## 科普文章：算法在NLP和CV中的应用
### 导言
在当今数字化时代，人工智能技术已经成为各行各业的热门话题。而在人工智能领域中，自然语言处理（NLP）和计算机视觉（CV）是两个重要的分支，而算法则是这两个领域的核心。本文将介绍算法在NLP和CV中的应用，并通过代码示例展示其功能。
### 算法在NLP中的应用
自然语言处理是人工智能领域的一个重要分支，旨在实现计算机与人类自然语言之
原创
2024-04-25 06:38:40
41阅读
【关于 BatchNorm vs LayerNorm】那些你不知道的事一、动机篇1.1 独立同分布（independent and identically distributed）与白化独立同分布
为什么？
独立同分布的数据可以简化常规机器学习模型的训练、提升机器学习模型的预测能力相关性：
强相关：Naive Bayes 模型就建立在特征彼此独立的基础之弱相关：Logis
转载
2023-10-11 20:04:20
159阅读
输入一个自然数n，求表达式 f(n) = 1!2!3!..n! 的结果末尾有几个连续的0？public class Num0 {
public static int numZero(int n){
int count=0;
int num=n/10*2+(n%10>4?2:0);
for(int i=0;i<num/2;i++){
转载
2024-07-19 18:58:13
139阅读
0、旅行商问题背景此文是面向的任意出发点，走封闭路线的最优寻找（其实如果封闭了，一旦收敛，就是轨迹确定，其实就无所谓从哪里出发，走得什么方向了）并把从出发点到终点再到出发点的每两个城市间的距离之和来作为个体的适应度1、bug总结基本上都是一些低端错误，看着图一乐就好(1)最大错误：以i为循环变量进行，每一generation的迭代，在循环体里面的小循环中不小心也用i做了循环变量，导致总循环次数出错
CV方向：（object detection， semantic segmentation， 人脸，姿态，视觉重建，图像恢复生成（gan），识别分类等） 面试经验总结：对自己项目的每个细节都了解清楚，多总结面试 对基本知识点的掌握要清晰，不能模棱两可 对算法公式的掌握要细致，防止推公式。 需要准备的：论文，实习经历，项目（硬
转载
2024-01-05 20:16:43
53阅读
NLP介绍自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其
转载
2023-11-03 09:10:47
88阅读
kaiming的MAE和年初的CLIP可能是今年CV领域唯二的重磅文章，有预感MAE会成为CV领域和BERT地位相当的一篇文章。从BERT和MAE的形态上来说，都引入了mask机制来做无监督预训练，但是又因为vision和language两种模态上本质的不同，导致mask的设计上和整体框架上有所区别。从NLP的Transformer到BERT，然后到CV的ViT、BEiT，CV领域的无监督预训练经
转载
2024-06-08 13:35:22
45阅读
1.什么是NLP 2.NLP领域的挑战(1)同一个意思有多种表达方式(2)一词多义(Ambiguity)解决一词多义的问题方法：从数据中学习(结合上下文Context) 3.机器翻译系统的案例 上图的意思：根据表中的12对翻译结果，翻译所给出的一句话。做法：给定语料库，在语料库中做统计，进行匹配(基于统计学)。缺点：<1>慢 <2>
转载
2023-07-25 23:44:30
188阅读
CV和NLP领域的Transformer原理和实践在2017年，Transformer模型由论文《Attention is all you need》提出，最开始被应用于机器翻译任务上并取得了很好的效果。它摒弃了传统LSTM的串行结构，使用了基于Self Attention的模型结构，具有更好的并行计算能力，这使得它在大规模数据模型训练方面更有优势。后来基于Transformer结构的模型大放异彩
转载
2023-11-18 21:52:02
89阅读
在机器学习和深度学习的快速发展时代，计算机视觉（CV）算法和自然语言处理（NLP）算法的模型指标测试显得尤为重要。随着模型架构的不断演进和应用场景的复杂化，我们需要一种系统的方式来评估这些算法的性能。这篇博文将详细记录处理“CV算法NLP算法等模型指标测试”问题的过程。
让我们从时间轴上的几个重要节点开始回顾模型指标测试的演变历程：
1. **2010年**：深度学习的广泛应用开始。
2. *
# 自然语言处理与计算机视觉的结合
在当今迅速发展的人工智能领域，自然语言处理（NLP）与计算机视觉（CV）的结合越来越受到关注。这两种技术各自都有着丰富的应用场景，而它们的结合能够产生更强大的功能，使得机器能够更好地理解和处理多模态数据。
