女人自慰AV免费观看内涵网,日韩国产剧情在线观看网址,神马电影网特片网,最新一级电影欧美,在线观看亚洲欧美日韩,黄色视频在线播放免费观看,ABO涨奶期羡澄,第一导航fulione,美女主播操b

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

如何在BERT中引入知識(shí)圖譜中信息

深度學(xué)習(xí)自然語(yǔ)言處理 ? 來(lái)源:深度學(xué)習(xí)自然語(yǔ)言處理 ? 作者:深度學(xué)習(xí)自然語(yǔ)言 ? 2020-11-03 17:52 ? 次閱讀

引言

隨著B(niǎo)ERT等預(yù)訓(xùn)練模型橫空出世,NLP方向迎來(lái)了一波革命,預(yù)訓(xùn)練模型在各類任務(wù)上均取得了驚人的成績(jī)。隨著各類預(yù)訓(xùn)練任務(wù)層出不窮,也有部分研究者考慮如何在BERT這一類模型中引入或者強(qiáng)化知識(shí)圖譜中包含的信息,進(jìn)而增強(qiáng)BERT對(duì)背景知識(shí)或常識(shí)信息的編碼能力。本文主要關(guān)注于如何在BERT中引入知識(shí)圖譜中信息,并survey了目前已公布的若干種方法,歡迎大家批評(píng)和交流。

ERNIE: Enhanced Language Representation with Informative Entities

論文鏈接:https://www.aclweb.org/anthology/P19-1139.pdf

這篇論文來(lái)自于清華劉知遠(yuǎn)老師和華為劉群老師,已被ACL2019所錄取,是較早的考慮將知識(shí)引入預(yù)訓(xùn)練模型的論文。

該論文主要利用了從知識(shí)庫(kù)中提出的高信息量的實(shí)體信息,通過(guò)特殊的語(yǔ)義融合模塊,來(lái)增強(qiáng)文本中對(duì)應(yīng)的表示。首先本文通過(guò)實(shí)體鏈接算法,將Wikipedia文本中包含的實(shí)體與Wikidata中的實(shí)體庫(kù)構(gòu)建關(guān)聯(lián),然后采用TransE算法,對(duì)Wikidata中的實(shí)體embedding進(jìn)行預(yù)訓(xùn)練,進(jìn)而得到其初始的表示;之后本文采用一個(gè)特殊的信息融合結(jié)構(gòu),其模型框架如下圖所示:

從圖中可以看出,ERNIE的框架分為以下兩部分,T-Encoder和K-Encoder,以上兩部分均使用BERT的Transformer框架,并利用其中的參數(shù)進(jìn)行初始化。其中Wikipedia中的每一句話首先被輸入給T-Encoder,其通過(guò)Transformer的多頭注意力機(jī)制對(duì)文本中的信息進(jìn)行編碼;之后輸出的表示與其內(nèi)部包含的實(shí)體被一起輸入給了K-Encoder,其內(nèi)部包含兩個(gè)多頭注意力層以分別對(duì)文本信息和實(shí)體信息進(jìn)行編碼;編碼后實(shí)體信息會(huì)得到兩種表示——詞級(jí)別和實(shí)體級(jí)別的表示,ERNIE通過(guò)將兩種信息concat之后輸入給DNN層,進(jìn)而融合得到知識(shí)增強(qiáng)的表示;為進(jìn)一步促進(jìn)該部分融合,ERNIE采用一個(gè)denoising entity auto-encoder (dEA)來(lái)對(duì)該部分進(jìn)行監(jiān)督,其采用類似于BERT中的Mask機(jī)制,基于一定的概率對(duì)其中的實(shí)體進(jìn)行mask或替換,然后還原該部分實(shí)體信息。

在采用以上過(guò)程預(yù)訓(xùn)練后,本文將ERNIE在多個(gè)NLP任務(wù)上進(jìn)行微調(diào),并在多個(gè)數(shù)據(jù)集上獲得了State-of-the-art的結(jié)果。

