《探寻真正开源的大模型:开启AI创新新纪元》

《探寻真正开源的大模型:开启AI创新新纪元》

  • 一、开源大模型崛起:AI 发展的新曙光
  • 二、开源大模型的 “庐山真面目”
  • 三、明星开源大模型闪耀登场
    • (一)LLaMA 3:实力强劲的开源先锋
    • (二)Phi-3:小巧精悍的多面手
    • (三)BERT:自然语言处理的基石
    • (四)Falcon 180B:性能怪兽的 “双面性”
    • (五)BLOOM:多语言处理的集大成者
    • (六)XGen-7B:长文本处理的行家
    • (七)GPT-NeoX 和 GPT-J:灵活多变的应用利器
    • (八)Vicuna-13B:智能聊天的贴心伙伴
    • (九)Mistral 7B:长文理解的得力助手
    • (十)零一万物(Yi 系列模型):多语言理解的智慧中枢
  • 四、如何甄选适合你的开源大模型
  • 五、开源大模型的未来:无限可能的探索之旅

一、开源大模型崛起:AI 发展的新曙光

在当今科技飞速发展的时代,人工智能大模型已成为推动各领域变革的核心力量。从智能语音助手为我们提供便捷服务,到智能写作工具助力内容创作,再到智能客服提升企业服务效率,大模型的应用场景不断拓展,逐渐融入人们生活的方方面面。
然而,在大模型领域,长期以来闭源模型占据主导地位,少数科技巨头掌控着核心技术与资源,犹如筑起了一道高墙,限制了技术的广泛传播与创新活力的释放。但近年来,开源大模型如同一股蓬勃兴起的浪潮,打破了这一局面,为 AI 发展注入了新的生机与活力。
开源大模型具有诸多显著优势。它赋予了开发者自由使用、修改代码的权利,极大地激发了全球范围内开发者的创新热情。大家不再受限于闭源模型的黑箱模式,可以深入探究模型的内部机制,根据自身需求定制优化,从而加速技术迭代。例如,某科研团队基于开源大模型进行医疗影像分析研究,通过修改模型架构,使其对特定病症的识别准确率大幅提升,为疾病早期诊断带来新突破;同时,开源社区汇聚了全球智慧,不同背景的开发者、研究者在这里交流协作,分享经验与成果,形成了强大的知识共享网络。无论是初出茅庐的学生,还是经验丰富的专家,都能在社区中找到用武之地,共同推动技术边界的拓展。而且,开源大模型降低了中小企业、科研机构等进入 AI 领域的门槛,让更多创新力量得以参与竞争,避免了技术的垄断与单一化发展,为 AI 生态的多元化繁荣奠定了基础。

二、开源大模型的 “庐山真面目”

开源大模型,顾名思义,是指源代码向公众开放的大规模人工智能模型。它打破了传统闭源模式下技术的封闭性,将模型的构建蓝图毫无保留地展现在开发者面前。这意味着无论是专业的科研团队,还是业余的技术爱好者,只要对 AI 开发有想法、有热情,都能深入探究模型的底层逻辑,了解每一个神经元连接、每一层网络结构的设计初衷。例如,在自然语言处理领域备受瞩目的 BERT 模型,其源代码公开后,全球各地的开发者纷纷基于它进行二次开发,针对不同语言、不同领域的文本处理需求,衍生出了众多各具特色的优化版本。
其具有高度的可定制性。不同行业、不同企业面临的业务场景千差万别,闭源模型往往提供标准化的解决方案,难以满足多样化的需求。而开源大模型则允许开发者根据自身实际情况,对模型架构、参数进行调整优化。一家专注于医疗影像诊断的初创公司,借助开源大模型,通过重新训练模型,使其精准识别各类病症特征,辅助医生快速、准确地做出诊断,大大提高了诊断效率,为患者争取了更多宝贵的治疗时间;在金融领域,银行可以利用开源大模型定制风险评估系统,通过对海量金融数据的学习,精准预测贷款违约风险,保障金融业务的稳健运行。
社区驱动是开源大模型的显著特征。全球开发者围绕开源大模型汇聚成庞大的社区,大家在这里分享经验、交流见解、协同开发。这种集思广益的模式使得模型能够快速迭代升级,不断融入新的技术与智慧。以 Hugging Face 社区为例,它为众多开源大模型提供了展示、交流与合作的平台,开发者们在这里共享预训练模型、数据集,共同攻克技术难题。当某个开发者在模型训练中遇到棘手的梯度消失问题时,在社区中发布求助信息,很快就能得到来自世界各地同行的建议与解决方案,推动项目顺利进展。
开源大模型大多免费或低成本。对于中小企业、科研机构以及个人开发者而言,闭源大模型高昂的使用许可费用往往令人望而却步。而开源大模型则提供了免费使用的基础版本,即使需要一些额外的定制化开发或技术支持,成本也相对较低。这使得更多创新力量能够投身于 AI 应用开发的浪潮中,避免了技术被少数巨头垄断,促进了整个 AI 产业生态的多元化繁荣。

