Press "Enter" to skip to content

四海吧 Posts

谷歌AI研究员推出MADLAD-400:一个覆盖419种语言的2.8T令牌网络域数据集

在不断发展的自然语言处理(NLP)领域中,机器翻译和语言模型的发展主要受到英语等语种的大量训练数据集的影响。然而,研究人员和实践者面临的一个重要挑战是需要更多多样化且高质量的训练数据,以应对不常用语言的需求。这一限制制约了全球各种语言社群NLP技术的进步。为了解决这个问题,一支专门的研究团队着手创建解决方案,最终诞生了MADLAD-400。 要理解MADLAD-400的重要性,我们必须首先审视多语言NLP数据集的当前情况。长期以来,研究人员一直依赖于从许多来源获取的网络抓取数据来训练机器翻译和语言模型。虽然这种方法对于拥有丰富在线内容的语言取得了显著成果,但在处理不常用语言时效果不佳。 MADLAD-400的研究团队认识到了这种传统方法的局限性。他们了解到网络抓取数据往往伴随着一系列挑战。噪音、不准确性和质量不一的内容只是在依赖网络数据时出现的一些问题。此外,当处理数字存在性有限的语言时,这些问题会更加严重。 针对这些挑战,研究团队着手创建一个跨多种语言范围且符合最高质量和道德内容标准的多语言数据集。他们的努力成果就是MADLAD-400,这个数据集承诺重新定义我们为多语言应用训练和开发NLP模型的方式。 MADLAD-400展示了研究团队的专注和细致精神。这个数据集的与众不同之处在于它经历了严格的审计过程。与许多多语言数据集不同,MADLAD-400并不仅仅依赖于自动化的网络抓取。相反,它涉及对419种语言的广泛手动内容审计。 审计过程可谓艰巨。它需要熟练掌握各种语言的人才,因为研究团队需要仔细检查和评估跨语言边界的数据质量。这种亲自动手的方法确保了数据集符合最高质量标准。 研究人员还详细记录了他们的审计过程。这种透明度对于数据集使用者来说是无价的,它提供了关于确保数据质量所采取的步骤的见解。这份文档不仅是指南,也是科学研究中可重复性的基础原则。 除了手动审计外,研究团队还开发了过滤器和检查机制,以进一步提高数据质量。他们识别和解决了版权材料、仇恨言论和个人信息等问题。这种主动的数据清理方法最大程度地减少了不良内容进入数据集的风险,确保研究人员能够自信地工作。 此外,MADLAD-400还体现了研究团队对包容性的承诺。它涵盖了多种语言,为经常在NLP研究中被忽视的语言社群发声。MADLAD-400打开了开发更具包容性和公平性的NLP技术的大门,包括了主流语言之外的语言。 虽然MADLAD-400的创建和策划本身就是令人印象深刻的成就,但这个数据集的真正价值在于它的实际应用。研究团队进行了大量实验,展示了MADLAD-400在训练大规模机器翻译模型方面的有效性。 结果明显。MADLAD-400显著提高了广泛语言范围内的翻译质量,展示了其推动机器翻译领域发展的潜力。该数据集为跨越语言障碍、促进语言交流提供了坚实的基础。 总的来说,MADLAD-400是多语言自然语言处理领域的一个重要成就。通过精心策划和包容性承诺,这个数据集解决了紧迫的挑战,赋予了研究人员和实践者接纳语言多样性的能力。它在追求更具包容性的多语言NLP的征程中扮演着进步的指引,为语言技术服务于全球受众带来了希望。

