人工智能：多模态大模型原理与跨模态应用实战
人工智能：多模态大模型原理与跨模态应用实战
1.1 本章学习目标与重点💡 学习目标：掌握多模态大模型的核心原理、跨模态特征融合方法，以及基于多模态模型的图文生成与理解任务实战流程。
💡 学习重点：理解多模态模型的架构设计，学会使用 Hugging Face 生态工具调用 CLIP 与 BLIP-
人工智能
从零开始强化学习（五）——Deep Q-network(DQN)
五. Deep Q-network(DQN)
现实中强化学习面临的状态空间往往是连续的，存在无穷多个状态。这种情况下，就不能再使用表格对价值函数进行存储，采用价值函数近似（Value Function Approximation）的方式进行逼近
在连续的状态和动作空间中，可以用函数来表示近似计算:
其中函数通常是一个参数为的函数，比如神经网络
5.1 状态价值函数(State Value F
1.《机器学习实战》：一本令人又爱又恨的“实战”书
《机器学习实战》，我翻过两遍，每一次都没能读完。
为什么呢？
先说说好的一面。《机器学习实战》里面讲到了诸多的机器学习算法。虽说现在深度学习、强化学习等等的算法大行其道，但机器学习算法如线性回归、决策树等等，都仍然有其应用价值。这是因为：
1）深度学习对于运行的机器要求很高，在没有GPU的情况下，只要层数一多，就会耗费大量的时间，训练过程过长，投入资源较多；
2）深度学习算法等对于样本数要求较高，
AI的提示词专栏：“Temperature” 与 “Top-P” 参数对 Prompt 结果的影响
AI的提示词专栏：“Temperature” 与 “Top-P” 参数对 Prompt 结果的影响
本文围绕大语言模型中 Temperature 与 Top-P 参数展开，先以类比阐释二者本质 ——Temperature 通过缩放概率分布控制随机性强度，取值 0-2，低则输出稳定、高则创意足但易混乱；Top-P 借概率累
单细胞之轨迹分析-7：Seurat+scVelo
轨迹分析系列：
单细胞之轨迹分析-1：RNA velocity
单细胞之轨迹分析-2：monocle2 原理解读+实操
单细胞之轨迹分析-3：monocle3
单细胞之轨迹分析-4：scVelo
单细胞之轨迹分析-5：slingshot
单细胞之轨迹分析-6：velocyto.R+Seurat
一般要去计算RNA velocity的时候，是已经预先处理过数据了，比如做过了降维，聚类，差异分
【kafka】kafka管理之修改topic副本数
如下示例将主题foo的分区0的复制因子从1增加到3。
在增加复制因子之前，该分区的唯一副本存在于broker.id为5的节点上，我们将在broker.id为6和7的节点上各增加一个副本。
参考
Kafka——副本（Replica）机制
kafka 调整pa
机器学习遇到单细胞组学：Perturbation Modeling
细胞生物学的相关研究一直受限于数据的完整性和表型的完整性，对应激状态和稳态下的细胞区别观察不够充分。过去五年中，计算机视觉和语音识别领域通过对大量的无标签数据进行学习、建模，很好的解决了数据不足的问题。同样在最近的研究中，机器学习方法使用单细胞数据进行扰动建模也推动了细胞生物领域前进。对于生物学家来讲，无论研究基因、转录本、修饰、蛋白功能，都要频繁的进行人为干预，实现对感兴趣变量的正向或者反向改变
SpringAI实现AI应用-搭建知识库
SpringAI实战链接1.SpringAl实现AI应用-快速搭建-CSDN博客2.SpringAI实现AI应用-搭建知识库-CSDN博客3.SpringAI实现AI应用-内置顾问-CSDN博客4.SpringAI实现AI应用-使用redis持久化聊天记忆-CSDN博客5.SpringAI实现AI应用-自定义顾问（Advisor）-CSDN博客概述想要使用SpringA
