tag 概率分佈

標籤
貢獻8
26
03:54 PM · Nov 15 ,2025
u_16099349 頭像 u_16492348 頭像 u_16380863 頭像 u_16099178 頭像 u_16213653 頭像 u_16099205 頭像 u_14125 頭像 u_15469972 頭像

@概率分佈 / 博客 RSS 訂閱

u_16099349 頭像

智能探索者 - 每天學命令<all_op_conds>_Tao

🌟 Temperature Top P 一句話總結： Temperature = AI的"膽量"（膽小→保守，大膽→創意） Top P = AI的"選詞範圍"（小範圍→熱門詞，大範圍→冷門詞） 🧠 一、Temperature：AI的"膽量" ✅ 原理： 温度低（0.1）

Css , 前端開發 , 概率分佈 , HTML

收藏 評論

u_16492348 頭像

wx65950818d835e - 11: 變分自編碼器（VAE）在超分中的應用

引言 變分自編碼器（Variational Autoencoder，VAE）是一種生成模型，它通過優化潛在變量的分佈來學習數據的潛在結構。與傳統的自編碼器不同，VAE將輸入數據映射到一個概率分佈空間，而不是單一的點。這種機制使得VAE在生成任務中能夠提供更豐富的樣本生成能力。在圖像超分辨率（SR）任務中，VAE的生成能力可以幫助恢復圖像中的高頻細節，生成更加自然的高分辨率圖

編碼器 , 數據 , c++ , 後端開發 , c , 概率分佈

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：二十六、語言模型的“解碼策略”：一文讀懂AI文本生成的採樣方法

一、開篇導語 不知道大家有沒有刷到過一個趣味玩法，在輸入法的文本框以一個什麼字開頭，一直按下一個下一個，可以生成一句看似完整且有趣的話，這是最早期的通過鍵盤記憶形成的詞組文本。再看看近期豆包和deepseek大火，大家有沒有嘗試過給他們輸入一個簡短的文本或情節，讓他們進行續寫，生成一段內容，經歷過這些，不知道你是否曾好奇，這些功能強大的AI工具，是如何從“今天天氣真好”這樣

yyds乾貨盤點 , API , 搜索 , NLP , 人工智能 , 概率分佈

收藏 評論

u_16099178 頭像

雲端小悟空 - lda主題分析確定主題數量 lda主題分析用什麼 軟件

前言 gamma函數 0 整體把握LDA 1gamma函數 beta分佈 1 beta分佈 2Beta-Binomial 共軛 3 共軛先驗分佈 4 從beta分佈推廣到Dirichlet 分佈 Dirichlet 分佈

機器學習 , lda主題分析確定主題數量 , 主題模型 , 二項分佈 , 人工智能 , 概率分佈

收藏 評論

u_16213653 頭像

mob64ca14092155 - 深度學習 知識蒸餾原理詳解 蒸餾原理和過程

目錄 背景 模型結構 模型效果 實現代碼 背景 模型結構 訓練過程 實現代碼 前言 本文主要介紹知識蒸餾原理，並以BERT為例，介紹兩篇BERT蒸餾論文及代碼，第一篇論文是在下游任務中使用BiLSTM對BERT蒸餾，第二篇是對Transformer蒸餾，即TinyBert。

深度學習 知識蒸餾原理詳解 , 損失函數 , 人工智能 , 深度學習 , 概率分佈 , Git

收藏 評論

u_16099205 頭像

架構思維大師 - 信息論基礎（熵、相對熵、交叉熵、互信息）

“對數似然比”聽起來很複雜，但當你一層層剝開它的面紗，就會發現它其實是由非常簡單、非常自然的概念構成的。 “似然比”（likelihood）是比較同一事件的兩種説法。假設你對同一個變量 X 有兩個不同的概率分佈： P(x)：你的“真實”模型，或者你認為正確的分佈 Q(x)：一個替代模型，或者一個假設，或者一個近似值 似然比是：$ \frac{P

真實世界 , aigc , bard , 似然比 , 概率分佈

收藏 評論

u_14125 頭像

jacksky - TOP-K問題

temperature、top_p、top_k 大模型問答的交互流程 圖片來源：阿里大模型ACP考試課件 temperature temperature和top_p的調整是發生在大模型交互流程的第四階段即輸出Token，大模型會根據候選Token的概率進行隨機挑選，這就會導致“即使問題完全相同，每次的回答都略有不同”。 在大模型生成下一個詞（

歸一化 , 後端開發 , 概率分佈 , Git , Python

收藏 評論

u_15469972 頭像

mb61c46a7ab1eee - 詳細介紹：數據分析-基礎-二項分佈

（一）概念 二項分佈是統計學中非常重要的基礎概率分佈之一，屬於離散型概率分佈，它描述了在固定次數的獨立試驗中成功次數的概率分佈。二項分佈描述的是在 n次獨立重複的伯努利試驗 中，成功次數為 k 的概率分佈。伯努利試驗是每次試驗只有兩種可能結果（如成功/失敗、是/否、正面/反面）的隨機試驗（） （二）核心特徵 試驗總次數 n 是預先確定的 --固定試驗次數 (n)

MySQL , 二項分佈 , 數據庫 , ci , 概率分佈

收藏 評論