Leave a Comment

阿里巴巴集团的这篇论文介绍了FederatedScope-LLM:一种用于联邦学习中微调LLM模型的全面套件

如今,像Hugging Face这样的平台使得从AI研究人员到机器学习经验有限的用户都能够更轻松地访问和利用预训练的大型语言模型(LLM)来为不同实体服务。当多个这样的组织或实体在共享类似的任务时,由于隐私法规的限制而无法直接交换本地数据时,联邦学习(FL)成为利用这些实体的集体数据的显著解决方案。FL还提供了强大的隐私保护,保护其模型思想的安全,并允许他们使用不同的方法创建定制模型。 在这项工作中,研究人员建立了一个全面的端到端基准测试流水线,简化了数据集预处理、执行或模拟联邦微调以及在联邦大型语言模型(LLM)微调环境中评估性能的过程,旨在为各种能力演示目的设计。 上述图片展示了FS-LLM的架构,包括三个主要模块:LLMBENCHMARKS、LLM-ALGZOO和LLM-TRAINER。团队已经开发了强大的联邦参数高效微调(PEFT)算法的实现和多功能的编程接口,以便未来的扩展,即使处理闭源LLM,也能够在联邦学习(FL)场景中有效地运行LLM,减少通信和计算开销。 他们的网站上提供了详细的教程:federatedscope.io 您可以通过FederatedScope Playground或Google Colab尝试FederatedScope。 他们的方法还结合了加速技术和资源有效的策略,以在资源约束下微调LLM,并提供灵活的可插拔子例程,用于跨学科研究,例如在个性化联邦学习设置中应用LLM。 该研究包括一系列广泛且可再现的实验证明了FS-LLM的有效性,并在联邦环境中使用最先进的参数高效微调算法建立了先进LLM的基准。根据这些实验结果的发现,我们概述了未来联邦LLM微调研究的一些有希望的方向,以推进FL和LLM社区的发展。

Leave a Comment

人工智能与图像生成的美学

介绍 在这场令人兴奋的技术与创造力的融合中,人工智能(AI)赋予了图像生成以生命,改变了我们对创造力的理解。本博客探讨了“人工智能与图像生成的美学”,它涉及到像神经风格迁移和生成对抗网络(GANs)这样的AI技术在艺术表达中的技术方面。当像素和算法融合在一起时,数学准确性和美学吸引力之间的共生表现是显而易见的。让我们一起探究这种联系,并重新定义在人工智能和人类视觉共同推动创造力边界的时代中成为艺术家的含义。 学习目标 你将学习一些图像生成的方法。 你将了解创造力和技术融合的重要性。 我们将检查AI生成艺术的视觉质量。 你将了解人工智能对创造力的影响。 本文是数据科学博客马拉松的一部分。 图像生成的演变 人类的双手和创造力主要塑造了图像生成的起源。艺术家使用画笔、铅笔和其他材料精心创作视觉表现。随着数字时代的到来,计算机开始在这个领域发挥更大的作用。计算机图形最初是基础的、像素化的,缺乏人类触感的优雅。随着算法的改进,图像得到了增强,但仍然只是算法。 人工智能现在处于巅峰状态。在深度学习和神经网络的进步,特别是生成对抗网络(GANs)的改进之后,AI领域取得了显著发展。 AI已经从一个工具发展成为一个合作伙伴。由于它们的网络方法,GANs开始产生有时与照片有所不同的图像。 利用创造性AI探索风格和流派 创造性AI是一种可以帮助我们探索艺术、音乐和写作中不同风格和流派的工具。想象一下拥有一个能够分析著名绘画并创建融合不同风格的新艺术品的计算机程序。 在视觉艺术的世界中,创造性AI就像一个数字画家,可以以多种风格生成图像。想象一个计算机程序,它已经看过数千幅图片,从古典肖像到现代抽象艺术。通过学习这些图片,AI可以创作融合不同风格甚至发明风格的新图像。 例如,你可以生成将逼真的纹理与富有想象力的角色相结合的图像。这使得艺术家和设计师可以尝试各种创新思路,并开发出有趣的角色和独特的设计,这些设计是以前从未被考虑过的。 伦理问题的考虑 给予原创艺术家应有的认可:给予启发AI创作的艺术家应有的认可是一个关键问题。如果AI创建了类似于著名绘画的作品,我们应该确保原创艺术家得到应有的赞誉。 所有权和版权:谁拥有AI创作的艺术品?是编写AI程序的人,还是启发AI的艺术家共享所有权?为了避免冲突,必须明确回答这些问题。 AI中的偏见:AI在创作艺术时可能更偏好某些风格或文化。这可能是不公平的,应该仔细考虑以保护所有艺术形式。 可访问性:如果只有少数人能够使用新的AI工具,这对其他希望使用它们并利用它们提高生产力的人来说是不公平的。 数据隐私:当AI研究艺术以学习如何创作自己的艺术时,通常需要使用许多图像和数据。 情感影响:如果AI创作出与人类创作的艺术类似的作品,原创作品的情感价值可能会被忽视。 像许多其他技术和传统的交汇点一样,人工智能和艺术的交汇点是令人兴奋和具有挑战性的。伦理关切确保增长符合理想和包容性。 创建图像的方法论…