K-BERT: Enabling Language Representation with Knowledge Graph

論文鏈接:https://arxiv.org/pdf/1909.07606v1.pdf

這篇論文來(lái)自于北大和騰訊,已被AAAI2020所錄取,是較早的考慮將知識(shí)圖譜中的邊關(guān)系引入預(yù)訓(xùn)練模型的論文。

該論文主要通過(guò)修改Transformer中的attention機(jī)制,通過(guò)特殊的mask方法將知識(shí)圖譜中的相關(guān)邊考慮到編碼過(guò)程中,進(jìn)而增強(qiáng)預(yù)訓(xùn)練模型的效果。首先本文利用CN-DBpedia、HowNet和MedicalKG作為領(lǐng)域內(nèi)知識(shí)圖譜,對(duì)每一個(gè)句子中包含的實(shí)體抽取其相關(guān)的三元組,這里的三元組被看作是一個(gè)短句(首實(shí)體,關(guān)系,尾實(shí)體),與原始的句子合并一起輸入給Transformer模型;針對(duì)該方法,本文采用基于可見(jiàn)矩陣的mask機(jī)制,如下圖所示:

從圖中可以看出,輸入的句子增加了許多三元組構(gòu)成的短句,在每次編碼時(shí)針對(duì)每一個(gè)詞,模型通過(guò)可視矩陣(0-1變量)來(lái)控制該詞的視野,使其計(jì)算得到的attention分布不會(huì)涵蓋與其無(wú)關(guān)的詞,進(jìn)而模擬一個(gè)句子樹(shù)的場(chǎng)景;由于該策略僅僅改動(dòng)了mask策略,故其可以支持BERT,RoBERTa等一系列模型;該方法最終在8個(gè)開(kāi)放域任務(wù)和4個(gè)特定領(lǐng)域任務(wù)下取得了一定的提升。

KEPLER: A Unified Model for Knowledge Embedding and Pre-trained Language Representation

論文鏈接:https://arxiv.org/pdf/1911.06136.pdf

這篇論文來(lái)源于清華和Mila實(shí)驗(yàn)室,其主要關(guān)注于如何使用BERT增強(qiáng)知識(shí)圖譜embedding,并幫助增強(qiáng)對(duì)應(yīng)的表示。

該論文主要通過(guò)添加類似于TransE的預(yù)訓(xùn)練機(jī)制來(lái)增強(qiáng)對(duì)應(yīng)文本的表示,進(jìn)而增強(qiáng)預(yù)訓(xùn)練模型在一些知識(shí)圖譜有關(guān)任務(wù)的效果。首先本文基于Wikipedia和Wikidata數(shù)據(jù)集,將每個(gè)entity與對(duì)應(yīng)的維基百科描述相鏈接,則每個(gè)entity均獲得其對(duì)應(yīng)的文本描述信息;之后對(duì)于每一個(gè)三元組——<頭實(shí)體,關(guān)系,尾實(shí)體>,本文采用基于BERT對(duì)encoder利用entity的描述信息,對(duì)每個(gè)實(shí)體進(jìn)行編碼,如下圖所示:

從圖中可以看出,在通過(guò)encoder得到頭實(shí)體和尾實(shí)體對(duì)應(yīng)的表示之后,本文采用類似于TransE的訓(xùn)練方法,即基于頭實(shí)體和關(guān)系預(yù)測(cè)尾實(shí)體;此外本文還采用BERT經(jīng)典的MLM損失函數(shù),并使用RoBERTa的原始參數(shù)進(jìn)行初始化;最終本文提出的方法在知識(shí)圖譜補(bǔ)全和若干NLP任務(wù)上均帶來(lái)了增益。

CoLAKE: Contextualized Language and Knowledge Embedding

論文鏈接:https://arxiv.org/pdf/2010.00309.pdf

這篇論文來(lái)源于復(fù)旦和亞馬遜,其主要關(guān)注于如何使用知識(shí)圖譜以增強(qiáng)預(yù)訓(xùn)練模型的效果。

本文首先將上下文看作全連接圖,并根據(jù)句子中的實(shí)體在KG上抽取子圖,通過(guò)兩個(gè)圖中共現(xiàn)的實(shí)體將全連接圖和KG子圖融合起來(lái);然后本文將該圖轉(zhuǎn)化為序列,使用Transformer進(jìn)行預(yù)訓(xùn)練,并在訓(xùn)練時(shí)采用特殊的type embedding來(lái)表示實(shí)體、詞語(yǔ)與其他子圖信息,如下圖所示:

