目前今年的环境是这样的，学校学习的东西和实际工作有所出入是正常的，先试试比较流行的大模型和AI比较好的赛道各种初创公司比较多，目前很多外企也开放有很多外包的岗位，可以多尝试一下，有机会转正，今年的优先级一定是苟住，然后多储备自己的能力，多尝试吧

首先业务层面的AI方向，优先学习python，入门快，框架多，tensorflow和pytorch等可以快速完成模型的学习和训练等任务 易学性：Python语法简洁明了，对于初学者来说非常友好，可以让你更快地入门编程。 社区支持：Python拥有庞大的开发者社区和丰富的资源，包括大量的教程、文档和开源项目。 库和框架：Python在AI领域有着无可比拟的优势，有许多强大的库和框架支持，如TensorFlow、PyTorch、Keras等，这些工具大大简化了机器学习和深度学习模型的构建过程。 应用广泛：Python不仅用于AI，还广泛应用于Web开发、数据科学、自动化脚本等多个领域，这使得Python成为一门非常实用的语言 但是对于真实的工业场景下，比如检测任务，以及工业故障等，c++基本已经是唯一的方案，优先需要考虑到效率和性能上的表现 同时对于科技企业来说，尤其是大厂,比如英伟达等企业，需要更多底层优化的建设，各有优缺点 性能：C语言执行效率高，适合对性能有极高要求的应用场景。如果你需要处理大量数据或实时计算，C可能是一个更好的选择。 底层控制：C语言提供了更直接的内存管理和硬件交互能力，这对于某些特定的AI应用（比如嵌入式系统中的AI）非常重要。 学习曲线：与Python相比，C的学习曲线更为陡峭，需要更多的时间来掌握其语法和最佳实践。 库支持：虽然也有不少优秀的AI库支持C/C++（例如Dlib、OpenCV等），但相较于Python，它们的数量太少了

如果仅仅为对AI的文本做提取，可以推荐使用千问2VL模型，提取对应的文本信息 如果需要识别图片的内容，并且对内容进行理解和创造的话，结合现有本地大模型和stable diffusion框架可以实现， 如果是具体的目标检测等可以用Yolo等图像检测模型，训练识别具体的物品 在用户描述的场景下在拐杖上集成摄像头，可以定期自动描述前面的环境，为一个多模态的模型，建议混合使用多个大模型 这种应用需要模型具备强大的实时图像识别和场景理解能力，同时还要能够生成易于理解的文本描述。以下是一些建议的模型，它们在图像识别和自然语言生成方面表现良好： 1. MiniGPT-4 - 优点：MiniGPT-4 是一个强大的多模态模型，能够理解复杂的图像内容并生成详细的文字描述。它结合了先进的视觉编码器和强大的语言模型，非常适合用于图像识别和场景描述。 - 适用性：适合需要高度准确性和详细描述的应用场景，如帮助盲人感知周围环境。 - 资源消耗：相对较高，但考虑到其强大的功能，如果硬件条件允许，这是一个非常好的选择。 2. BLIP (Bootstrap Language-Image Pre-training) - 优点：BLIP 是一个由 Salesforce Research 开发的多模态预训练模型，它在图像描述生成任务上表现优秀。BLIP 可以生成自然、流畅的文本描述，适用于各种场景。 - 适用性：适合需要高质量图像描述的应用，尤其是在资源有限的情况下。 - 资源消耗：相比 MiniGPT-4 较低，但仍需要一定的计算资源。 3. ViLT (Vision-and-Language Transformer) - 优点：ViLT 是一个轻量级的多模态 Transformer 模型，能够在图像描述生成任务上取得良好的效果。它通过共享相同的 Transformer 架构来处理视觉和语言信息，具有较高的效率。 - 适用性：适合需要平衡性能和资源消耗的应用场景。 - 资源消耗：较低，适合嵌入式设备。 4. CLIP (Contrastive Language–Image Pre-training) - 优点：CLIP 是由 OpenAI 开发的一个多模态模型，它在图像分类、检索和生成描述方面表现出色。CLIP 可以通过对比学习方法来学习图像和文本之间的关系。 - 适用性：适合需要快速、准确的图像识别和描述的应用。 - 资源消耗：适中，可以在中等性能的设备上运行。 5. Google's VATT (Video and Text Transformer) - 优点：VATT 是一个多模态 Transformer 模型，可以处理视频和图像数据，生成高质量的文本描述。虽然主要用于视频，但在图像描述生成方面也有很好的表现。 - 适用性：适合需要处理动态环境的应用，如视频流中的场景描述。 - 资源消耗：较高，但功能强大。 实际应用建议 - 硬件选择：考虑到您提到的应用场景，建议选择计算能力较强的嵌入式设备，如 NVIDIA Jetson 系列，以支持上述模型的实时运行。 - 模型部署：可以选择在云端进行推理，通过无线通信将图像上传到云端，然后将生成的描述返回到拐杖上的设备。这种方式可以减轻本地设备的计算负担，提高响应速度。 - 用户界面：确保生成的描述简洁明了，可以通过语音合成技术将文本转换为语音，方便盲人用户理解。 希望这些建议对您有所帮助！如果您有更多具体的需求或问题，欢迎继续讨论。