Leave a Comment

如何使内容更贴近人性化并避免AI抄袭

ChatGPT、Bard和Bing可以比尤塞恩·博尔特跑100米更快地输出人工智能生成的内容。但是,这种速度带来了问题——内容质量更接近抄袭和不可靠的领域。 另一个原因是,按照学术标准,ChatGPT从不引用其来源。它可能会产生幻觉,并凭空提取信息,这对于任何试图避免抄袭的人都没有帮助。 所以,我将展示如何使文本更人性化,以通过人工智能抄袭检测器。但首先,我将深入探讨人工智能抄袭检测器的工作原理。继续阅读以发现帮助您避免人工智能抄袭的工具以及为什么您需要它们。 解构人工智能抄袭检测器的工作原理 人工智能抄袭检测器是一种用于确定您提交的内容是否独特或由人工智能生成的工具。 当像Bard和Bing这样的聊天机器人生成用户内容时,它们经常逐字逐句地从其他网站和在线资源中提取信息。这使得它们很容易被检测出来,因为它们遵循一个预定和可预测的模型。 这是一个例句:“太阳在_____中照耀明亮。” 在上面的例子中,最有可能的延续是“早晨”,因为太阳照耀与早晨有关。这是一个创造力有限的机器人会想到的。然而人类可能会说:“太阳在夜晚中照耀明亮”,因为他们生活在北半球或者他们正在探索前卫的创造力。 这就是人工智能检测器和抄袭检测器的核心工作原理。 首先,人工智能抄袭检测器尝试预测内容的复杂性和爆发性。 复杂性衡量了普通用户理解输出的能力。具有高复杂性的内容通常是人类生成的。即使您使用高级提示和插件,人工智能内容听起来也很平淡和重复。 同样,爆发性指的是句子长度和节奏的变化。人工智能生成的内容中的句子通常具有可预测的节奏和长度。 当人类写作时,爆发性很高,因为我们可以陷入冗长来使我们的观点更清晰和更直接,就像我现在用这个句子一样。 有时候,我们会简单表达。 然而,人工智能内容生成器通常产生一个恒定的句子节奏。如果不是这样,它们会用废话填充句子的其余部分。 凭借这些变量(复杂性和爆发性)和其他技术考虑因素,人工智能抄袭检测工具可以检测到由机器人或非人类虚拟助手编写的文章。 但是存在一个问题。 在线使用人工智能抄袭检测器并不能可靠地测试作品的独特性。其中一些工具是不可靠的——我们甚至不知道它们的创建者或算法背后的情况。 此外,有时候人工智能检测器会产生误报,可能会破坏无辜受害者的声誉。甚至大学都担心这些虚假的抄袭标志。 但是,与其花时间为一个根本没有发生的抄袭案辩护,不如向您展示如何绕过人工智能抄袭检测。 如何避免人工智能抄袭 与其完全避免使用人工智能并错过其无数的好处,不如使用以下技巧来克服其局限性: 消除词语重复 使用人工智能生成内容后,编辑结果并删除重复内容。 首先,您不希望您的文本读起来像一个在写作过程中已经没有了思路,只想达到指定字数的高中学生。…

Leave a Comment

30岁如何转行进入数据科学职业?