三、明星开源大模型闪耀登场

(一)LLaMA 3:实力强劲的开源先锋

Meta 作为 AI 领域的重要力量,重磅推出的 LLaMA 3 无疑是开源大模型中的佼佼者。它涵盖了 80 亿参数的 8B 版本以及 700 亿参数的 70B 版本,展现出强大的性能实力。这两个版本通过人类反馈的强化学习(RLHF)进行微调,使其能够更好地理解人类意图,生成更加贴合需求的文本。在自然语言生成任务中,面对给定的主题,LLaMA 3 能够迅速构思出逻辑连贯、内容丰富的文本段落,无论是撰写科技评论、文学创作还是日常交流对话,都表现得游刃有余;在编程任务方面,它能够辅助开发者理解代码逻辑、提供代码片段建议,助力编程效率的提升。
例如,某小型科技创业公司致力于开发一款智能写作辅助工具,基于 LLaMA 3 模型进行定制开发。他们利用 LLaMA 3 的开源特性,针对写作场景进行优化,使其能够精准理解用户的写作需求,提供风格适宜的语句、段落建议。在产品试用阶段,用户反馈该工具大大激发了创作灵感,提高了写作速度与质量,为公司赢得了良好的市场口碑,也充分彰显了 LLaMA 3 在实际应用中的价值。

(二)Phi-3:小巧精悍的多面手

微软 AI 研究院精心打造的 Phi-3 系列模型,以其独特的小型化设计与高效能表现备受瞩目。该系列包含 Mini、Small 和 Medium 三个版本,其中最小的 Phi-3-Mini 虽仅有 3.8B 参数,却在关键基准测试中崭露头角,与大型模型一较高下。它在智能手机等移动设备上展现出卓越的运行能力,能够快速响应用户需求。
在日常生活场景中,当用户身处没有网络覆盖的偏远地区,Phi-3-Mini 可在手机上离线运行,为用户提供诸如行程规划、知识问答等智能服务;在边缘计算场景下,智能安防摄像头搭载 Phi-3-Mini 模型,能够实时分析视频画面,精准识别异常行为并及时发出警报,大大提升安防效率,以小身材发挥大能量,为智能生活添彩助力。

(三)BERT:自然语言处理的基石

回顾自然语言处理(NLP)的发展历程,谷歌于 2017 年推出的 BERT 模型无疑是一座具有划时代意义的里程碑。它基于 Transformer 架构构建,凭借创新性的双向编码器设计,彻底革新了 NLP 任务的处理方式。在机器阅读理解任务中,面对复杂的文本篇章与问题,BERT 能够深入理解文本语义,精准定位关键信息,给出准确答案,在知名的 SQuAD 数据集上取得了超越人类平均水平的成绩;在文本分类任务中,无论是对新闻文章进行主题分类,还是对社交媒体评论判断情感倾向,BERT 都能以高准确率完成任务,为信息筛选与舆情分析提供有力支持。
众多后续的开源大模型纷纷借鉴 BERT 的架构设计与预训练思路,不断拓展 NLP 的边界,推动该领域向着更高精度、更广泛应用的方向大步迈进。

