苦头陀 level
杭州超限数动科技有限公司_大模型数据安全部_研发专家 identity
获赞
14
粉丝
6
关注
0
看过 TA
21
男
中国科学院大学
2021
数据架构师
IP属地：浙江
资深工程师
私信
关注
发布(26) 评论 刷题 收藏
07-10 05:59
杭州超限数动科技有限公司_大模型数据安全部_研发专家
# “你翻得还行，但我得看 BLEU 脸色！”——聊聊机器翻译的评分裁判：BLEU 分数
1. 开场白 在这个“AI 都能写情书”的时代，机器翻译早就不稀奇了。但问题是：翻译得好不好，谁说了算？  谷歌翻译说自己翻得不错？不行，太主观！ 你说它翻得烂？也不行，你也不专业！  于是，咱们引入了一位 铁面无私、不偏不倚 的老裁判 —— BLEU 分数（Bilingual Evaluation Understudy）。 2. BLEU 分数是啥？ 你可以把 BLEU 想成“翻译届的卷面得分”。它做的事很简单：  比对机器翻的句子和人类翻的句子，看像不像！  你翻得越像人类，分越高； 你胡说八道，离谱得很，分数自然就低了。 BLEU 分数一般在 0 到 1 之间（有时候也乘个 100 表示...
大模型小白拆解站
0 点赞 评论 收藏
分享
07-09 22:28
杭州超限数动科技有限公司_大模型数据安全部_研发专家
0 点赞 评论 收藏
分享
07-05 15:42
杭州超限数动科技有限公司_大模型数据安全部_研发专家
nn.Embedding() —— 深度学习里的“词汇翻译器”
1. 开场：  想象你正在做一个翻译机器人，句子里的词都是整数编号，比如： "我 爱 吃 炸鸡" → [2, 9, 14, 88]  可问题是：神经网络不认识“炸鸡”，只认识浮点数向量。  于是——你就需要 nn.Embedding() 这个“词汇转码器”！ 简单一句话：  nn.Embedding(num_embeddings, embedding_dim) 就是一个把“整数编号”转换成“稠密向量”的字典，而且这个字典是可以训练的！  2. 它是怎么工作的？ 假设你这样创建一个嵌入层： embedding = nn.Embedding(num_embeddings=100...
大模型小白拆解站
0 点赞 评论 收藏
分享
07-05 08:10
杭州超限数动科技有限公司_大模型数据安全部_研发专家
0 点赞 评论 收藏
分享
07-05 15:10
已编辑
杭州超限数动科技有限公司_大模型数据安全部_研发专家
PyTorch中的Dropout：神经网络的"随机请假魔法"
想象你有一个超级勤奋的神经网络团队，每个神经元（Neuron）都像996加班的员工，每天疯狂计算数据。但这样会导致团队过度依赖某些"卷王"神经元，一旦它们罢工（过拟合），整个网络就崩溃了！ 这时候，Dropout 就像一个随机请假管理员，在训练时随机让一部分神经元暂时罢工（输出置0），强迫其他神经元学会独立工作！ 1. Dropout的作用（为什么需要它？）  防止过拟合：避免网络过度依赖某些神经元，让所有神经元雨露均沾。 提升泛化能力：就像让团队成员轮换休假，确保即使有人请假，公司也能正常运转。  类比：  没有Dropout：团队里几个"卷王"包揽所...
大模型小白拆解站
0 点赞 评论 收藏
分享
07-04 09:33
杭州超限数动科技有限公司_大模型数据安全部_研发专家
加性注意力中的 unsqueeze() 魔法：给张量"长高"的趣味解释
想象你有一叠 3D 彩色纸片（张量），而 unsqueeze() 就像给这些纸片偷偷增加一层隐形夹层，让它们能和其他纸片对齐拼接！ 🎲 1. 为什么需要 unsqueeze()？ 在加性注意力机制中，我们需要计算 查询（queries）和键（keys） 的相似度。但它们的形状不匹配：  queries 形状：(batch_size, 查询个数, num_hiddens) keys 形状：(batch_size, “键-值”对个数, num_hiddens)  为了让它们能逐元素相加（广播机制），我们需要让它们的形状变成：  queries → (batch_size, 查询个数, 1, nu...
大模型小白拆解站
0 点赞 评论 收藏
分享
07-02 09:08
杭州超限数动科技有限公司_大模型数据安全部_研发专家
0 点赞 评论 收藏
分享
06-27 09:20
杭州超限数动科技有限公司_大模型数据安全部_研发专家
0 点赞 评论 收藏
分享
06-26 08:54
杭州超限数动科技有限公司_大模型数据安全部_研发专家
0 点赞 评论 收藏
分享
06-22 15:27
杭州超限数动科技有限公司_大模型数据安全部_研发专家
虚拟内存与页管理：操作系统如何用 "魔法书架" 骗过程序？
一、虚拟内存：给程序的 "魔法书架" 与 "仓库租赁" 服务想象你是个爱买书的学霸，家里真实书架（物理内存）只有 10 层，但你买了 100 本书（程序数据）。此时图书馆（硬盘）提供的 "虚拟书架" 服务就是虚拟内存的核心逻辑：无限书架的假象：操作系统告诉你 "书架有 100 层"（虚拟地址空间），实际仅 10 层是真书架（物理内存）。比如打开 100 个网页时，系统只将常用网页放在真书架，其他存在图书馆（硬盘）。动态搬书机制：当需要第 11 本书（访问虚拟地址），系统会从图书馆把书搬到真书架，这个过程称为 &qu...
