新溪-gordon
V1.7.20

AI

  • 1. 常用
    • 1.1. 常用
    • 1.2. AIGC
    • 1.3. 关键定义
    • 1.4. 机器学习machine learning
    • 1.5. BI(Business Intelligence)
    • 1.6. 深度学习
      • 1.6.1. 常用
      • 1.6.2. 历史
    • 1.7. monitor
    • 1.8. 相关算法
    • 1.9. 工具
    • 1.10. 常见问题
  • 2. 理论
    • 2.1. ReAct框架
    • 2.2. Reflection反思
    • 2.3. 数学
    • 2.4. bag-of-words
    • 2.5. Word2Vec
    • 2.6. Doc2Vec
    • 2.7. FastText
    • 2.8. LDA-Latent Dirichlet Allocation(潜在狄利克雷分配)
    • 2.9. overfitting&underfitting
    • 2.10. evaluate评估
    • 2.11. RAG
    • 2.12. Agent
    • 2.13. LLM
    • 2.14. Prompt Engineering
    • 2.15. LLM调优(finetune)
  • 3. 大模型
    • 3.1. 常用
      • 3.1.1. 常用
      • 3.1.2. 依赖安装
      • 3.1.3. 编码-解码器
      • 3.1.4. 使用
      • 3.1.5. 临时
    • 3.2. 著名模型
      • 3.2.1. LLaMA
      • 3.2.2. ChatGLM
      • 3.2.3. BERT
      • 3.2.4. GPT
      • 3.2.5. BART
      • 3.2.6. T5
      • 3.2.7. ChatRWKV
      • 3.2.8. Open-Assistant
    • 3.3. 调优
    • 3.4. 文件格式
      • 3.4.1. GGML系列文件格式
      • 3.4.2. ONNX
        • 常用
        • ONNX
        • onnxruntime
        • skl2onnx
      • 3.4.3. NCNN
    • 3.5. 商业项目
      • 3.5.1. 常用
      • 3.5.2. OpenAI
    • 3.6. Prompt 提示词
      • 3.6.1. 中文
      • 3.6.2. English
      • 3.6.3. 示例
  • 4. NLP
    • 4.1. 常用
    • 4.2. 预处理
      • 4.2.1. 常用
      • 4.2.2. 关键词提取
      • 4.2.3. 分词
      • 4.2.4. 情感分析
      • 4.2.5. 文本表示
      • 4.2.6. 注意力机制
      • 4.2.7. 语言模型
    • 4.3. NER-命名实体识别
      • 4.3.1. 常用
      • 4.3.2. 序列标注
      • 4.3.3. BiLSTM+CRF
      • 4.3.4. 历史
    • 4.4. 总结-摘要
      • 4.4.1. 通用
  • 5. 函数库
    • 5.1. 常用
    • 5.2. Image图像处理
    • 5.3. Video视频
    • 5.4. IPython
      • 5.4.1. 常用
      • 5.4.2. 魔法命令
      • 5.4.3. display函数
    • 5.5. Jupyter
    • 5.6. NumPy
      • 5.6.1. 通用
      • 5.6.2. Ndarray 对象
      • 5.6.3. 通用函数
    • 5.7. Pandas
      • 5.7.1. 常用
      • 5.7.2. 实例-subset
      • 5.7.3. 实例-统计分析
      • 5.7.4. 利用pandas实现SQL操作
      • 5.7.5. 实例-缺失值的处理
      • 5.7.6. 多层索引的使用
      • 5.7.7. 实践
        • 实践-2012年奥巴马总统连任选举
      • 5.7.8. API-输入输出
      • 5.7.9. API-General functions
      • 5.7.10. API-Series
      • 5.7.11. API-DataFrame
      • 5.7.12. API-index
    • 5.8. Matplotlib
      • 5.8.1. 基本
      • 5.8.2. 安装
      • 5.8.3. pyplot
      • 5.8.4. matplotlib.patches
      • 5.8.5. 实例
        • 折线图plot
        • 条形图bar
        • 直方图hist
        • 散点图scatter
        • 面积图stackplot
        • 饼图pie
        • 箱型图box
        • 多图合并multi
      • 5.8.6. pylab子包
    • 5.9. SciPy
      • 5.9.1. 常用
    • 5.10. sklearn
      • 5.10.1. 常用
      • 5.10.2. 监督学习
        • 广义线性模型
      • 5.10.3. 无监督学习
    • 5.11. statsmodels
    • 5.12. OpenCV
      • 5.12.1. 常用
      • 5.12.2. 实例
