01引言 自然语言处理（NLP）是一个多学科领域，它融合了计算机科学、人工智能和语言学，使计算机能够理解、解释和生成人类语言。它包含多个子领域，如下： NLU：自然语言理解Natural Language Understanding，理解文本和语音背后的含义。 NLG: 自然语言生成Natural Language Generation，从数据中生成类人文本。 本文旨在介绍NLP领域核心的关键概念，闲话少说，我们直接开始吧！ 02Tokenization Tokenization是将文本分解为称为单个Token单元的过程，Token可以是单词或子单词单元。Token是进行NLP 任务的基础，因为它们提供了文本数据的结构化表示，从而可以进行有效的语言分析和处理。 一般在对输入文本进行Tokenization后，我们还会获得相应Token的embedding,过程如下： 关于embedding会在下文单独章节进行描述。 03Stemming and Lemmatization 这些技术主要用于将单词还原为词基或词根形式： Stemming：去除前缀或后缀，找到单词的词干，这可能不是一个有效的单词。 Lemmatization：利用词汇和词形分析找到单词的词目，即有效的单词形式。这两种技术都能将文本规范化，以便于后续处理和分析。 04Part-Of-Speech Tagging POS标记主要指为文本中的每个词（如名词、动词和形容词）分配语法类别。这一步骤对于理解句子结构至关重要，也是文本解析、机器翻译和情感分析等任务的关键。 05Named Entity Recognition NER 可识别文本中的命名实体并对其进行分类，例如人名、地名、组织名称和日期。它对信息提取和文本理解至关重要，使系统能够定位文档中的特定实体并对其进行分类。 06Bag of Words BOW 是一种简单的文本表示技术，它在语料库中创建一个独特的词汇表，并计算它们在文档中的出现频率。这种方法用于文档分类和信息检索，但不能捕捉词语的语义信息。 07Word Embedding 单词嵌入在一个连续的向量空间中表示单词，在这个空间中，含义相近的单词彼此更接近。与 BOW 不同，Word Embedding可以捕捉词与词之间的语义关系。Word2V

01引言 作为一名人工智能爱好者，我喜欢与读者分享超酷的免费人工智能工具。今天，我在 Hugging Face 上发现了一款名为 "Little Tinies "的公开模型，使用它可以生成经典手绘卡通风格的AI图像。 闲话少说，我们直接开始吧！ 02举个栗子 相信大家会和我一样，在使用这个图片生成器的过程中获得很多乐趣。首先，我们来看看这个用提示词创建图片的示例吧： Aboy/girlwithbrown/pinkhairandblueeyes,bigroundglasses,standingonamountainwearingabackpack 棕色/粉色头发、蓝色眼睛、戴着大圆眼镜、背着背包站在山上的男孩/女孩 生成的图像如下： 很酷吧？可以想象这类图像将会被用于故事书插图或动画儿童故事中。 03入门 要开始使用 Little Tinies人工智能模型，大家可以通过 "HuggingFace"来访问该模型。该平台有一个模型中心，研究人员和开发人员可以在这里分享他们预先训练好的模型。该平台上有数千个经过各种任务训练的模型，用户可以轻松下载并将它们集成到自己的项目中。 该模型的权重以 Safetensors格式提供。大家可以在 "Files and versions"选项卡中获取该模型，并下载 228 MB 的 Little_Tinies.safetensors 文件。 注：该版本模型仅供研究之用。如果大家打算将此模型用于商业用途，可联系模型创建者。 Hugging Face 已与 Gradio 集成，Gradio 是一款允许用户为其机器学习模型创建交互式演示和界面的工具。