(四)Falcon 180B:性能怪兽的 “双面性”

Falcon 180B 宛如一头性能卓越的巨兽,以其 1800 亿参数的超大规模和惊人的性能称霸开源大模型领域。它在多项自然语言处理基准测试中表现非凡,力压众多竞争对手,如在 Hugging Face 开源大模型榜单上,以显著优势位居前列。其处理复杂文本任务时的强大能力令人惊叹,面对长篇学术论文,能够快速提炼核心观点、总结关键内容;在智能写作辅助方面,能够生成逻辑严谨、语言流畅的高质量文本,为创作者提供丰富灵感。
然而,要驾驭这头 “巨兽” 并非易事,它对计算资源有着极高的要求。运行 Falcon 180B 模型,通常需要配备多张高端 GPU,且内存容量要达到数百 GB,这使得个人开发者在硬件门槛前望而却步。但对于拥有强大算力的科研机构和企业而言,Falcon 180B 无疑是推动前沿研究、打造智能应用的得力工具,有望在诸如生物医药研发中的文献分析、金融领域的风险报告生成等场景发挥巨大价值。

(五)BLOOM:多语言处理的集大成者

BLOOM 模型由国际团队联合研发,以其 1760 亿参数的磅礴体量和卓越的多语言处理能力独树一帜。它能够用 46 种语言以及 13 种编程语言流畅地生成连贯、准确的文本,仿佛一位精通多国语言的 “大师”。在跨国企业的文档处理工作中,BLOOM 可以快速将一份英文产品说明书翻译为多种目标语言版本,且译文质量上乘,保留了原文的专业术语与逻辑结构,大大提高了企业的国际化沟通效率;在多语言客服场景下,它能够理解不同语言客户的咨询内容,并以合适的语言精准回复,有效提升客户满意度。
尤为值得一提的是,BLOOM 的源代码和训练数据完全对外开放,这种高度的透明度为全球研究人员深入探究模型内部机制、进行定制优化提供了极大便利,加速了多语言 AI 技术的创新发展。

(六)XGen-7B:长文本处理的行家

Salesforce 推出的 XGen-7B 在处理长文本方面展现出独特的优势,尤其是其高级版本 XGen-7B-8K-base,配备了长达 8K 的上下文窗口,犹如拥有超强记忆力的 “智者”。在处理长篇小说、专业文献等超长文本时,它能够完整地捕捉文本前后的逻辑关联,精准理解复杂的语义信息。文学研究者利用 XGen-7B 分析经典长篇小说的主题演变、人物关系时,模型能够基于全文内容给出深入见解;在商业领域,面对冗长的市场调研报告、合同文本,它可以迅速提取关键要点,为企业决策提供高效支持,助力企业在信息洪流中精准把握核心价值。

(七)GPT-NeoX 和 GPT-J:灵活多变的应用利器

EleutherAI 实验室开发的 GPT-NeoX 和 GPT-J 两款模型各具特色,GPT-NeoX 拥有 200 亿参数,GPT-J 参数规模为 60 亿。它们虽未经过 RLHF 训练,却在灵活性上表现卓越,能够适应多种自然语言处理任务。在文本生成任务中,面对给定的主题或开头,它们能够快速生成风格各异、富有创意的文本内容,为创作者提供多样化的灵感源泉;在情感分析任务里,对社交媒体上的海量评论进行快速扫描,精准判断情感倾向,助力企业了解公众舆论。
研究人员基于 GPT-NeoX 模型开发情感分析工具时,通过对不同领域文本数据的微调训练,使其在影视评论、产品反馈等场景下的情感判断准确率大幅提升,为内容创作者、市场营销人员等提供了有力的数据洞察支持。