import torch from torch.autograd import Variable # torch 中 Variable 模块 tensor=torch.FloatTensor([[1,2],[3,4]]) print(tensor) "https://wmprod.oss-cn-shanghai.aliyuncs.com/community/1724998439442_dwaO.png" (https://wmprod.oss-cn-shanghai.aliyuncs.com/community/1724998439442_dwaO.png)

题目描述 colab用python训练模型报错？ ValueError: /content/driver/MyDrive/data/enwik9 cannot be opened for training! 题目来源及自己的思路 enwik9文件我保存在谷歌云盘的data文件夹下。为什么无法打开此文件用于训练呢？难道是代码里写的路径错误。那应该是怎么写呢？麻烦各位大佬看看是colab配置问题还是代码问题还是路径问题？ 相关代码 代码如下： from google.colab import drive drive.mount('/content/drive') !pip install fasttext import fasttext model = fasttext.train_unsupervised('/content/driver/MyDrive/data/enwik9') colab分享链接如下： https://colab.research.google...

求指教： 这里是github上中文NER源码(BIO标签)，想要改成BME标签（可以不用S），这段代码该怎么改呐？ 输出PER对应的字符 def get_PER_entity(tag_seq, char_seq): length = len(char_seq) PER = [] #构成一个zip对象,形状类似[( 1, ),( 1, ),( 2, ),( 2, )] #zip函数可以接受一系列的可迭代对象作为参数，将对象中对应的元素打包成一个个tuple(元组)， #在zip函数的括号里面加上*号，则是zip函数的逆操作 for i, (char, tag) in enumerate(zip(char_seq, tag_seq)): #tag里包含了O,B-PER,I-PER,B-LOCI-PER,B-ORG,I-PER if tag == 'B-PER': if 'per' in locals().keys(): PER.append('per') del per per = char if i+1 == length: PER.append(per) if tag == 'I-PER': per += char if i+1 == length: PER.append(per) if tag not in ['I-PER', 'B-PER']: if 'per' in locals().keys(): PER.append(per) del per continue return PER

现在很多时候要用到开放平台的API或SDK接入各种AI能力，但很多时候不好找，有时候某平台上有适合的SDK，却只支持一种语言，有些调用后效果又不太理想。每次都挺麻烦的，不少时间都花在这上面，各位大神有什么办法能提高效率呢

"https://wmprod.oss-cn-shanghai.aliyuncs.com/community/1724997528396_ujw6.png" (https://wmprod.oss-cn-shanghai.aliyuncs.com/community/1724997528396_ujw6.png)

