【 在 xiaokang 的大作中提到: 】
: 搞笑。
: AI本科，开了N多实验。
: 各种各样的数据集、各种各种的开源模型、各种各样的论文，各种各样的竞赛。
: ...................

别吹了，调参而已
--
FROM 120.219.119.*

【 在 xiaokang 的大作中提到: 】
: 第一，有效果就行。
: 第二，CS连训练都不会。
: 第三，训练技巧是基本功，需要时间积累。
: ...................

有编程基础的一个人一周就能上手了
--
FROM 120.219.119.*

计算机基础不扎实
【 在 xiaokang 的大作中提到: 】
: AI本科生就已经学习了数字图像处理、机器视觉、计算机视觉、自然语言处理、强化学习的基本任务。
: CS本科生连毛都没摸过。
: 数字图像处理：
: 1. 图像增强：改善图像质量，如对比度、亮度调整。
: 2. 噪声降低：减少图像中的噪声。
: 3. 图像恢复：从退化的图像中恢复原始图像。
: 4. 特征提取：识别图像中的关键特征，如边缘、角点、纹理。
: 5. 图像分割：将图像分割成多个区域或对象。
: 6. 图像配准：对齐多个图像以进行比较或合并。
: 7. 图像压缩：减少图像文件的大小而不显著降低质量。
:  
: 机器视觉（Machine Vision）：
: 1. 物体检测：在图像中识别和定位物体。
: 2. 物体识别：识别图像中的物体类别。
: 3. 场景理解：理解图像中的场景内容和上下文。
: 4. 视觉跟踪：跟踪视频中的移动物体。
: 5. 立体视觉：使用多个摄像头获取深度信息。
: 6. 光学字符识别（OCR）：从图像中提取文本信息。
:  
: 计算机视觉（Computer Vision）：
: 1. 图像分类：将图像分配到特定的类别。
: 2. 目标检测：在图像中定位和识别多个对象。
: 3. 语义分割：为图像中的每个像素分配类别标签。
: 4. 实例分割：区分并识别图像中的每个独立对象。
: 5. 动作识别：识别视频中的人类动作。
: 6. 3D重建：从2D图像重建3D模型。
:  
: 自然语言处理（Natural Language Processing, NLP）：
: 1. 文本分类：将文本分配到预定义的类别。
: 2. 情感分析：确定文本的情绪倾向。
: 3. 机器翻译：将文本从一种语言翻译到另一种语言。
: 4. 命名实体识别（NER）：识别文本中的特定实体，如人名、地点。
: 5. 关系提取：识别文本中实体之间的关系。
: 6. 文本摘要：生成文本的简短版本。
:  
: 强化学习（Reinforcement Learning）：
: 1. 决策制定：学习在特定情境下做出最优决策。
: 2. 控制任务：训练代理在环境中实现特定目标。
: 3. 游戏玩法优化：在游戏环境中提高玩牌或棋局的策略。
: 4. 资源管理：学习如何有效分配有限资源。
: 5. 机器人路径规划：导航机器人通过复杂环境。
发自「快看水母 于 23046PNC9C」
--
FROM 223.104.41.*

调参是一种必需的技能。
大部分应用，由于成本原因，不可能使用大模型，所以只能使用小模型。
不同的小模型应用，有自己的特点，必然需要进行调参。

【 在 alwaysfaint 的大作中提到: 】
: 客观来说，社会上的确不需要这么多调参侠。
: 本来AI领域就是少部分大牛在开疆拓土，中间一些科研工作者做沙子水泥，最后放到各行各业用就好了
: 现在的专业本末倒置，培养了很多不知其所以然的工具人，当然二十年前CS也是这样
: ...................
--
FROM 111.4.64.*

那CS就别搞AI啊。
现在不搞AI的导师有几个？
传统CS顶会不搞AI的，你举个例子。

【 在 watchdogs 的大作中提到: 】
: 呵呵灌水而已
: #发自zSMTH@MI MAX 3
--
FROM 223.104.119.*