(八)Vicuna-13B:智能聊天的贴心伙伴

Vicuna-13B 作为一款开源对话模型,基于 LLaMa 13B 精心微调而成,专注于智能聊天领域,致力于为用户带来贴心、高效的交互体验。在电商行业,它化身智能客服,实时解答顾客关于产品信息、购物流程、售后保障等各类问题,以快速、准确的回复提升顾客购物体验,助力商家提高客户转化率;在医疗保健领域,为患者提供初步的健康咨询,如症状解读、日常保健建议等,缓解患者就医前的焦虑情绪;在教育场景下,充当智能学习助手,帮助学生答疑解惑、梳理知识脉络,激发学习兴趣。
通过实际应用案例对比,相较于传统基于规则的客服系统,Vicuna-13B 能够更好地理解用户的自然语言问题,给出更贴合需求、人性化的回答,显著提升交互质量,让智能聊天真正走入人们的生活。

(九)Mistral 7B:长文理解的得力助手

Mistral 7B v0.2 版本重磅来袭,带来诸多亮点更新,其中上下文长度提升至 32K 且取消滑动窗口的优化尤为引人注目。这使得它在处理长文档、长篇幅专业资料时如鱼得水。科研人员在研读篇幅冗长的学术论文时,Mistral 7B 能够一次性理解大量文本内容,精准提炼关键研究成果、实验数据,助力科研效率飞跃;在内容创作领域,面对长篇小说创作、系列文章策划等任务,它可以基于前文内容连贯地生成后续情节,保持风格统一、逻辑连贯,为创作者打开灵感大门,成为应对长文本挑战的得力伙伴。

(十)零一万物(Yi 系列模型):多语言理解的智慧中枢

01.AI 推出的 Yi 系列模型,凭借 3T 多语言语料库的深度滋养,展现出卓越的语言理解、常识推理与阅读理解能力。在跨语言翻译场景中,无论是商务合同、文学作品还是日常交流对话,Yi 系列模型都能精准捕捉源语言的语义精髓,以地道的表达方式呈现高质量译文;在多语言内容创作方面,为全球创作者提供灵感支持,轻松跨越语言障碍,激发多元创意。
对于跨国企业的全球化营销文案撰写、国际文化交流项目中的内容创作等需求,Yi 系列模型能够充分理解不同文化背景下的语言习惯,产出贴合目标受众的优质内容,搭建起沟通世界的智慧桥梁。

四、如何甄选适合你的开源大模型

面对琳琅满目的开源大模型,如何挑选出最契合自身需求的那一款呢?这需要综合考量多方面因素。
首先是许可限制。不同的开源大模型采用各异的开源许可证,有些许可证允许自由商用,而有些则对商业用途设有特定条件,如要求开源衍生作品、注明出处等。若你计划将模型应用于商业项目,务必仔细研读许可证条款,确保合规使用,避免潜在的法律风险。
应用场景也是关键。倘若你旨在开发一款智能写作辅助工具,那么擅长自然语言生成的 LLaMA 3、GPT-NeoX 等模型或许是首选;若要为移动应用赋能,使其能在离线状态下提供智能服务,Phi-3 这种小型化且高效能、适配资源受限环境的模型则更为妥当;若是处理跨国业务中的多语言文档,BLOOM、零一万物(Yi 系列模型)凭借卓越的多语言处理能力,可助你一臂之力,轻松跨越语言障碍。
精度需求不容忽视。通常而言,参数规模越大的模型,在复杂任务上的表现往往更优,能够提供更为精准的回答。但对于一些简单任务,小型模型或许已足够应对,且运行成本更低。比如在日常闲聊场景,Vicuna-13B 就能很好地满足需求,而处理专业学术文献的深度分析时,Falcon 180B、Mixtral 8x7B 等大型模型可能更具优势。
资源投入是实际部署时必须考虑的要点。运行大模型对计算资源要求颇高,包括 GPU 的显存、算力,以及内存、存储容量等。像 Falcon 180B 这类超大规模模型,若无强大的硬件支撑,运行过程极易出现卡顿甚至无法启动的情况。此时,可关注模型的量化版本,通过降低参数精度来减少内存占用,提升运行效率,或者选择如 Phi-3、Mistral 7B 等对资源需求相对温和的模型。
预训练模型的可用性同样重要。部分开源大模型提供了预训练好的版本,开发者可直接在此基础上进行微调,能大幅节省训练时间与成本。若你拥有特定领域的专业数据,利用这些预训练模型进行针对性微调,可快速打造出专属的智能应用。

