generation专题
LLVM入门2：如何基于自己的代码生成IR-LLVM IR code generation实例介绍
概述 本节将通过一个简单的例子来介绍如何生成llvm IR，以Kaleidoscope IR中的例子为例，我们基于LLVM接口构建一个简单的编译器，实现简单的语句解析并转化为LLVM IR，生成对应的LLVM IR部分，代码如下，文件名为toy.cpp，先给出代码，后面会详细介绍每一步分代码： #include "llvm/ADT/APFloat.h"#include "llvm/ADT/S
Python安装llama库出错“metadata-generation-failed”
Python安装llama库出错“metadata-generation-failed” 1. 安装llama库时出错2. 定位问题1. 去官网下载llama包 2.修改配置文件2.1 解压文件2.2 修改配置文件 3. 本地安装文件 1. 安装llama库时出错 2. 定位问题 根据查到的资料，发现时llama包中的execfile函数已经被下线了，需要我们手动修改代码后
Show,Attend and Tell: Neural Image Caption Generation with Visual Attention
简单的翻译阅读了一下 Abstract 受机器翻译和对象检测领域最新工作的启发，我们引入了一种基于注意力的模型，该模型可以自动学习描述图像的内容。我们描述了如何使用标准的反向传播技术，以确定性的方式训练模型，并通过最大化变分下界随机地训练模型。我们还通过可视化展示了模型如何能够自动学习将注视固定在显着对象上，同时在输出序列中生成相应的单词。我们通过三个基准数据集（Flickr9k，Flickr
VideoCrafter1:Open Diffusion models for high-quality video generation
https://zhuanlan.zhihu.com/p/677918122https://zhuanlan.zhihu.com/p/677918122 视频生成无论是文生视频，还是图生视频，图生视频这块普遍的操作还是将图片作为一个模态crossattention进unet进行去噪，这一步是需要训练的，svd除此之外，还将图片和noise做拼接，这一步，很多文生视频的方式通过通过这一步来扩展其成
解决Javadoc generation failed Generated Javadoc options file
上传至jcenter时报此错误，解决方法:在项目的build.gradle的最外层加入： tasks.getByPath(":(你想要禁止的module名称，如app):javadocRelease").enabled = false 如: tasks.getByPath(":app:javadocRelease").enabled = false sync项目，OK了。
SAM 2: The next generation of Meta Segment Anything Model for videos and images
https://ai.meta.com/blog/segment-anything-2/ https://github.com/facebookresearch/segment-anything-2 https://zhuanlan.zhihu.com/p/712068482
深度学习-生成模型：Generation（Tranform Vector To Object with RNN）【PixelRNN、VAE(变分自编码器)、GAN(生成对抗网络)】
深度学习-生成模型：Generation（Tranform Vector To Object with RNN）【PixelRNN、VAE（变分自编码器）、GAN（生成对抗网络）】 一、Generator的分类二、Native Generator (AutoEncoder's Decoder)三、PixelRNN1、生成句子序列2、生成图片3、生成音频：WaveNet4、生成视频：Video
PeriodWave: Multi-Period Flow Matching for High-Fidelity Waveform Generation
preprintKorea Seoul, Korea 文章目录 abstractmethodFlow Matching for Waveform GenerationHigh-frequency Information Modeling for Flow Matching demo page， PeriodWave 三者最好，而且能把原声中的噪声去掉，GAN一类声码器做不到的。 Perio
Automatic Educational Question Generation with Difficulty Level Controls
文章目录 题目摘要简介相关工作问题表述实验用户研究结论 题目 具有难度级别控制的自动教育问题生成 论文地址:https://link.springer.com/chapter/10.1007/978-3-031-36272-9_39 摘要 我们考虑自动生成各种难度的数学应用题 (MWP)，以满足教师在相应教育阶段教学和测试学生的需求。现有方法无法生成高质
Towards Enriched Controllability for Educational Question Generation
文章目录 题目摘要引言生成显式和隐式问题实验设置结果基线结论 题目 迈向教育问题生成的丰富可控性 论文地址:https://arxiv.org/abs/2306.14917 摘要 问题生成 (QG) 是自然语言处理 (NLP) 中的一项任务，涉及根据输入自动生成问题，输入通常由文本和目标答案组成。QG 的最新研究旨在控制生成问题的类型，以满足教育需求。教
论文翻译：Benchmarking Large Language Models in Retrieval-Augmented Generation
https://ojs.aaai.org/index.php/AAAI/article/view/29728 检索增强型生成中的大型语言模型基准测试 文章目录 检索增强型生成中的大型语言模型基准测试摘要1 引言2 相关工作3 检索增强型生成基准RAG所需能力数据构建评估指标 4实验设置噪声鲁棒性结果负面拒绝测试平台结果信息整合测试平台结果反事实鲁棒性测试平台结果 5 结论 摘要
论文笔记 HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
提出的HyperNet网络基于设计的Hyper特征，这种特征主要先集合分等级的特征图，然后将其压缩到一个空间。这种Hyper特征同时具有足够深和很好的语义信息，在PASCAL VOC 2007和2012上可以通过每张图产生仅仅100个proposal，而达到很好的精度和效果，同时可以达到实时，GPU下 5 fps的速度。 Hyper方法主要的贡献有： （1）在仅仅 50 proposal情况下
Retrieval-Augmented Generation for Large Language Models A Survey
