亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

來自英偉達斯坦福給出了《去噪擴散模型》教程，值得關注！

基于分數的去噪擴散模型（擴散模型）已成功應用于各種應用，如文本到圖像生成、自然語言生成、音頻合成、運動生成和時間序列建模。擴散模型的進步速度令人驚訝。僅在2022年，擴散模型就已經應用于許多大規模文本到圖像的基礎模型，如DALL-E 2、Imagen、Stable Diffusion和eDiff-I。這些進展也推動了新的計算機視覺應用的發展，如解決逆問題、語義圖像編輯、少樣本文本反轉、提示到提示編輯，以及將2D模型轉換為3D生成。擴散模型已廣泛應用于各種計算機視覺應用，并正成為主導的生成模型類別。這一流行在CVPR 2022上的擴散模型教程中也得到體現，該教程在YouTube上累計近60,000次觀看，時間超過8個月。

盡管如此，自去年以來在擴散模型上有大量新的工作，我們認為很多對計算機視覺從業者至關重要。以下是一些值得注意的例子：Elucidated Diffusion Models（NeurIPS 2022最佳論文）提供了有關如何以最佳方式訓練擴散模型的原則。最近的微分方程求解器如DPM-Solver（NeurIPS 2022口頭報告）和DEIS在加速擴散模型的采樣方面取得了顯著進步。擴散反演技術如DreamFusion和Magic3d通過反轉圖像擴散模型實現文本到3D生成。文本反轉和DreamBooth使得從少樣本監督信號中進行文本到圖像擴散模型的“個性化”。還有眾多最近的工作將擴散模型應用于其他領域，如3D表示、視頻和運動。鑒于進步的速度，我們認為在CVPR 2023上舉辦一次關注更多最新發展的擴散模型教程是至關重要的。

這個教程的主要目標是使擴散模型更容易被更廣泛的計算機視覺受眾接受，并介紹擴散模型的最新發展。與之前的教程不同，我們將簡化對基礎知識的討論，并更加關注擴散模型的實際方法和應用。我們將介紹在擴散模型的訓練和采樣上的成功實踐，并討論擴散模型在計算機視覺領域啟用的新應用。這些討論也將重點關注2022年和2023年發布的最新研究進展。我們希望這第二次關于擴散模型的教程能吸引更多對這一主題感興趣的計算機視覺從業者，以在這個激動人心的領域取得更多進步。

來自東京大學、哥本哈根信息技術大學、Jina AI給出了《神經搜索實戰》教程，值得關注！

神經搜索，一種在深度嵌入空間中高效搜索相似項的技術，是處理大型多模態集合的最基本技術。隨著基礎模型和提示工程等強大技術的出現，高效的神經搜索變得越來越重要。例如，像CLIP這樣的多模態編碼器允許我們將各種問題轉化為簡單的嵌入和搜索。另一個例子是將信息輸入到LLM中的方式；目前，向量搜索引擎是一個有前途的方向。盡管有上述關注，但如何為給定數據設計搜索算法并不明顯。在這個教程中，我們將關注“百萬規模搜索”、“十億規模搜索”和“查詢語言”，以展示如何解決現實世界的搜索問題：

首先，我們概述基于圖的最近鄰搜索方法的理論和應用。基于圖的方法是當前內存（百萬規模）搜索的事實標準，但由于其具有許多啟發式方法的復雜結構，它們難以理解。我們將解釋其基本的數學概念，總結最近的改進，并為選擇算法提供實用的指南。 本教程的第二部分將涵蓋十億規模近似最近鄰搜索的當前方法和基準測試工作。它將擴展第一部分教程的討論到這個規模，并概述一般的搜索流程和不同方法（基于圖的/基于集群的/量化）的適用性。最后，它總結了有趣的研究方向。 最后，我們將對神經搜索的查詢語言進行概述，包括其語法、語義和應用。查詢語言是神經搜索的一個關鍵方面，它允許用戶以系統可以理解和執行的結構化和組成的方式表達他們的信息需求和約束。我們將討論如何將查詢語言與向量相似度搜索和BM25結合以提高信息檢索性能。我們還將覆蓋該領域的常見挑戰和最近的發展，并為設計和實現神經搜索系統的查詢語言提供指導。這個教程旨在面向對在他們的工作中使用神經搜索的查詢語言感興趣的研究者和實踐者。