五、开源大模型的未来:无限可能的探索之旅

展望未来,开源大模型的前景一片光明,将在诸多方面持续发力,为人类社会带来更为深远的变革。
技术层面,模型架构的创新从未止步。研究者们不断探索全新的架构设计,致力于突破现有模型的性能瓶颈,提升训练效率与推理速度,让模型能够在更短的时间内处理海量复杂信息。与此同时,多模态融合成为发展的重要方向,将文本、图像、音频、视频等多种信息有机结合,使模型能够像人类一样全方位感知世界,进而解锁更多创新应用场景。例如,在智能医疗领域,医生可借助多模态大模型,同时参考患者的病历文本、影像检查结果、生命体征监测音频等数据,快速、精准地做出诊断,制定个性化治疗方案;在智能教育场景中,学生能通过与融合多种感官信息的教材互动,获得沉浸式学习体验,极大提高学习效果。
随着量子计算技术的逐步成熟,其强大的计算能力有望为开源大模型训练注入新动力,大幅缩短训练周期,加速模型迭代进程,促使模型性能实现质的飞跃。
开源社区作为开源大模型发展的核心驱动力,未来将愈发繁荣昌盛。全球开发者的参与热情持续高涨,不同地域、不同专业背景的人才汇聚于此,形成庞大的智慧网络。社区内的交流协作将更加紧密高效,知识共享更加顺畅,无论是初学者分享学习心得,还是资深专家探讨前沿技术难题,都能迅速得到回应与支持。这种协同创新模式将孕育出更多新颖的模型变种与应用思路,推动开源大模型向多元化、精细化方向发展。
各大科技企业与科研机构将进一步加大对开源社区的投入,提供丰富的资源与平台支持。他们不仅开放更多先进的模型、算法和数据集,还举办各类培训、竞赛活动,发掘培养优秀人才,助力社区成员提升技术水平,为开源大模型生态注入源源不断的活力。
应用领域拓展是开源大模型未来发展的重要着力点。在医疗健康领域,基于开源大模型开发的智能诊断系统将更加精准可靠,助力早期疾病筛查与诊断,为患者争取宝贵的治疗时间;个性化医疗方案制定也将成为常态,通过分析患者的基因数据、病史、生活习惯等多维度信息,为其量身定制最适宜的治疗路径。教育行业中,智能辅导系统能够依据学生的学习进度、知识掌握情况和学习风格,提供定制化学习指导,实现真正意义上的因材施教;虚拟学习环境将更加逼真生动,让学生足不出户即可身临其境地感受历史、探索科学奥秘。
制造业借助开源大模型实现智能化升级,优化生产流程,精准预测设备故障,降低生产成本,提高产品质量与生产效率;智能供应链管理系统能够实时跟踪物流信息、优化库存配置,确保供应链的稳定高效运行。在文化创意产业,开源大模型激发创作者灵感,辅助生成剧本、音乐、绘画等作品,甚至推动全新艺术形式的诞生,为人类文化宝库增添绚丽色彩。
开源大模型的崛起为人工智能发展开辟了广阔天地,其蕴含的无限潜力正等待我们携手挖掘。在未来的征程中,让我们紧密关注开源大模型的发展动态,积极投身其中,探索创新应用,共同见证人工智能为人类社会带来的美好变革,畅享智能科技带来的便捷与惊喜。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/65851.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Debian-linux运维-ssh配置(兼容Jenkins插件的ssh连接公钥类型)