最終本文將文本上下文和知識(shí)上下文一起用MLM進(jìn)行預(yù)訓(xùn)練,將mask的范圍推廣到word、entity和relation;為訓(xùn)練該模型,本文采用cpu-gpu混合訓(xùn)練策略結(jié)合負(fù)采樣機(jī)制減少訓(xùn)練時(shí)間;最終本文提出的方法在知識(shí)圖譜補(bǔ)全和若干NLP任務(wù)上均帶來(lái)了增益。

Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning

論文鏈接:https://arxiv.org/pdf/2004.14224.pdf

這篇論文來(lái)源于悉尼科技大學(xué)和微軟,其主要關(guān)注于如何使用知識(shí)圖譜增強(qiáng)預(yù)訓(xùn)練模型。

本文思路比較簡(jiǎn)潔,其提出了一個(gè)基于entity的mask機(jī)制,結(jié)合一定的負(fù)采樣機(jī)制來(lái)增強(qiáng)模型。首先對(duì)于輸入的每一句話,本文首先進(jìn)行實(shí)體鏈接工作,得到其中的entity,并從知識(shí)圖譜conceptnet和freebase中召回其鄰接的三元組;本文利用一個(gè)特殊的權(quán)重,防止在mask時(shí)關(guān)注于句子中過(guò)于簡(jiǎn)單和過(guò)于難的entity,這樣模型在entity-level MLM訓(xùn)練時(shí)就關(guān)注于較為適合學(xué)習(xí)的信息;此外本文還引入了基于知識(shí)圖譜的負(fù)采樣機(jī)制,其利用relation來(lái)選擇高質(zhì)量的負(fù)例,以進(jìn)一步幫助訓(xùn)練;最終本文提出的方法在知識(shí)圖譜補(bǔ)全和若干NLP任務(wù)上均帶來(lái)了增益。

K-ADAPTER: Infusing Knowledge into Pre-Trained Models with Adapters

論文鏈接:https://arxiv.org/pdf/2002.01808v3.pdf

這篇論文來(lái)源于復(fù)旦和微軟,其考慮自適應(yīng)的讓BERT與知識(shí)相融合。

這篇論文考慮如何通過(guò)不同的特殊下游任務(wù)來(lái)幫助向預(yù)訓(xùn)練模型融入任務(wù)相關(guān)的知識(shí)。首先本文針對(duì)不同的預(yù)訓(xùn)練任務(wù),定義了對(duì)應(yīng)的adapter;在針對(duì)具體的下游任務(wù)進(jìn)行fine-tune時(shí),可以采用不同的adapter來(lái)針對(duì)性的加入特征,進(jìn)而增強(qiáng)其效果;如下圖所示:

基于該思想,本文提出了兩種特殊的adapter,分別利用factor knowledge和linguistic knowledge;針對(duì)這兩個(gè)adapter,本文提出了針對(duì)entity之間的關(guān)系分類任務(wù)和基于依存關(guān)系的分類任務(wù);再fine-tune階段,兩個(gè)adapter得到的特征可以與BERT或RoBERTa得到的特征一起拼接來(lái)進(jìn)行預(yù)測(cè),該策略在三個(gè)知識(shí)驅(qū)動(dòng)數(shù)據(jù)集上均取得了較大增益。

Integrating Graph Contextualized Knowledge into Pre-trained Language Models

論文鏈接:https://arxiv.org/pdf/1912.00147.pdf

這篇論文來(lái)自于華為和中科大,其主要關(guān)注于如何將上下文有關(guān)的知識(shí)信息加入到預(yù)訓(xùn)練模型里。

這篇論文的思想類似于graph-BERT和K-BERT,其針對(duì)給出文本首先檢索返回相關(guān)的entity三元組,再在知識(shí)圖譜上搜集其相鄰的節(jié)點(diǎn)以構(gòu)成子圖;然后將該子圖轉(zhuǎn)換成序列的形式,輸入給傳統(tǒng)的Transformer模型(類似graph-BERT),通過(guò)特殊的mask來(lái)約束注意力在相鄰節(jié)點(diǎn)上(K-BERT);最后用類似于ERNIE的策略將子圖中的信息加入到Transformer中;最終該模型在下游的幾個(gè)醫(yī)療相關(guān)數(shù)據(jù)集上取得了增益。