      • 5.12.3. 代码类结构
    • 5.13. Seaborn
      • 5.13.1. 常用
    • 5.14. jieba中文分词
    • 5.15. gensim: 文本主题建模和相似性分析
      • 5.15.1. 常用
      • 5.15.2. Core Tutorials
      • 5.15.3. Tutorials: Learning Oriented Lessons
      • 5.15.4. How-to Guides: Solve a Problem
    • 5.16. LAC-百度词法分析工具
  • 6. 学习框架
    • 6.1. 常用
    • 6.2. PyTorch
      • 6.2.1. 常用
      • 6.2.2. nn模块
      • 6.2.3. ExecuTorch
    • 6.3. huggingface
      • 6.3.1. 常用
      • 6.3.2. Hugging Face Hub
      • 6.3.3. Hub Python Library
      • 6.3.4. Datasets
      • 6.3.5. Transformers
      • 6.3.6. Transformers 4.45.2
      • 6.3.7. Tokenizers
      • 6.3.8. Text Generation Inference
      • 6.3.9. Evaluate
      • 6.3.10. PEFT
      • 6.3.11. TRL - Transformer Reinforcement Learning
      • 6.3.12. 博文: decoding methods of LLM with transformers
      • 6.3.13. 收集
        • resources
        • model
    • 6.4. mxnet库
      • 6.4.1. nd模块
        • ndarray
        • ndarray.random
      • 6.4.2. gluon模块
      • 6.4.3. autograd模块
    • 6.5. tensorflow
    • 6.6. Keras
      • 6.6.1. 常用
      • 6.6.2. 实例
        • 二分类问题
        • 多分类问题
        • 回归问题
    • 6.7. 其他
  • 7. 关键网站
    • 7.1. Papers with Code
    • 7.2. Kaggle
    • 7.3. ArXiv 学术论文预印本平台
    • 7.4. 视频相关
    • 7.5. 通用
  • 8. 关键定义
    • 8.1. LLM
    • 8.2. Sigmoid
    • 8.3. ReLU(激活函数)
    • 8.4. Leaky ReLU
    • 8.5. Tanh
    • 8.6. GELU
    • 8.7. HMM-隐马尔可夫模型
    • 8.8. WWM-Whole Word Masking
    • 8.9. CRF-条件随机场
    • 8.10. MLE-最大似然估计
    • 8.11. ANN(NN)
    • 8.12. 深度神经网络(Deep Neural Network, DNN)
    • 8.13. 卷积神经网络(Convolutional Neural Network, CNN)
    • 8.14. RNN: 循环神经网(Recurrent Neural Network, RNN)
    • 8.15. LSTM: 长短时记忆(Long Short Term Memory, LSTM)
    • 8.16. 判别式模型vs生成式模型
    • 8.17. Embedding 模型
    • 8.18. BPE
  • 9. 实践
    • 9.1. OCR
      • 9.1.1. 常用
    • 9.2. AIML
      • 9.2.1. 常用
      • 9.2.2. AIML 2.1 Documentation
  • 10. 开源项目
    • 10.1. Agent
    • 10.2. RAG
    • 10.3. 常用
    • 10.4. UI界面
    • 10.5. 调优
    • 10.6. 搜索
    • 10.7. LLM Inference Engines
    • 10.8. 模型推理平台
    • 10.9. LLM推理加速
    • 10.10. LLM评估
    • 10.11. AI平台
  • 11. 数据集
    • 11.1. 常用
    • 11.2. 中文数据集
    • 11.3. dataset
  • 12. Evaluate评测
    • 12.1. TruLens
    • 12.2. Ragas
    • 12.3. DeepEval
    • 12.4. UpTrain
    • 12.5. evaluate
新溪-gordon
  • Docs »
  • 1. 常用 »
  • 1.2. AIGC
  • View page source

主页

索引

模块索引

搜索页面

1.2. AIGC¶

  • Awesome AIGC Tutorials: https://github.com/luban-agi/Awesome-AIGC-Tutorials/

  • https://github.com/topics/agi

  • https://github.com/topics/chain-of-thought

主页

索引

模块索引

搜索页面
Next Previous

© Copyright 2010-2024, 新溪-gordon.

备案号 京ICP备16018553号
Built with Sphinx using a theme provided by Read the Docs
.