能的重要环节。 调整学习率 在前面的例子中，你可能还记得，我们使用了如下的优化器来编译模 阅读全文

摘要： 上一篇：《创建用于预测序列的人工智能模型（三），训练模型》 序言：对于当前的动则几千亿的大语言模型来说，训练的过程可以持续几天几周基于几个月，这取决于拥有的硬件数量以及总要训练的参数。模型训练完成后就进入模型的评估验证过程，一般会不断的重复直到优化完成。 评估人工智能模型的性能 当你训练好了一个 D 阅读全文

摘要： 过去七天的 AI 新闻如狂风暴雨般涌来，AI 世界发生了许多重大变化。在这篇文章中，我们将深入探讨来自 Llama 3.3 70B、GPT-4o 和 Claude 3.5 Sonnet 等主要参与者的最新 AI 动态。 12 月 7 日，Meta 将发布其年度最后一个 AI 模型。而就在昨天（12 阅读全文

摘要： 序言：我们在从事人工智能模型的研发时，当数据集，模型架构都准确好了，其实训练从代码角度来看，很简单粗暴。 训练模型 训练模型非常简单，只需调用 model.fit 方法，传入你的数据集，并指定训练的轮数（epochs）： model.fit(dataset, epochs=100, verbose= 阅读全文

摘要： 上一篇：《创建用于预测序列的人工智能模型，设计数据集》 序言：在前一篇中，我们创建了用于训练人工智能模型的数据集。接下来，就要设计模型的架构了。其实，人工智能模型的开发关键并不在于代码量，而在于其中的数学原理和数据集（即人类经验）的深度与质量。 创建模型的架构（一个DNN神经网络） 现在你已经将数据 阅读全文

摘要： 上一篇：《预测大师的秘籍：揭开时间序列的真相》 序言：一章介绍了序列数据以及时间序列的特性，包括季节性、趋势、自相关性和噪声。你创建了一个用于预测的合成序列，并探索了基本的统计预测方法。在接下来的章节中，你将系统地学习如何利用人工智能模型（机器学习模型）进行时间序列预测。这包括：数据集的创建、模型的 阅读全文

摘要： 作者：迈克尔·海因 作者提供的图片 AI 市场如同一个过度拥挤的俱乐部，数不清的 DJ 同时打碟，舞池里则像一袋注射了兴奋剂的跳蚤。经过一小时的时事通讯“探险”、电子邮件整理，随后又进行了一次 YouTube 探索，我的精力已经有些耗尽。在 AI 丛林中保持清醒和追踪进展，绝对是一项极具挑战的工作。 阅读全文

摘要： Google发布了它所称的“推理”AI模型——但这还处于实验阶段，根据我们简短的测试，显然仍有改进空间。 这个新模型名为Gemini 2.0 Flash Thinking Experimental（名字有点长，确实），可以在Google的AI原型平台AI Studio中使用。模型卡片描述它是“最适合 阅读全文