JAKET: Joint Pre-training of Knowledge Graph and Language Understanding

論文鏈接:https://arxiv.org/pdf/2010.00796.pdf

這篇論文來(lái)自于CMU和微軟,其主要關(guān)注于如何同時(shí)對(duì)知識(shí)圖譜和語(yǔ)言模型一起預(yù)訓(xùn)練。

本文使用RoBERTa作為語(yǔ)言模型對(duì)文本進(jìn)行編碼,增加了relation信息的graph attention模型來(lái)對(duì)知識(shí)圖譜進(jìn)行編碼;由于文本和知識(shí)圖譜的交集在于其中共有的若干entity,本文采用一種交替訓(xùn)練的方式來(lái)幫助融合兩部分的知識(shí),如下圖所示:

可以看出,語(yǔ)言模型得到的信息會(huì)首先對(duì)輸入文本以及entity/relation的描述信息進(jìn)行編碼,以得到對(duì)應(yīng)的表示;之后語(yǔ)言模型得到的entity embedding會(huì)被送給R-GAT模型以聚合鄰居節(jié)點(diǎn)的信息,以得到更強(qiáng)的entity表示;然后該部分信息會(huì)被輸入給語(yǔ)言模型繼續(xù)融合并編碼,以得到強(qiáng)化的文本表示信息;為了訓(xùn)練該模型,本文還采用embedding memory機(jī)制來(lái)控制訓(xùn)練時(shí)梯度的更新頻率和優(yōu)化目標(biāo)的權(quán)重,并提出四種特殊的損失函數(shù)來(lái)進(jìn)行預(yù)訓(xùn)練;最終本文提出的模型在多個(gè)知識(shí)驅(qū)動(dòng)的下游任務(wù)均取得較好效果。

責(zé)任編輯:xj

原文標(biāo)題:BERT meet Knowledge Graph:預(yù)訓(xùn)練模型與知識(shí)圖譜相結(jié)合的研究進(jìn)展

文章出處:【微信公眾號(hào):深度學(xué)習(xí)自然語(yǔ)言處理】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 深度學(xué)習(xí)
    +關(guān)注

    關(guān)注

    73

    文章

    5554

    瀏覽量

    122443
  • 知識(shí)圖譜
    +關(guān)注

    關(guān)注

    2

    文章

    132

    瀏覽量

    7917
  • 訓(xùn)練模型
    +關(guān)注

    關(guān)注

    1

    文章

    37

    瀏覽量

    3930

原文標(biāo)題:BERT meet Knowledge Graph:預(yù)訓(xùn)練模型與知識(shí)圖譜相結(jié)合的研究進(jìn)展

文章出處:【微信號(hào):zenRRan,微信公眾號(hào):深度學(xué)習(xí)自然語(yǔ)言處理】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    輕輕松松學(xué)電工(識(shí)圖篇)

    內(nèi)容介紹 結(jié)合廣大電工人員的實(shí)際需要,主要介紹了常用電工電路識(shí)圖的基礎(chǔ)知識(shí)、方法及技巧,內(nèi)容包括常用電氣符號(hào)、電工識(shí)圖基本方法,以及識(shí)讀供配電系統(tǒng)圖、建筑電氣圖、電力拖動(dòng)系統(tǒng)電氣圖、PLC梯形圖
    發(fā)表于 04-30 17:18

    典型電路原理、電路識(shí)圖從入門到精通等資料

    1、電路識(shí)圖從入門到精通高清電子資料 由淺入深地介紹了電路圖的基礎(chǔ)知識(shí)、典型單元電路的識(shí)圖方法,通過(guò)“入門篇”和“精通篇”循序漸進(jìn)、由淺入深地介紹了電路圖的基礎(chǔ)知識(shí)、典型單元電路的
    的頭像 發(fā)表于 04-15 15:53 ?3671次閱讀
    典型電路原理、電路<b class='flag-5'>識(shí)圖</b>從入門到精通等資料

    電路識(shí)圖從入門到精通高清電子資料

    由淺入深地介紹了電路圖的基礎(chǔ)知識(shí)、典型單元電路的識(shí)圖方法,通過(guò)“入門篇”和“精通篇”循序漸進(jìn)、由淺入深地介紹了電路圖的基礎(chǔ)知識(shí)、典型單元電路的識(shí)圖方法,以及典型小家電、電動(dòng)車、洗衣機(jī)、
    發(fā)表于 04-10 16:22