系统版本:Debian 12.5、11.1 1 生成密钥对 可以用云服务商控制台生成的密钥对,也可以自己在客户端或者服务器上生成, 已经有密钥对就可以跳过这步 用户默认密钥文件路径为 ~/.ssh/id_rsa,可以在交互中指定路径,也可…

基于服务器部署的综合视频安防系统的智慧快消开源了。

智慧快消视频监控平台是一款功能强大且简单易用的实时算法视频监控系统。它的愿景是最底层打通各大芯片厂商相互间的壁垒,省去繁琐重复的适配流程,实现芯片、算法、应用的全流程组合,从而大大减少企业级应用约95%的开发成本。国产化人工智能“…

小程序学习05——uniapp路由和菜单配置

目录 一、路由 二、如何管理页面及路由? 三、pages.json 页面路由 四、 tabBar 一、路由 路由:在前端,往往指代用不同地址请求不同页面,决定了用户如何在应用的不同页面之间导航。 菜单:对于每个路径(…

【网络安全实验室】SQL注入实战详情

如果额头终将刻上皱纹,你只能做到,不让皱纹刻在你的心上 1.最简单的SQL注入 查看源代码,登录名为admin 最简单的SQL注入,登录名写入一个常规的注入语句: 密码随便填,验证码填正确的,点击登录…

使用 ThinkPHP 和 Vue.js 开发现代 Web 应用的指南

使用 ThinkPHP 和 Vue.js 开发现代 Web 应用的指南 在当今的 Web 开发中,前后端分离架构逐渐成为一种主流趋势。结合 ThinkPHP 和 Vue.js,可以高效地构建现代化的 Web 应用。本文将详细介绍如何使用这两种技术栈,从环境搭建到基本功能实现&a…

_使用CLion的Vcpkg安装SDL2,添加至CMakelists时报错,编译报错

语言:C20 编译器:gcc 14.2 摘要:初次使用Vcpkg添加SDL2,出现CMakelists找不到错误、编译缺失main错误、运行失败错误。 CMakelists缺失错误: 使用CLion的Vcpkg安装SDL2时,按照指示把对应代码添加至CMakel…

可解释性:走向透明与可信的人工智能

随着深度学习和机器学习技术的迅速发展,越来越多的行业和领域开始应用这些技术。然而,这些技术的“黑盒”特性也带来了不容忽视的挑战🎲。在许多任务中,尽管这些模型表现出色,取得了相当高的精度,但其决策过…

SQL Server导出和导入可选的数据库表和数据,以sql脚本形式

一、导出 1. 打开SQL Server Management Studio,在需要导出表的数据库上单击右键 → 任务 → 生成脚本 2. 在生成脚本的窗口中单击进入下一步 3. 如果只需要导出部分表,则选择第二项**“选择具体的数据库对象(Select specific database objects)”**&am…

uniapp——App下载文件,打开文档(一)

uniapp如何下载文件、打开文件 文章目录 uniapp如何下载文件、打开文件下载文件下载文件成功返回数据格式 打开文档处理 iOS 打开文件可能失败问题 相关API: uni.downloadFileuni.openDocument 注意: 只支持 GET 请求,需要 POST的&#xff…

Eclipse下载安装图文教程

一、下载Eclipse 1、打开 Eclipse官网 2、下载免安装版; 3、切换国内下载源 4、下载压缩包到本地; 5、下载完成后直接解压就可以使用了; 二、汉化 1、打开eclipse,点击 ‘Help’ → ‘Install new software…’ 2、点击A…