## 什么是自然语言处理？
自然语言处理是让计算机能够理解、解释和响应人类语言的技术。它主要用于文本数据的分析和处理，包括情感分析、机器翻译和语音识别等
1.加载lib/头文件分两种方法：(1)适用于当前项目1 第一步：项目->属性->C/C++->常规->附加包含目录(浏览.h文件的路径) 添加包含文件
2 第二步：项目->属性->C/C++->链接器->输入->附加依赖项(写入lib的名称) 添加库文件
3 项目->属性->C/C++->链接器->输入-&
转载
2024-07-01 08:06:08
49阅读
1. 大模型的技术趋势本节我们将分析“大模型现象”在语言模型以外的领域的进展情况，主要包括计算机视觉领域和多模态（语言+图像）领域。计算机视觉（Computer Vision，CV）领域和NLP一样，也是本轮深度学习科技热潮中被极大颠覆了的研究领域，2012年被提出的近代深度学习的开山之作AlexNet便是CV领域中的深度卷积神经网络（Convolutional Neural Network，CN
转载
2024-05-24 21:30:56
147阅读
时时刻刻保持一颗不断学习的心，要做一个有心人！人工智能行业涉及到的英文缩写颇多，现总结如下。会不断保持更新，敬请各位小伙伴们关注~谢谢大家！前方高能！！！人工智能常用英文缩写 一、科普篇：NLP：Natural Language Processing，自然语言处理；CV：Computer Vision，计算机视觉；BI：Business Intelligence，商业智能；RS：Reco
转载
2023-07-04 21:57:00
39阅读
本文以QA形式对NLP/AI中的高频问题进行总结，均为自己在真实面试中所遇到的问题（持续更新中）。部分问题答案已经写入可参见：学习NLP/AI，必须深入理解“神经网络及其优化问题”nlp中的词向量对比：word2vec/glove/fastText/elmo/GPT/bert一、AI算法基础
1、样本不平衡的解决方法？
2、交叉熵函数系列问题？与最大似然函数的关系和区别
转载
2023-11-11 17:13:12
220阅读
该篇文章右谷歌大脑团队在17年提出，目的是解决对于NLP中使用RNN不能并行计算（详情参考《【译】理解LSTM（通俗易懂版）》），从而导致算法效率低的问题。该篇文章中的模型就是近几年大家到处可以听到的Transformer模型。一、算法介绍前的说明由于该文章提出是解决NLP（Nature Language Processing）中的任务，例如文章实验是在翻译任务上做的。为了CV同学更好的理解，先简
转载
2023-12-29 22:00:56
222阅读
其实，机器学习跟模式识别，统计学习，数据挖掘，计算机视觉，语音识别，自然语言处理等领域有着很深的联系。从范围上来说，机器学习跟模式识别，统计学习，数据挖掘是类似的，同时，机器学习与其他领域的处理技术的结合，形成了计算机视觉、语音识别、自然语 言处理等交叉学科。因此，一般说数据挖掘时，可以等同于说机器学习。同时，我们平常所说的机器学习应用，应该是通用的，不仅仅局限在结构化数据，还有图 像，音频等应用
转载
2023-10-26 21:07:24
194阅读
主要分支介绍通讯、感知与行动是现代人工智能的三个关键能力，在这里我们将根据这些能力/应用对这三个技术领域进行介绍：计算机视觉(CV)、自然语言处理(NLP)在 NLP 领域中，将覆盖文本挖掘/分类、机器翻译和语音识别。机器人 分支一：计算机视觉计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。物体检测和人脸识别是其比较成功的
转载
2023-07-30 22:44:55
2416阅读
一句话简介：2018年发掘的自回归模型，采用预训练和下游微调方式处理NLP任务；解决动态语义问题，word embedding 送入单向transformer中。一、GPT简介 1.1 背景 目前大多数深度学习方法依靠大量的人工标注信息，这限制了在很多领域的应用。此外，即使在可获得相当大的监督语料情况下，以无监督学习的方式学到的表示也可以提供显着的性能提升。到目前为止，最引人注目的证据是广泛使用预
转载
2023-11-22 18:16:20
28阅读
论文题目：Forward and Backward Information Retention for Accurate Binary Neural Networks文献地址：https://arxiv.org/abs/1909.10788源码地址： https://github.com/htqin/IR-NetIR-Net应用中的效果 作者使用了两个基准数据集：CIFAR-10和ImageNe