这种集成使得模型的输出的可视化和与他人共享交互式应用程序变得更加容易。 04在线试用 要在线试用该模型，可以在Hugging Face上使用 Gradio UI。大家可以选择其中一个可用空间尝试使用Little Tinies，比如 Nanoapple所创建的空间。 地址如下： 链接 只需在提示字段中输入图片描述，然后点击 "提交 "按钮即可。 Prompt: a young professional worker wearing suit and tie. smiling face with glasses on. white background 提示：一位

01引言 人工智能已成为我们日常生活的一部分，每天都有新的人工智能产品发布。几乎每家公司都计划采用人工智能，或正在积极使用人工智能，或将其旧有的基于规则的引擎重塑为基于人工智能的新技术。 我很想更多地了解这个不断发展的人工智能世界，因此，我将从解读AI领域流行语开始，与大家分享我的发现！ 02Artificial Intelligence （AI） 计算机科学的一个广泛应用领域，侧重于创建能够执行通常需要人类智能才能完成的任务的系统，包括解决问题、决策和语言理解。 该术语最初由斯坦福大学名誉教授John McCarthy提出，是机器学习、深度学习等各种方法和技术的总称。 03Machine Learning (ML) 机器学习是人工智能（AI）的一个分支，侧重于开发算法和统计模型，使计算机系统能够通过经验提高特定任务的性能。 这一过程通常包括分析数据集进行检测的模式，并构建模型和算法，机器学习的最终目标是使机器学习系统可以在没有人类干预或协助的情况下独立学习并做出决策。 04有监督学习 监督学习使用人工标记过的数据来训练算法/模型，以准确预测未知数据。它包括输入与对应输出标签的数据对，然后在这些数据上训练算法，以识别其中的复杂模式。 例如：图像识别任务是一种经过训练的系统，可以区分猫和狗的图像。训练过程包括向算法提供大量带标注图像的数据集，其中每张图像都被标记为 "猫 "或 "狗"。算法学会识别每个类别特有的模式和特征，如耳朵的形状、动物的大小或皮毛的颜色等。经过充分的训练后，系统可以通过分析视觉特征并将其与学习到的模式进行比较，准确地将未标记的新图像分类为猫或狗。 05无监督学习 无监督学习（Unsupervised Learning）侧重于在不依赖标记数据的情况下发现数据中的模式和结构。这是一种从大型数据集中发现隐藏联系和有价值见解的方法。 示例：音乐推荐系统可将歌曲分为不同的流派，而无需事先标记。该系统分析每首歌曲的特征，如节拍、节奏和旋律，并将相似的歌曲归为一类。这一过程被称为聚类，它能让系统发现数据中的模式和关系，从而向偏好特定流派的用户推荐该流派的歌曲，尽管在训练阶段这些歌曲从未被明确标记为不同流派。 06强化学习 强化学习（Reinforcement Learning）利用决策算法从与环境的反复互动中学习。这是一个专注于代理开发

01引言 最近，生成式人工智能(Generative AI)在行业内带来了巨大的变动。还记得 2022 年 11 月推出的ChatGPT吗？在短时间内，它就成为了有史以来用户数量最快突破 1 亿的产品。 人工智能已经存在了很长一段时间，它可以做各种各样的事情。但 ChatGPT 之所以如此特别并吸引了人们的注意，是因为它能像人类一样聊天，并能根据简单的提示创建内容。这为企业带来了无限可能，引起了所有人的关注。人们开始询问这种生成式人工智能是什么？ 本文就人工智能和生成式人工智能的基础知识进行相关的讲解，闲话少说，我们直接开始吧！ 02举个栗子 在深入了解生成式人工智能之前，我们先来谈谈人工智能(AI)。人工智能就是教机器做人类会做的事情。举个例子，想象一下一个能分拣苹果和香蕉的机器人。