新闻中心 
-
01-23PEFT参数优化技术：提高微调效率的探索PEFT（ParameterEfficientFine-tuning）是一种优化深度学习模型微调过程的参数高效技术，旨在在有限的计算资源下实现高效微调。研究人员...
-
01-23使用深度学习的图像转换模型：CycleGANCycleGAN是一种基于深度学习的图像转换模型。它通过学习两个领域之间的映射关系，能够将一种类型的图像转换成另一种类型的图像。例如，它可以将马的图像转换成斑马...
-
01-23自适应训练ML模型的方法自适应方法是指在机器学习模型中使用动态调整技术，以实现模型的自我适应和改进。这些方法允许模型根据实时数据和环境变化进行调整，从而提高性能并适应新的情况。常见的自...
-
01-23适应大型低秩模型大模型的低秩适应是一种降低复杂性的方法，通过用低维结构近似大型模型的高维结构。其目的是创建一个更小、更易于管理的模型表示，仍能保持良好的性能。在许多任务中，大型...
-
01-23介绍交叉验证的概念以及常见的交叉验证方法交叉验证是一种常用的机器学习模型性能评估方法。它将数据集划分为多个互不重叠的子集，其中一部分作为训练集，其余部分作为测试集。通过多次模型训练和测试，得到模型的平...
-
01-23语言模型解耦的方法及介绍语言模型是自然语言处理的基础任务之一，其主要目标是学习语言的概率分布。通过给定前文，预测下一个单词的概率。为了实现这种模型，常常使用神经网络，如循环神经网络（R...
