摘要： 为什么大模型相比中小模型，有更突出的性能和泛化能力，也许大多数人并没有想过这个问题，业内一般从函数曲线拟合的角度，来理解模型为什么能解决现实中的问题。 1、模型为什么越大，性能和泛化越好？ 在AI领域，对需要解决的业务问题，将其视为满足一定条件的数据分布，先通过特征工程的方式，从业务问题中拆解出有哪 阅读全文

摘要： 1、概述 无监督异常检测方法有重建类、特征类、流模型和教师学生网络这几种，之前了解过重建模型，重建模型大多采用VAE+Diffusion+Transformer类模型，对缺陷特征进行创建，本次总结主要分析特征类的鼻祖模型PatchCore，并找到其论文和源码，了解其工作原理的一些细节。 图1描述了P 阅读全文

摘要： 物体检测、图像分割是CV领域的两大任务，尤其是物体检测，其在各个领域和AI比赛中，更是占有举足轻重的位置。 1、概述 图1描述了起源于图像分类的主要计算机视觉类任务。 图1 发源于图像分类的计算机视觉任务 为什么如此划分？因为在更早的时候，AI圈还停留在机器学习的时代，那时候的算法只有KNN、决策树 阅读全文

摘要： 工业上的质检领域，是AI的一个重要应用方向，主要是计算机视觉CV的主攻方向。 图1描述了深度学习技术路线的发展简图，AI质检领域主要使用卷积神经网络(CNN)提取工业场景下的视频或图像特征，然后做分类、检测、分割、目标追踪等任务。 图1 深度学习技术发展简图 在工业场景下的分类、检测任务，其数据集特 阅读全文

摘要： GraphRAG工作的第一步，是将输入的文档集合，按一定的策略拆分成一个一个chunks，然后解析每个chunks，将chunk中所关注的实体(entity)和关系(relation)解析出来，以此构建知识图谱。 那问题来了，GraphRAG是如何抽取文本中的实体及其间的关系，是像以前NLP任务那样 阅读全文

摘要： RAG在大模型时代，被寄予了厚望，但在近一年多各大小公司的实施过程中，其效果远没有抖音中宣传的那么振奋人心，其原因是多方面的。这篇文章就RAG中的一个弱项--局部性来展开讨论。 一、RAG原理 图1描述了RAG的原理，用户输入了一个指令Instruct，RAG将其与Document store(向量 阅读全文

摘要： 有了第九课SVD分解的基础，PCA降维的原理理解起来就比较容易了。 1、PCA降维原理 先回到SVD分解，对矩阵A进行SVD分解，得到下式： A = U * S * V 其中V是正交矩阵，即V*VT=E，对上式进行一下转化： A * VT = U * S * V * VT A * VT = U * 阅读全文

摘要： 大学里的《线性代数》学过矩阵的加减乘法操作，计算起来也比较简单，比如现有矩阵A和B，取值如下： A是2*3的矩阵，B是3*2的矩阵，C很容易求得一个2*2的矩阵： 上面的计算过程，相信很多人都会，但现在的问题，如何求矩阵C由哪些矩阵相乘而得？这个问题估计会的人就不多了，其实这是一个矩阵分解的问题，也 阅读全文

摘要： 市面上常用的机器学习算法，也就剩下KNN、朴素贝叶斯、决策树、随机森林这些算法了，这些算法各有优劣，适用不同的场景，没有谁能把所有其他的算法干掉而统一天下。 下面将通过准确率、耗时两个维度，来对比KNN、朴素贝叶斯、决策树、随机森林这几个算法的性能。 1、构建数据集，并拆分为训练集和测试集 调用Sk 阅读全文

摘要： 1、算法概述 随机森林是一种集成学习方法，其理论基础是决策树。 随机森林由随机+森林两个词组成，这两个词非常精确的描述了随机森林算法的本质，随机说明了算法具有一定的随机性，体现在算法在选取数据集时，会随机从行和列两个方向筛选出子样本，比如图1和图2显示了随机森林两棵子树A和B所选取的数据集是不同的， 阅读全文