你告诉它什么是苹果，什么是香蕉，它就能很好地完成任务。 如何告诉机器？好吧，大家可以编写明确的程序指令，告诉机器什么是苹果，什么是香蕉。 现在，请想象一个场景。机器人做得非常棒，直到它遇到了一个绿苹果。由于上述机器人的程序只针对红苹果，所以现在它不知道该如何处理青苹果了。 03机器学习 上述场景就是机器学习ML的用武之地。ML指的是机器从数据中学习的能力。在水果分类机器人案例中，机器人会看到许多苹果和香蕉的图片。机器通过学习图片中的图案和形状，推断出苹果和香蕉的样子。 ‍ 当机器人遇到青苹果时，尽管它没有看到任何青苹果的图片。但它仍然能根据所学到的有关苹果的其他属性，知道这是一个苹果。所以，大家可以看到机器学习是多么酷和有用，先不要太兴奋，等大家后面了解了生成式人工智能有多酷再说吧。 生成式人工智能则更进一步。它不仅能识别模式，还能根据自己的认知创造出新的东西。想象一下，我们的苹果和香蕉分拣机器人会创造出一种全新的混合水果！ 04基础知识 深度学习是生成式人工智能背后的秘诀。它就像一个超级聪明的大脑，能够理解大量数据并从中找出规律。你给它的数据越多，它就越聪明。深度学习模型的灵感来源于人脑（因此也被称为人工神经网络），它包括一个输入层，然后是多个隐藏层，最后进入输出层。在这些隐藏层中可以进行复杂的计算。 因此，GPT-3等基础模型应运而生。这些模型就像超级灵活的工具，可以完成许多不同的任务，因为它们已经过大量数据的训练。但 ChatGPT 如何像人一样聊天呢？这

01引言 本文旨在友好地介绍深度学习架构，包括卷积神经网络CNN、循环神经网络RNN、生成对抗网络GAN、transformer和 encoder-decoder架构。 闲话少说，让我们直接开始吧。 02卷积神经网络 卷积神经网络CNN是一种人工神经网络，旨在处理和分析具有网格状拓扑结构的数据，如图像和视频。将 CNN 想象成一个多层过滤器，可处理图像以提取有意义的特征并进行推理预测。 想象一下，假设我们有一张手写数字的照片，希望计算机能识别出这个数字。CNN的工作原理是在图像上应用一系列滤波器，逐渐提取出越来越复杂的特征。浅层的滤波器检测边缘和线条等简单特征，而深层的滤波器则检测形状和数字等更复杂的模式特征。 CNN的层可分为三种主要类型：卷积层、池化层和全连接层。 ● 卷积层：这些层将滤波器应用于图像。每个滤波器在图像上滑动，计算滤波器与其覆盖像素之间的点积。这一过程会生成新的特征图，突出图像中的特定模式。这个过程会用不同的滤波器重复多次，从而生成一组捕捉图像不同方面的特征图。 ● 池化层：池化层对特征图进行下采样操作，在保留重要特征的同时减少数据的空间维度。这有助于降低计算复杂度，防止过拟合。最常见的池化类型是最大值池化，它从像素的一个小邻域中选择最大值。 ● 全连接层：这些层与传统神经网络中的层类似。它们将一层中的每个神经元与下一层中的每个神经元连接起来。卷积层和池化层的输出会被平铺并通过一个或多个全连接层，从而让网络做出最终预测，例如识别图像中的数字。 总之，CNN是一种神经网络，旨在处理结构化数据，如图像。它的工作原理是对图像应用一系列滤波器或核函数，逐渐提取更复杂的特征。然后，通过池化层，以减少空间维度，防止过度拟合。最后，输出将通过全连接层进行最终预测 03循环神经网络 循环神经网络RNN是一种人工神经网络，旨在处理时间序列、语音和自然语言等序列数据。将RNN 想象成传送带，一次处理一个元素的信息，从而 "记住 "前一个元素的信息，对下一个元素做出预测。 想象一下，我们有一串单词，我们希望计算机生成这串单词中的下一个单词。RNN 的工作原理是每次处理序列中的每个单词，并利用前一个单词的信息预测下一个单词。 RNN 的关键组成部分是递归连接，它允许信息从一个时间步流动到下一个时间步。递归连接是神经元内部的一个连接，它能 "记住 "上