    格陸博科技榮登投中信息2024年度銳公司100榜單

    近日,投中信息重磅發(fā)布2024年度“銳公司100榜單”,格陸博科技憑借在智能駕駛領(lǐng)域的突出表現(xiàn)和強(qiáng)勁發(fā)展勢(shì)頭,再度成功入選!這也是格陸博科技連續(xù)第二年獲此殊榮!
    的頭像 發(fā)表于 03-18 14:24 ?369次閱讀

    淵亭KGAG升級(jí)引入“高級(jí)策略推理”

    為了突破現(xiàn)有AI技術(shù)在決策推理方面的局限,淵亭科技對(duì)其知識(shí)圖譜分析平臺(tái)KGAG進(jìn)行了最新升級(jí),創(chuàng)新性地引入了“高級(jí)策略推理”模式。這一模式的引入,實(shí)現(xiàn)了“大模型×知識(shí)圖譜×專家策略×動(dòng)
    的頭像 發(fā)表于 02-14 15:07 ?445次閱讀

    微軟發(fā)布《GraphRAG實(shí)踐應(yīng)用白皮書》助力開(kāi)發(fā)者

    近日,微軟針對(duì)開(kāi)發(fā)者群體,重磅推出了《GraphRAG實(shí)踐應(yīng)用白皮書》。該白皮書全面而深入地涵蓋了知識(shí)圖譜的核心內(nèi)容,為開(kāi)發(fā)者和企業(yè)提供了寶貴的指導(dǎo)和啟示。 從知識(shí)圖譜的基礎(chǔ)概念出發(fā),白皮書詳細(xì)闡述
    的頭像 發(fā)表于 01-13 16:11 ?831次閱讀

    微軟重磅推出《GraphRAG實(shí)踐應(yīng)用白皮書》

    和應(yīng)用知識(shí),則成為企業(yè)提升決策效率、增強(qiáng)業(yè)務(wù)創(chuàng)新力、在市場(chǎng)競(jìng)爭(zhēng)搶占先機(jī)的關(guān)鍵所在。其中,知識(shí)圖譜作為一項(xiàng)強(qiáng)大的語(yǔ)義網(wǎng)絡(luò)技術(shù),以其清晰呈現(xiàn)復(fù)雜知識(shí)關(guān)系的優(yōu)勢(shì),為企業(yè)的數(shù)據(jù)處理和智能應(yīng)用
    的頭像 發(fā)表于 01-13 15:20 ?729次閱讀

    利智方:驅(qū)動(dòng)企業(yè)知識(shí)管理與AI創(chuàng)新加速的平臺(tái)

    利智方致力于深度整合企業(yè)知識(shí)資產(chǎn),全面打通知識(shí)生命周期的各個(gè)環(huán)節(jié)。通過(guò)構(gòu)建強(qiáng)大的知識(shí)庫(kù)和精準(zhǔn)的知識(shí)圖譜,支持快速定制和部署各類AI應(yīng)用,為企業(yè)創(chuàng)新發(fā)展提供堅(jiān)實(shí)的技術(shù)支撐。可多維度提升企
    的頭像 發(fā)表于 12-30 11:07 ?790次閱讀

    傳音旗下人工智能項(xiàng)目榮獲2024年“上海產(chǎn)學(xué)研合作優(yōu)秀項(xiàng)目獎(jiǎng)”一等獎(jiǎng)

    和華東師范大學(xué)聯(lián)合申報(bào)的“跨語(yǔ)言知識(shí)圖譜構(gòu)建與推理技術(shù)研究及應(yīng)用”項(xiàng)目憑借創(chuàng)新性和技術(shù)先進(jìn)性榮獲一等獎(jiǎng)。該項(xiàng)目成功突破了多形態(tài)信息抽取技術(shù)、跨語(yǔ)言知識(shí)圖譜對(duì)齊技術(shù)和知識(shí)問(wèn)答對(duì)
    的頭像 發(fā)表于 12-16 17:04 ?586次閱讀
    傳音旗下人工智能項(xiàng)目榮獲2024年“上海產(chǎn)學(xué)研合作優(yōu)秀項(xiàng)目獎(jiǎng)”一等獎(jiǎng)