本次演講將涵蓋大型語言模型中的三個概念——縮放、涌現和推理。縮放是增加 LLMs 模型容量的關鍵因素，最開始 GPT-3 將模型參數增至 1750 億，隨后 PaLM 進一步將模型參數增至 5400 億。大規模參數對于涌現能力至關重要。縮放不僅針對模型大小，還與數據大小和總計算量有關。大型語言模型中的突現能力是在小型模型中不存在，但在大型模型中存在的能力。涌現能力的存在意味著進一步的擴展可能會導致語言模型具有更多的新能力。推理是機器學習長期以來面臨的挑戰的關鍵，例如從少數示例或抽象指令中學習。大型語言模型僅通過思維鏈提示就顯示出了令人印象深刻的推理能力，這鼓勵模型在給出最終答案之前生成中間推理步驟。

縮放是一個簡單的想法，具有挑戰性，但可以預見地使模型更好。(“縮放法”)

由于規模的擴大，大型語言模型獲得了小型模型中不存在的新能力。(“涌現能力”)

巧妙的提示引出了語言模型中的多步驟推理，解鎖了更多的新任務。(“提示工程”)

Jason Wei是谷歌Brain的高級研究科學家。他的工作圍繞大型語言模型的三個方面:指令微調、思維鏈提示和突發能力。他之前在谷歌的AI實習項目中工作，在此之前他畢業于達特茅斯學院。//www.jasonwei.net/

不可錯過！多模態機器學習課程！

多模態機器學習(MMML)是一個充滿活力的多學科研究領域，通過整合和建模多種交流模式(包括語言、視覺和聲學)來解決人工智能的一些最初目標。這一研究領域給多模態研究人員帶來了一些獨特的挑戰，因為數據的異質性和模式之間的偶然性經常被發現。本課程是一門研究生水平的課程，涵蓋了多模態機器學習的最新研究論文，包括表示、對齊、推理、生成、協同學習和量化方面的技術挑戰。本課程的主要目標是提高批判性思維能力，了解最新的技術成就，并了解未來的研究方向。

**本課程將介紹機器學習和深度學習中與多模態機器學習中的五個主要挑戰相關的基本數學概念:(1)多模態表示學習，(2)平移與映射，(3)模態對齊，(4)多模態融合和(5)協同學習。**這些包括但不限于，多模態自動編碼器，深度典型相關分析，多核學習，注意力模型和多模態遞歸神經網絡。本課程還將討論MMML的許多最新應用，包括多模式的情感識別、圖像和視頻字幕以及跨模式的多媒體檢索。

//cmu-multicomp-lab.github.io/adv-mmml-course/spring2023/schedule/

課程目錄:

附綜述論文與課件：

不可錯過！多模態機器學習課程！

多模態機器學習(MMML)是一個充滿活力的多學科研究領域，通過整合和建模多種交流模式(包括語言、視覺和聲學)來解決人工智能的一些最初目標。這一研究領域給多模態研究人員帶來了一些獨特的挑戰，因為數據的異質性和模式之間的偶然性經常被發現。本課程是一門研究生水平的課程，涵蓋了多模態機器學習的最新研究論文，包括表示、對齊、推理、生成、協同學習和量化方面的技術挑戰。本課程的主要目標是提高批判性思維能力，了解最新的技術成就，并了解未來的研究方向。

本課程將介紹機器學習和深度學習中與多模態機器學習中的五個主要挑戰相關的基本數學概念:(1)多模態表示學習，(2)平移與映射，(3)模態對齊，(4)多模態融合和(5)協同學習。這些包括但不限于，多模態自動編碼器，深度典型相關分析，多核學習，注意力模型和多模態遞歸神經網絡。本課程還將討論MMML的許多最新應用，包括多模式的情感識別、圖像和視頻字幕以及跨模式的多媒體檢索。