使用gensim库时，已经训练有tfidfmodel和ldamodel模型，怎样在已经训练好模型基础上进行增量训练

"https://wmprod.oss-cn-shanghai.aliyuncs.com/community/1724997310674_EkAf.png" (https://wmprod.oss-cn-shanghai.aliyuncs.com/community/1724997310674_EkAf.png) "https://wmprod.oss-cn-shanghai.aliyuncs.com/community/1724997326670_icv0.png" (https://wmprod.oss-cn-shanghai.aliyuncs.com/community/1724997326670_icv0.png)

知识图谱构建技术推荐：实体对齐，知识推理等

python怎样批量读取CAD文件右下角的文字信息，如图号，工程名之类？或者其他语言支持吗？

这两天看到不少人使用 ai 的回复作为本站的回复。 这些回答无一例外都被打了负分，想问问打负分的各位 是觉得经过用户上传的 chatGPT 回复不符合哪一条了？ "https://wmprod.oss-cn-shanghai.aliyuncs.com/community/1724996899695_aPBW.png" (https://wmprod.oss-cn-shanghai.aliyuncs.com/community/1724996899695_aPBW.png) 还是说，就是接受不了 AI 作答呢？我寻思着这些个回答也没有回答错误、狗屁不通，或者说不尊重任何人了吧。 这些个行为和科幻作品里面抵制 cyborg 的人类沙文主义、原教旨主义者不是一样一样的？ 那你回家不得先把扫地机器人扔了？

我现在需要做上传视频进行多模态情感识别的系统。我已经使用MELD开源库的代码训练出了模型，它可以正常测试MELD里的.p数据。 但是我不知道怎么将原始视频转换为类似于MELD里.p文件的数据以输入模型

有没有强化学习落地案例分析和实现方法详细介绍

送你的18美金，你好好使用了吗？

活在 ChatGPT 们阴影里的 Stack Overflow：流量萎缩、裁员 10%，CEO 坦言公司正处于困难时期 期待你的高见

各位答主我在这里向您问好 我现在手头有个任务，根据n多个包含不同级别汉字的数据集，去统计输入的去重后的大篇幅文本中有哪些属于对应级别数据集，而且返回给前端完整的文章，文章中标记错误的标点符合、字词、语病、逻辑错误。 我起初尝试训练gpt来做到这件事但是似乎不太行，有什么合适的模型可以做到这件事吗？我在这里先行拜谢了

我看到关于 HuggingChat 的介绍，所示开源的：https://zhuanlan.zhihu.com/p/625198141 "https://wmprod.oss-cn-shanghai.aliyuncs.com/community/1724996122005_tyhK.png" (https://wmprod.oss-cn-shanghai.aliyuncs.com/community/1724996122005_tyhK.png) 我可以从哪里找到可以直接部署的代码呢？

用自然语言让AI打leetcode周赛 大家都有什么看法？是码农的福音还是丧钟？

目前有100w条各种评论信息，如何从这堆信息中提取出高频词汇 目前使用百度、阿里等NLP分词效果不太理想，大部分分出来都是2个单词，市面上有没有那种长词汇分词的工具，或者如何实现4个或者5个词分词效果

如何把超过 chatgpt 最大 token 长度的内容分段告诉 chatgpt，并能让 chatgpt 知道我要提供的内容已经发送完毕

请问你们都是用什么 AI 工具来辅助编程，有没有高手推荐一个好用的 用了一些 bito，CodeGeex等

最近公司领导提了个需求：因为公司规章制度繁多，希望有一个智能对话机器人，能解答员工的各种疑问。 举个例子：比如有销售人员不知道报销流程怎么走，只需要跟机器人对话，例如员工输入：报销流程 智能机器人就能回答关于报销流程的规章制度。 这样的需求该怎么实现呢？有没有好的方案？

有哪些快速的渠道或者方式可以搭建起来一个知识库。