在30岁时进行数据科学职业转换不仅可能,而且非常不寻常。数据科学为具备正确技能和心态的人提供了令人兴奋的可能性,年龄不应该成为追求梦想的障碍。本指南将探讨有效过渡到数据科学职业的步骤和策略,无论您之前的专业背景如何。无论您是否已经30多岁,数据科学的世界向每个人敞开大门,本指南将帮助您找到通往有益职业的道路。 30岁时进行数据科学职业转换是否可能? 尽管并非总是可能,但在30岁甚至更晚时进行数据科学职业转换是相当可行的。数据科学领域以对来自不同背景的人的真诚态度为特征,它重视技能和能力而不是年龄。原因如下: 数据科学的包容性 数据科学职业欢迎来自不同领域的专家。您之前的经验和知识可以成为一个优势,因为它们提供了独特的视角和专业领域,可以用于数据分析和解决问题。 对数据科学家的需求 对数据科学家的需求在各个行业中不断增长。各种规模的公司都在寻找数据驱动的洞察力以做出明智的决策。这种高需求与愿意雇佣来自不同领域经验的申请人有关。 学习机会 学习数据科学的资源丰富且易于获取。在线课程、培训营和学位课程面向不同职业阶段的个人。您可以选择适合自己目标和抱负的合适路径。 可转移的技能 您之前专业中的许多技能可以在数据科学职业中使用。例如,项目管理、问题解决和沟通技能在数据科学家职位中非常宝贵。 人脉 在数据科学网络中建立社区对您的职业转换非常有用。参加会议和在线论坛可以让您与专家建立联系,他们可以提供指导和机会。 持续学习文化 数据科学是一个鼓励持续学习的领域。具备适应性和愿意学习新技能的能力非常受重视,这使得转行变得容易。 在30岁转行前评估自己的准备情况 评估您进入数据科学的准备情况涉及各个重要方面。 首先,详细评估自己的才能和知识。虽然具备编程和数据分析经验,但在机器学习、数据分析和数据可视化等领域仍有很多需要学习的东西。 确定可转移的技能是准备评估的另一个重要方面。这些技能可以在处理复杂数据项目和与数据科学团队有效合作时使用。 准备态度的最重要组成部分之一是采用成长型心态。认识到学习和成长是持续的过程,您应该准备接受挑战、挫折和持续技能发展的需求。成长型心态让您将障碍视为学习和改进的机会,在如数据科学这样动态的领域中非常重要。 获得必备的数据科学技能 获得必备的数据科学技能包括正式教育、自学和建立强大的作品集。 正式教育和自学 正式教育:获得数据科学的正式教育,如数据科学硕士或统计学或计算机科学等相关领域的学位,可以提供全面的教育。如果您喜欢正式教育并且有时间和资源参加学位课程,这是一个出色的选择。 自学:通过在线出版物、书籍和教程进行自学是一种灵活且经济高效的方法。这种方法适用于希望在当前工作中获取技能的人。…

Leave a Comment

用例解析二分查找算法

介绍 二分查找算法是一种在有序数据集中定位特定对象的高效搜索技术。该算法首先确定数据集的中间值。它将目标值与该中间值进行比较,并可以采取以下三种可能的操作之一: 如果它们匹配,则搜索成功,并返回目标值的索引。 如果目标值大于中间元素,则继续使用数据集的一半进行搜索。 如果目标值较小,则选择左半部分进行进一步探索。 二分查找非常高效,具有O(log n)的时间复杂度,其中n是数据集中的元素数量。这使得它成为大数据集中首选的方法,线性搜索是不可行的。然而,它要求数据集在进行搜索之前必须进行排序。 什么是二分查找? 二分查找是计算机科学和数学中广泛使用的算法,它在有序数据集中定位特定元素。它通过重复将数据集划分为两半,并将目标值与中间值进行比较,直到发现目标值或确定其不存在。 二分查找的工作原理是什么? 二分查找基于三个基本概念:有序数据、分治和搜索区域的减小。 有序数据 二分查找要求数据集按升序或降序排序。排序允许与中间元素进行系统比较,使算法能够确定目标值是在左侧还是右侧。 分治 二分查找采用分治策略。它从检查数据集的中间元素开始,将其分为两半。然后将中间元素与目标值进行比较。 如果它们匹配,则搜索成功。 如果目标值大于中间元素,则继续使用数据集的右半部分,丢弃左半部分。 如果目标值较小,则继续使用数据集的左半部分。 时间复杂度分析 在二分查找的每一步中,搜索空间减半。这意味着在一步之后只需要检查数据集的一半。 每一步,搜索区域都会减半。 这种方法会一直持续,直到找到目标值或搜索空间减少为空数据集,表示目标元素不存在。 二分查找的时间复杂度可以如下分析: 一步之后,搜索区域是N/2,其中N是元素数量。 两步之后,它是N/4。…

Leave a Comment

人工智能正在提升安全摄像头的能力

当今谈到安全问题时,经常会涉及到网络安全,尤其是当涉及到人工智能时然而,对物理保护的需求并没有消失,人工智能也可以提高这方面的安全性人工智能安全摄像头正在彻底改变消费者和企业的监控方式视频门铃和其他智能摄像头是最具革命性的一些产品之一