    傳音旗下小語(yǔ)種AI技術(shù)榮獲2024年“上海產(chǎn)學(xué)研合作優(yōu)秀項(xiàng)目獎(jiǎng)”一等獎(jiǎng)

    和華東師范大學(xué)聯(lián)合申報(bào)的“跨語(yǔ)言知識(shí)圖譜構(gòu)建與推理技術(shù)研究及應(yīng)用”項(xiàng)目憑借創(chuàng)新性和技術(shù)先進(jìn)性榮獲一等獎(jiǎng)。 該項(xiàng)目成功突破了多形態(tài)信息抽取技術(shù)、跨語(yǔ)言知識(shí)圖譜對(duì)齊技術(shù)和知識(shí)問(wèn)答對(duì)話技術(shù),
    的頭像 發(fā)表于 12-16 16:21 ?708次閱讀
    傳音旗下小語(yǔ)種AI技術(shù)榮獲2024年“上海產(chǎn)學(xué)研合作優(yōu)秀項(xiàng)目獎(jiǎng)”一等獎(jiǎng)

    三星自主研發(fā)知識(shí)圖譜技術(shù),強(qiáng)化Galaxy AI用戶體驗(yàn)與數(shù)據(jù)安全

    據(jù)外媒11月7日?qǐng)?bào)道,三星電子全球AI中心總監(jiān)Kim Dae-hyun近日透露,公司正致力于自主研發(fā)知識(shí)圖譜技術(shù),旨在進(jìn)一步優(yōu)化Galaxy AI的功能,提升其易用性,并加強(qiáng)用戶數(shù)據(jù)的隱私保護(hù)。
    的頭像 發(fā)表于 11-07 15:19 ?1247次閱讀

    易智瑞榮獲“信息技術(shù)應(yīng)用創(chuàng)新工作委員會(huì)技術(shù)活動(dòng)單位”

    布的GeoScene V4.1在自主創(chuàng)新方面的新特性、新能力,重點(diǎn)展示GeoScene V4.1在三維、人工智能、影像、知識(shí)圖譜等方面的新成果。
    的頭像 發(fā)表于 10-11 10:41 ?682次閱讀
    易智瑞榮獲“<b class='flag-5'>信息</b>技術(shù)應(yīng)用創(chuàng)新工作委員會(huì)技術(shù)活動(dòng)單位”

    三星電子將收購(gòu)英國(guó)知識(shí)圖譜技術(shù)初創(chuàng)企業(yè)

    在人工智能技術(shù)日新月異的今天,三星電子公司再次展現(xiàn)了其前瞻性的戰(zhàn)略布局與技術(shù)創(chuàng)新實(shí)力。近日,三星正式宣布完成了對(duì)英國(guó)領(lǐng)先的人工智能(AI)與知識(shí)圖譜技術(shù)初創(chuàng)企業(yè)Oxford Semantic Technologies的收購(gòu),此舉標(biāo)志著三星在提升設(shè)備端AI能力、深化個(gè)性化用戶體驗(yàn)方面邁出了重要一步。
    的頭像 發(fā)表于 07-18 14:46 ?699次閱讀

    知識(shí)圖譜與大模型之間的關(guān)系

    在人工智能的廣闊領(lǐng)域中,知識(shí)圖譜與大模型是兩個(gè)至關(guān)重要的概念,它們各自擁有獨(dú)特的優(yōu)勢(shì)和應(yīng)用場(chǎng)景,同時(shí)又相互補(bǔ)充,共同推動(dòng)著人工智能技術(shù)的發(fā)展。本文將從定義、特點(diǎn)、應(yīng)用及相互關(guān)系等方面深入探討知識(shí)圖譜與大模型之間的關(guān)系。
    的頭像 發(fā)表于 07-10 11:39 ?1869次閱讀

    何在idf工程引入mdf WiFi-Mesh函數(shù)?

    我原先在idf下開(kāi)發(fā)好的程序,如何引入mdf進(jìn)行開(kāi)發(fā)?需要用到WiFi-Mesh,看了下mdf下的例程是比較合適的,而idf下的wifi-mesh例程很粗略,想把mdf的例程移植到我原來(lái)的idf工程里面去
    發(fā)表于 06-28 14:59