【开源免费】基于SpringBoot+Vue.JS音乐网站(JAVA毕业设计)

本文项目编号 T 109 ,文末自助获取源码 \color{red}{T109,文末自助获取源码} T109,文末自助获取源码 目录 一、系统介绍二、数据库设计三、配套教程3.1 启动教程3.2 讲解视频3.3 二次开发教程 四、功能截图五、文案资料5.1 选题背景5.2 国内…

Sonic:开源Go语言开发的高性能博客平台

Sonic:一个用Go语言开发的高性能博客平台 简介 Sonic,一个以其速度如声速般快速而命名的博客平台,是一个用Go语言开发的高性能博客系统。正如其名字所暗示的,Sonic旨在提供一个简单而强大的博客解决方案。这个项目受到了Halo项目…

Pygame Zero(pgzrun)详解(简介、使用方法、坐标系、目录结构、语法参数、安装、实例解释)

Pygame Zero(pgzrun)详解 (简介、使用方法、坐标系、目录结构、语法参数、安装、实例解释) 本文目录: 零、时光宝盒 一、Pygame Zero简介 二、Pygame Zero的编写游戏的一般流程 三、Pygame Zero 的坐标系 四、Py…

Java jni调用nnom rnn-denoise 降噪

介绍&#xff1a;https://github.com/majianjia/nnom/blob/master/examples/rnn-denoise/README_CN.md 默认提供了一个wav的例子 #include <stdint.h> #include <stdlib.h> #include <stdio.h> #include <math.h> #include <string.h>#include …

图像处理-Ch7-小波函数

个人博客&#xff01;无广告观看&#xff0c;因为这节内容太多了&#xff0c;有点放不下&#xff0c;分了三节 文章目录 多分辨率展开(Multi-resolution Expansions)序列展开(Series Expansions)尺度函数(Scaling Function)例&#xff1a;哈尔尺度函数(Haar scaling func)多分…

深度学习在文本情感分析中的应用

引言 情感分析是自然语言处理&#xff08;NLP&#xff09;中的一个重要任务&#xff0c;旨在识别和提取文本中的主观信息。随着深度学习技术的发展&#xff0c;我们可以使用深度学习模型来提高情感分析的准确性和效率。本文将介绍如何使用深度学习进行文本情感分析&#xff0c…

solr9.7 单机安装教程

1.环境要求:jdk11以上 2.下载wget https://dlcdn.apache.org/solr/solr/9.7.0/solr-9.7.0.tgz 3.解压 4.修改solr.in.sh配置 5.启动命令 bin/solr start 6.创建core bin/solr create -c <core名称> 注意:用solr ui界面创建&#xff0c;会提示找不到solrconfig.xml和m…

arm rk3588 升级glibc2.31到2.33

一、查看glibc版本 rootztl:~# ldd --version ldd (Ubuntu GLIBC 2.31-0ubuntu9.2) 2.31 Copyright (C) 2020 Free Software Foundation, Inc. This is free software; see the source for copying conditions. There is NO warranty; not even for MERCHANTABILITY or FITNE…

Python爬虫(一)- Requests 安装与基本使用教程

文章目录 前言一、简介及安装1. 简介2. 安装 Requests2.1 安装2.2 检查安装是否成功 二、使用 Requests 发送 HTTP 请求1. 发送 GET 请求2. 发送 POST 请求3. 发送 PUT 请求4. 发送 DELETE 请求5. 发送 HEAD 请求6. 发送 OPTIONS 请求 三、传递参数1. GET 请求传递 URL 参数1.1…

人工智能:AI技术的发展阶段以及展望

目前&#xff0c;人工智能&#xff08;AI&#xff09;技术的发展阶段主要可以分为三类&#xff1a;ANI&#xff08;Artificial Narrow Intelligence&#xff09;、AGI&#xff08;Artificial General Intelligence&#xff09;和ASI&#xff08;Artificial Superintelligence&a…