Leave a Comment

“解锁基因组和气候的语言:Anima Anandkumar 论使用生成 AI 解决全球挑战”

基于生成式人工智能模型不仅可以学习和理解自然语言,还可以学习自然语言本身,为科学研究带来新的可能性。 最近,加州理工学院(Caltech)的布伦教授兼英伟达人工智能研究高级总监Anima Anandkumar应邀在总统科学与技术顾问委员会上发表演讲。 在演讲中,Anandkumar表示生成式人工智能被描述为“我们生活中的一个转折点”,讨论围绕如何“利用它通过科学应用来造福社会和人类”的话题展开。 在英伟达的AI播客的最新一期中,主持人Noah Kravitz与Anandkumar讨论了生成式人工智能在科学界可能产生的影响。 例如,它可以接收DNA、RNA、病毒和细菌数据,构建一个能够理解基因组语言的模型。这个模型可以帮助预测危险的冠状病毒变种,加速药物和疫苗研究。 生成式人工智能还可以预测飓风或热浪等极端天气事件。尝试预测自然事件是具有挑战性的,因为涉及到大量的变量和未知因素,即使有了人工智能的支持也是如此。 “这些是我们在英伟达和加州理工学院与许多其他组织合作研究的方面,我们要思考的问题是,‘我们如何捕捉自然界中存在的多种尺度?’”她说。“在我们有限的数据下,我们能否希望推广到更精细的尺度?我们能否希望嵌入正确的约束条件,并得出具有重大影响力的物理有效预测?” Anandkumar还补充说,为了确保负责任和安全地使用人工智能模型,现有法律必须加强,以防止危险的下游应用。 她还谈到了人工智能的繁荣,这正在改变各行各业人类的角色,并提出了尚未解决的问题。 “这是我给每个人的研究建议:最重要的是问题,而不是答案,”她说。 你可能还喜欢 Jules Anh Tuan Nguyen解释了人工智能如何让截肢者通过视频游戏控制假肢 明尼苏达大学的一名博士后研究员讨论了他努力让截肢者通过思维来控制他们的假肢,甚至包括手指的运动。 Overjet的Ai Wardah Inam谈论将人工智能引入牙科 Overjet是英伟达Inception计划的成员,正在迅速将人工智能引入牙科诊所。该公司的首席执行官Wardah Inam博士讨论了使用人工智能改进患者护理。 Immunai的首席技术官和联合创始人Luis Voloch谈论使用深度学习开发新药物的挑战…

Leave a Comment

微软研究人员提出了InstructDiffusion:一种统一且通用的人工智能框架,用于将计算机视觉任务与人类指令对齐

在向可适应、普适视觉模型迈出重大一步的突破性进展中,来自微软亚洲研究院的研究人员发布了InstructDiffusion。这一创新性框架通过为多种视觉任务提供统一的接口,革命性地改变了计算机视觉领域的格局。论文《InstructDiffusion: A Generalist Modeling Interface for Vision Tasks》介绍了一种能够同时处理各种视觉应用的模型。 InstructDiffusion的核心是一种新颖的方法:将视觉任务构建为人类直观的图像处理过程。与依赖预定义输出空间(如类别或坐标)的传统方法不同,InstructDiffusion在灵活的像素空间中运作,更接近人类感知。 该模型旨在根据用户提供的文本指令修改输入图像。例如,“在红色中圈出男人的右眼”这样的指令可以使模型适用于关键点检测等任务。同时,“将蓝色掩码应用于最右侧的狗”这样的指令可用于分割。 支撑该框架的是去噪扩散概率模型(DDPM),它生成像素输出。训练数据包括三元组,每个三元组由指令、源图像和目标输出图像组成。该模型被设计为处理三种主要输出类型:RGB图像、二值掩码和关键点。这涵盖了广泛的视觉任务,包括分割、关键点检测、图像编辑和增强。 关键点检测 a) 在鲸鱼的右眼周围创建一个黄色圆圈。 (b) 用蓝色圆圈标记汽车标志。 分割 a) 将镜子中猫的像素标记为蓝色,其他保持不变。 (b) 将阴影像素涂成蓝色,保持其他像素的当前外观。 图像编辑 模型生成的图像结果 低级任务 InstructDiffusion也适用于包括图像去模糊、去噪和去水印在内的低级视觉任务。…