//cmu-multicomp-lab.github.io/adv-mmml-course/spring2022/schedule/

Leiden大學Aske Plaat教授《深度強化學習》2022新書，值得關注！

深度強化學習近年來備受關注。在自動駕駛、游戲、分子重組和機器人等各種活動中，他們都取得了令人印象深刻的成果。在所有這些領域，計算機程序已經學會了解決困難的問題。他們學會了飛行模型直升機和表演特技動作，如回旋和翻滾。在某些應用中，他們甚至比最優秀的人類還要優秀，比如Atari、Go、撲克和星際爭霸。深度強化學習探索復雜環境的方式提醒我們，孩子們是如何學習的，通過開玩笑地嘗試東西，獲得反饋，然后再嘗試。計算機似乎真的擁有人類學習的各個方面; 這是人工智能夢想的核心。教育工作者并沒有忽視研究方面的成功，大學已經開始開設這方面的課程。這本書的目的是提供深度強化學習領域的全面概述。這本書是為人工智能的研究生寫的，并為希望更好地理解深度強化學習方法和他們的挑戰的研究人員和實踐者。我們假設學生具備本科水平的計算機科學和人工智能知識;本書的編程語言是Python。我們描述了深度強化學習的基礎、算法和應用。我們將介紹已建立的無模型和基于模型的方法，它們構成了該領域的基礎。發展很快，我們還涵蓋了一些高級主題: 深度多智能體強化學習、深度層次強化學習和深度元學習。

//deep-reinforcement-learning.net/

這本書的目的是呈現在一個單一的深度強化學習的最新見解，適合教學一個研究生水平一個學期的課程。除了涵蓋最先進的算法，我們涵蓋經典強化學習和深度學習的必要背景。我們還涵蓋了自我游戲、多主體、層次和元學習方面的先進的、前瞻性的發展。

深度強化學習建立在深度監督學習和表格強化學習的基礎上

在這些章節中有很多材料，既有基礎的，也有先進的，有很多文獻。一種選擇是講授一門關于書中所有主題的課程。另一種選擇是慢一些、深入一些，在基礎知識上花足夠的時間，創建關于Chaps. 2-5的課程，以涵蓋基本主題(基于值、基于策略和基于模型的學習)，并創建關于Chaps. 6-9的單獨課程，以涵蓋多智能體、分層和元學習等更高級的主題。

在這一介紹性的章節之后，我們將繼續學習第二章，在第二章中，我們將詳細討論表格(非深度)強化學習的基本概念。我們從馬爾可夫決策過程開始，并詳細討論它們。第三章解釋了基于深度價值的強化學習。本章涵蓋了為尋找最優策略而設計的第一個深度算法。我們仍將在基于價值、無模型的范式中工作。在本章的最后，我們將分析一個自學如何玩上世紀80年代Atari電子游戲的玩家。下一章，第四章，討論了一種不同的方法:基于深度策略的強化學習。下一章，第5章，介紹了基于深度模型的強化學習與學習模型，該方法首先建立環境的過渡模型，然后再建立策略。基于模型的強化學習有希望獲得更高的樣本效率，從而加快學習速度。

如果你想從程序員轉型為AI專家，這是一個理想的起點。基于Laurence Moroney極其成功的AI課程，這本介紹性的書提供了一個動手實踐，代碼優先的方法，幫助您建立信心，而您學習關鍵主題。

您將了解如何實現機器學習中最常見的場景，如計算機視覺、自然語言處理(NLP)，以及web、移動、云和嵌入式運行時的序列建模。大多數關于機器學習的書籍都是從令人生畏的高等數學開始的。本指南建立在讓您直接使用代碼的實踐經驗的基礎上。

你將學習: 如何使用TensorFlow建立模型 通過代碼示例學習機器學習的基礎知識 如何實現計算機視覺，包括圖像中的特征檢測 如何使用自然語言處理來標記和排列單詞和句子 在Android和iOS中嵌入模型的方法 如何使用TensorFlow服務在網絡和云上部署模型

//www.oreilly.com/library/view/ai-and-machine/9781492078180/

歡迎來到《程序員的人工智能和機器學習》，這是我多年來一直想寫的書，但由于機器學習(ML)的最新進展，特別是TensorFlow，它才真正成為可能。本書的目標是為你做準備，作為一個程序員，許多場景，你可以解決機器學習，目的是促使你成為一個ML和AI開發人員，而不需要博士學位!我希望你會發現它是有用的，它將增強你的信心，開始這一美妙和有價值的旅程。

這本書主要由兩部分組成。第一部分(1-11章)討論了如何使用TensorFlow為各種場景構建機器學習模型。它帶你從最初的原理——用一個只包含一個神經元的神經網絡建立一個模型——到計算機視覺、自然語言處理和序列建模。第二部分(12-20章)將介紹如何將模型放在Android和iOS上，在瀏覽器中使用JavaScript，并通過云提供服務。大多數章節都是獨立的，所以你可以順便學習一些新的東西，或者，當然，你可以從頭到尾讀一遍。