Python核心知识唠明...
0 点赞 评论 收藏
分享
06-20 09:34
杭州超限数动科技有限公司_大模型数据安全部_研发专家
0 点赞 评论 收藏
分享
06-16 10:32
杭州超限数动科技有限公司_大模型数据安全部_研发专家
线程池：Python打工人（线程）的「管理大师」！专治频繁招人/裁人冤种操作
咱们今天用「打工人打工魂」的套路，把Python线程池的里里外外扒个明明白白——毕竟这可以算作全网最直白的线程池入坑初级读物了吧,如果感觉有用,不妨用您那发财的小手点个赞或给个评论吧!一、背景：传统多线程的「打工人灾难」，急需救场！你有没有发现，公司里的「临时工」特别多？比如：老板今天说「来10个临时工搬快递」，明天说「不用了，裁掉」；后天又说「双11到了，赶紧招20个临时工打包订单」，结果忙完又让这些人「回家待业」……这种操作看着灵活？其实巨坑！招人要花时间：每次招临时工得面试、培训，效率低；管理要花精力：临时工多了容易乱，有的摸鱼，有的偷懒；成本蹭蹭涨：工资、社保、离职补偿……钱包扛不住！...
Python核心知识唠明...
0 点赞 评论 收藏
分享
06-16 10:34
已编辑
杭州超限数动科技有限公司_大模型数据安全部_研发专家
Python元组解包：拆快递一样简单！数据提取秒变"手拆大师"
一、什么是元组解包？Python 的元组解包（Tuple Unpacking）是一种 "开箱即用" 的语法糖，让你可以轻松地从容器中提取数据。用 "拆快递" 的例子解释就是：你网购了一箱奶茶（没错，打工人的快乐就是这么简单），快递盒上写着“内含：奶茶×1 + 订单号×1”。当你拆开盒子，会​​顺手把奶茶和订单号一起掏出来​​——左手拿奶茶（想喝），右手捏订单号（怕丢）。Python里的​​元组解包​​，就像你拆快递时的“顺手操作”：如果一个东西是“打包好的组合”（比如元组），你可以直接把它拆成几个变量，让代码更简洁！下面用一丢丢代码对元组解包的具体含义进...
Python核心知识唠明...
0 点赞 评论 收藏
分享
06-15 22:41
杭州超限数动科技有限公司_大模型数据安全部_研发专家
AI从“数据饿鬼”变“机灵鬼”！Few-shot让它“吃几口”就会新技能
咱们今天用「追剧学技能」的套路，把Few-shot技术的里里外外扒个明白——保证你看完想给它点个「绝了」的赞！ 😉一、背景：传统AI的「数据暴食症」，急需救星！你有没有发现，现在AI可「馋」了？比如要让AI认猫，得喂它几十万张猫片；教它写作文，得看几百万篇范文……这就像强行给一个小朋友灌《大英百科全书》——吃撑了不说，还容易「消化不良」（过拟合）。但现实里总有些「离谱情况」： 比如医院要AI诊断一种罕见病，全球就100个病例，不够AI「塞牙缝」； 外贸公司想让AI翻译小语种（比如斯瓦希里语），根本找不到足够多的双语句子对； 宝妈想训练AI识别自家娃的哭声（饿了？疼了？困了？），结果只录到3次...
大模型小白拆解站
0 点赞 评论 收藏
分享
06-15 14:28
杭州超限数动科技有限公司_大模型数据安全部_研发专家
大模型批量推理：让 AI 秒变 "流水线工人" 的神奇魔法
背景：单聊太慢？让 AI 同时陪 100 个人唠嗑！想象你开了家 AI 咖啡厅：单例推理：像咖啡师一次只给一个客人做咖啡，来 100 个客人就得等 100 次，效率感人批量推理：像流水线咖啡机，一次煮 100 杯咖啡，100 个客人同时拿到饮品大模型也是如此：单例推理：每次只能处理 1 个问题，遇到 APP 海量用户提问时，服务器直接 "累瘫"批量推理：一次喂给模型 100 个问题，模型同时算出 100 个答案，效率暴增 100 倍！原理机制：AI 的 "包饺子流水线" 工作法以 "包饺子" 为例理解批量推理：面团准备（输入预处理）:...
大模型小白拆解站
0 点赞 评论 收藏
分享

创作者周榜

更多
关注他的用户也关注了：
牛客网
牛客网在线编程
牛客网题解
牛客企业服务