Leave a Comment

稳定AI发布了首个日本视觉语言模型

创建和制定一个能够处理各种用户定义任务的全面模型一直是人工智能(AI)研究领域的一个关注点。这在自然语言处理(NLP)中尤为突出,通过“指令调整”来实现。这种方法通过让大型语言模型(LLM)接触广泛的活动并通过自然语言指令来表达,使模型能够胜任任意指令。 其中一个例子是使用视觉语言模型。”视觉语言模型”(VLM)是一种能够理解文本和图像作为输入的人工智能类型。它们可以执行涉及视觉和文本数据相互作用的各种任务。它们用于图像字幕、视觉问答和创建视觉场景的文本描述,或者在语言和视觉表示之间进行翻译。 最近,Stability AI的研究人员宣布发布其首个日语视觉语言模型——Japanese InstructBLIP Alpha。虽然已经有很多视觉语言模型,但这是第一个生成日语文本描述的模型。这个新算法旨在为传入的照片生成日语文本描述和对与图像相关的查询的文本响应。 研究人员强调,该模型可以识别特定的日本地标。对于从机器人技术到旅游的各种用途来说,这种能力提供了一个重要的本地化意识层。此外,该模型可以处理文本和图像,从而能够基于视觉输入进行更复杂的查询。 研究人员进行了深入的研究,开发了这个模型,并使用多样化的指令数据对该模型进行了训练。为了将两者连接起来,他们使用了图像编码器、LLM和查询变换器(Q-Former)对模型进行了训练。此外,他们通过指令调整对Q-Former进行了微调,同时保持了图像编码器和LLM的冻结状态。 此外,研究人员收集了26个公开可用的数据集,涵盖了广泛的功能和职责,并将它们转换为指令调整格式。该模型在13个数据集上进行了训练,并在所有13个保留数据集上展示了最先进的零样本性能。研究人员进一步强调,当在各个下游任务上进行微调时,该模型显示出最先进的性能。他们还设计了一种指令感知的查询变换器,可以提取特定指令的信息元素。 他们提出了“指令感知视觉特征提取”的思想,介绍了一种根据给定指令灵活提取信息且具有信息性的特征的方法。为了让Q-Former从冻结的图像编码器中检索指令感知的视觉特征,文本指令被发送给冻结的LLM和Q-Former。他们还使用了平衡采样技术来同步数据集之间的学习进度。 尽管该模型具有实用性和有效性,但研究人员警告用户要注意当前潜在的偏见和限制。他们提醒用户,像任何其他AI系统一样,必须通过人为判断来评估响应的准确性和适当性。通过持续的研究和开发,该模型在日语视觉语言任务中的性能必须得到提高。

Leave a Comment

利用神经进化来推动人工智能创新

介绍 神经进化是一个迷人的领域,其中人工智能将神经网络和进化算法结合起来培养其创造能力。它类似于人工智能的艺术或音乐之旅,使其能够创作杰作和作曲交响乐。本文深入探讨了神经进化,探索了其机制、应用和意义。它就像人工智能对自我提升的追求,就像一个崭露头角的艺术家完善自己的工艺。神经进化赋予了人工智能进化的能力,增强了其解决问题的能力、艺术天赋和游戏技巧。这个旅程体现了人工智能的成长,就像人类的持续发展一样,推动其走向创造卓越。 来源 – San Diego Consulting Group 本文是数据科学博文马拉松的一部分。 理解神经进化 想象一下,如果人工智能能够像生物一样学习和成长。这就是神经进化的本质。 进化算法 这就像是人工智能的生存游戏。它们创建许多人工智能玩家,让它们竞争,只保留最好的。然后,优胜者成为下一代的父母。这个循环重复进行,直到人工智能掌握了其任务。 来源 – Baeldung 初始化:首先创建一组可能的解决方案。 评估:根据问题的目标评估每个解决方案的表现。 选择:选择最好的解决方案作为下一代的父母。 交叉:父母结合他们的特点创建新的解决方案。 变异:引入随机变化,增加后代的多样性。 解决方案:经过多个世代,您应该得到改进的问题解决方案。 进化算法模仿自然选择的过程。它们创建一个人工智能模型的种群,评估其性能,选择最好的个体,并将它们繁殖以创建下一代。 # 一个用于优化的简单遗传算法…

Leave a Comment