目錄內容： Foreword

Preface I. Building Models

1. Introduction to TensorFlow

2. Introduction to Computer Vision

3. Going Beyond the Basics: Detecting Features in Images

4. Using Public Datasets with TensorFlow Datasets

5. Introduction to Natural Language Processing

6. Making Sentiment Programmable Using Embeddings

7. Recurrent Neural Networks for Natural Language Processing

8. Using TensorFlow to Create Text

9. Understanding Sequence and Time Series Data

10. Creating ML Models to Predict Sequences

11. Using Convolutional and Recurrent Methods for Sequence Models

II. Using Models

12. An Introduction to TensorFlow Lite

13. Using TensorFlow Lite in Android Apps

14. Using TensorFlow Lite in iOS Apps

15. An Introduction to TensorFlow.js

16. Coding Techniques for Computer Vision in TensorFlow.js

17. Reusing and Converting Python Models to JavaScript

18. Transfer Learning in JavaScript

19. Deployment with TensorFlow Serving

20. AI Ethics, Fairness, and Privacy

Index

學習如何使用數據并行加速c++程序。

C++中的數據并行性允許訪問現代異構系統中的并行資源，使您不必被鎖定在任何特定的計算設備中。現在，一個單獨的c++應用程序可以使用任何設備的組合——包括gpu、cpu、fpga和AI asic——來解決手邊的問題。

這本開放訪問的書使c++程序員能夠站在這個激動人心和重要的新開發的前沿，幫助推動計算到新的水平。它充滿了實用的建議，詳細的解釋和代碼示例來說明關鍵的主題。

這本書教導使用c++和來自Khronos小組的SYCL標準進行數據并行編程，并介紹了使用SYCL編寫異構系統所需的所有內容。這本書從介紹數據并行性和有效使用SYCL和數據并行c++ (DPC++)的基本主題開始，DPC++是本書中使用的開源編譯器。后面的章節涵蓋了高級主題，包括錯誤處理、硬件特定編程、通信和同步，以及內存模型的注意事項。

你將學習:

• 如何使用數據并行編程加速c++程序
• 如何針對多種設備類型(如CPU、GPU、FPGA)
• 如何使用SYCL和SYCL編譯器
• 如何通過英特爾的oneAPI倡議連接到計算的異質未來

//link.springer.com/book/10.1007/978-1-4842-5574-2#about

《微前端實戰》教你如何將微前端沿理論付諸實踐。Frontend專家Michael Geers將向您介紹一個完整的電子商務示例應用程序，該應用程序演示了大型業務應用程序如何采用微前端方法。您將了解集成web應用程序組成的小片段使用工具,如web組件或服務器端包括如何解決組織微前端的挑戰,以及如何創建一個設計系統,確保最終用戶為應用程序得到一個一致的外觀和感覺。當您完成時，您將能夠更好地分配您的團隊的技能和資源，以快速和靈活地交付高質量的軟件。

里面有什么

• 使用iframe、AJAX、服務器端包含、web組件和應用程序-shell方法應用集成策略
• 優化性能和資產交付策略
• 設計一致的用戶界面
• 遷移到一個微frontend架構

課程名稱： Deep Learning

課程簡介：

深度機器學習的最新發展使視覺識別、語音和文本理解或自主智能體系統取得了前所未有的巨大進步。在此背景下，本課程將深入探討深度學習架構的細節，重點是學習這些任務的端到端模型。學生將學習實施、訓練和調試自己的神經網絡，并對該領域的前沿研究有詳細的了解。該課程還將介紹推理方法的最新創新，包括微分推理、對抗性訓練和貝葉斯深度學習。

課程大綱：

• 機器學習基礎
• 神經網絡
• 卷積神經網絡
• 訓練神經網絡
• 遞歸神經網路
• 自動編碼器和生成模型
• 生成式對抗網絡
• 不確定性
• 對抗性攻擊與防御

講師介紹：

Gilles Louppe是比利時列日大學人工智能和深度學習的副教授。他曾是紐約大學物理系和數據科學中心的博士后助理，與歐洲核子研究中心的阿特拉斯實驗關系密切。他的研究處于機器學習、人工智能和物理科學的交叉點上，他目前的研究興趣包括使用和設計新的機器學習算法，以新的和變革性的方式處理來自基礎科學的數據驅動的問題。個人官網：

下載索引：鏈接：