Retrieval-Augmented Generation for Large Language Models: A Survey 文献综述 文章目录 Retrieval-Augmented Generation for Large Language Models: A Survey 文献综述 Abstract背景介绍 RAG概述原始RAG先进RAG预检索过程后检索过程 模块化RAGMo
AIGC-CVPR2024best paper-Rich Human Feedback for Text-to-Image Generation-论文精读
Rich Human Feedback for Text-to-Image Generation斩获CVPR2024最佳论文！受大模型中的RLHF技术启发，团队用人类反馈来改进Stable Diffusion等文生图模型。这项研究来自UCSD、谷歌等。 在本文中，作者通过标记不可信或与文本不对齐的图像区域，以及注释文本提示中的哪些单词在图像上被歪曲或丢失来丰富反馈信号。 在 18K 生成图像 (R
UNSUPERVISED CROSS-DOMAIN IMAGE GENERATION
本文提出了一个域转换网络(domain transfer network,DTN),网络的作用是,对于给定两个域S,T,我们希望学习一个生成函数G,将S域的样本映射到域T,这样,对于一个给定函数f,不管f的输入为来自域S或T,f的输出会保持不变. 网络结构如下: 生成网络包括函数f,g.f用于提取输入图像的特征,得到一个特征向量.g的输入为f的输出,输出为目标风格的图像.训练数据为为无监督
论文阅读U-KAN Makes Strong Backbone for MedicalImage Segmentation and Generation
作为一种非常有潜力的代替MLP的模型，KAN最终获得了学术界极大的关注。在我昨天的博客里，解读了最近的热门模型KAN： 论文阅读KAN: Kolmogorov–Arnold Networks-CSDN博客 KAN的原文作者提到了很多不足。本文算是对其中两个现有不足的回应，也就是:1)KAN不仅只能用于特定结构和深度，2）KAN不仅能用于小规模AI+Science任务，还可以用于更大规模或更复杂
Retrieval-Augmented Generation for Large Language Models: A Survey论文阅读
论文：https://arxiv.org/pdf/2312.10997.pdf github：https://github.com/Tongji-KGLLM/ RAG-Survey 简介 大语言模型常常制造虚假事实，在处理特定领域或高度专业化的查询时缺乏知识。例如，当所需信息超出模型训练数据的范围或需要最新数据时，LLM可能无法提供准确的答案。这一限制在将生成型人工智能部署到现实世界的生产
数据库报错：OracleDialect does not support identity key generation
当我把数据库改为oracle时，项目报错：org.hibernate.MappingException: org.hibernate.dialect.OracleDialect does not support identity key generation 是因为oracle不支持identity，支持是sequence，把 @GeneratedVal
Follow Your Pose: Pose-Guided Text-to-Video Generation using Pose-Free Videos
清华深&港科&深先进&Tencent AAAI24https://github.com/mayuelala/FollowYourPose 问题引入 本文的任务是根据文本来生成高质量的角色视频，并且可以通过pose来控制任务的姿势；当前缺少video-pose caption数据集，所以提出一个两阶段的训练，可以利用image-pose数据和pose free video数据；第一阶段首先使用p
【论文阅读】Prompt Fuzzing for Fuzz Driver Generation
文章目录 摘要一、介绍二、设计2.1、总览2.2、指导程序生成2.3、错误程序净化2.3.1、执行过程净化2.3.2、模糊净化2.3.3、覆盖净化 2.4、覆盖引导的突变2.4.1、功率调度2.4.2、变异策略 2.5、约束Fuzzer融合2.5.1、论据约束推理2.5.1、模糊驱动融合 三、评估3.1、与Hopper和OSS-Fuzz对比3.2、缺陷检测的有效性3.3、PromptFuz
成功解决No module named ‘huggingface_hub.inference._text_generation‘
成功解决No module named 'huggingface_hub.inference._text_generation' 目录 解决问题 解决思路 解决方法 解决问题 No module named 'huggingface_hub.inferen
知识驱动对话-Learning to Select Knowledge for Response Generation in Dialog Systems-阅读笔记
今日看了一篇文章《Learning to Select Knowledge for Response Generation in Dialog Systems》，以知识信息、对话目标、对话历史信息为基础，进行端到端的对话语句生成。期间做了一些笔记，还有个人想法。大家一起进步！ 时刻记着自己要成为什么样的人！
###好好好#####论文泛读·Adversarial Learning for Neural Dialogue Generation
导读 这篇文章的主要工作在于应用了对抗训练（adversarial training）的思路来解决开放式对话生成（open-domain dialogue generation）这样一个无监督的问题。 其主体思想就是将整体任务划分到两个子系统上，一个是生成器（generative model），利用seq2seq式的模型以上文的句子作为输入，输出对应的对话语句；另一个则是一个判别器（di
Coherent Comment Generation for Chinese Articles with a Graph-to-Sequence Model-论文阅读笔记
文章ACL2019 - Coherent Comment Generation for Chinese Articles with a Graph-to-Sequence Model Code https://github.com/lancopku/Graph-to-seq-comment-generation Data 论文研究内容 根据新闻title和文章自动评论Comments
SnapKV: LLM Knows What You are Looking for Before Generation（实现超长上下文的压缩方法无需训练）
地址 https://arxiv.org/pdf/2404.14469 核心 这篇论文介绍了一种名为SnapKV的创新方法，旨在提高大型语言模型处理长上下文时的效率和内存利用率。主要贡献包括： 1. 设计实验探索在输出生成过程中注意力特征的模式，发现注意力分配具有一致性，可以提取重要信息。 2. 提出了SnapKV算法，利用观察窗口和投票机制选择每个注意力头的重要键值对，并使用池化进行细粒度