世界建筑网站wordpress数据表前缀

世界建筑网站,wordpress数据表前缀,宝安区做外贸网站的公司,天津市武清区住房建设网站引言 前天#xff0c;百度发布了新的解析模型 PaddleOCR-VL#xff0c;这项工作标致着 PaddleOCR 开了全新的模型线。 PaddleOCR 是很多模型模型的集合#xff0c;比如 PP-OCR 专用于文本检测和识别#xff0c;PP-ChatOCR 专用于 智能信息提取。 而对于复杂文档解析百度发布了新的解析模型 PaddleOCR-VL这项工作标致着 PaddleOCR 开了全新的模型线。PaddleOCR 是很多模型模型的集合比如 PP-OCR 专用于文本检测和识别PP-ChatOCR 专用于 智能信息提取。而对于复杂文档解析PaddleOCR 原本是有个 PP-Structure 模型线而且已更新到了V3。不过 PP-Structure 用的是集成解析方案类似于 MinerU 的 pipeline 方案这种路线目前已逐步接近性能瓶颈。PaddleOCR-VL 则是一次方向转型通过一个 0.9B参数量的 VLM 模型实现了文档解析。根据其在 OmniDocBench 数据集披露的表现性能指标又比 MinerU 2.5 高了一点。本文就根据其技术报告[1]看看这个模型背后是什么机理。模型架构PaddleOCR-VL 是个两阶段的结构第一阶段采用 PP-DocLayoutV2 进行版面分析负责定位语义区域并预测阅读顺序第二阶段通过 PaddleOCR-VL-0.9B 模型基于版面预测结果对文本、表格、公式和图表等多样化内容进行细粒度识别最后将文档结构化转换为Markdown与JSON格式。这个思路和 MinerU 2.5 是一样的先检测位置再进行识别只不过 MinerU 2.5 两个阶段都是用的同一个模型PaddleOCR-VL 则是不同的模型。第一阶段PP-DocLayoutV2PP-DocLayoutV2 具体结构是由两个顺序连接的网络组成第一个基于RT-DETR的检测模型负责执行布局元素检测与分类第二个输入检测到的边界框和类别标签通过指针网络对这些布局元素进行排序第二阶段PaddleOCR-VL-0.9BPaddleOCR-VL-0.9B 的核心是通过 ERNIE-4.5-0.3B 这个语言模型驱动的它的输入包括两部分第一部分不同的任务指令(文本识别/表格识别)通过分词器(tokenizer)再进行向量化嵌入第二部分不同的图像元素通过NaViT风格编码器之后再经过两层MLP和GELU之后跟在指令输出后面NaViT风格编码器是 2023 年 Google 的一项工作特点是能够接收不同分辨率和长宽比图像的输入并且它支持可变分辨率推理即训练时可以采用较低分辨率推理时能自动适配更高分辨率图像。数据构建数据构建的整体流程如下图所示数据从四个途径获取开源数据集采用CASIA-HWDB等开源数据数据经过筛选和清洗剔除噪声较多及低质量的标注合成数据集为解决公共数据天然存在分布不均衡的问题采用数据合成策略低成本生成大量缺失数据类型网络数据集从网上获取学术论文、报纸、期刊文章、PPT等数据内部数据集内部积累的数据集获取数据之后利用 PP-StructureV3 对数据集进行初步推理生成伪标签然后用更先进的多模态大模型 ERNIE-4.5-VL 和 Qwen2.5-VL 对标签进行校验和改进。最后通过人工筛选、标注等方式进一步挖掘困难样本最后形成训练数据集。推理性能在报告附录中进一步展示 PaddleOCR-VL 在不同设备显卡和推理框架下的性能如下图所示从图中可以得出结论vLLM 的处理速度优于 SGLang所以正常部署选 vLLM 就行了最小显存占用在 RTX5070 显卡上是 8.9GB所以显存不足的一些消费级显卡想本地部署可以洗洗睡了普通消费级显卡基本上需要2-3秒处理完一页内容这比 MinerU 2.5的速度是要慢的作者表示还有优化空间在线使用通过 PaddleOCR-VL 试用Demo[2]可以在线进行使用。离线部署PaddleOCR-VL技术播客[3] 给出了离线部署方式。安装依赖安装 PaddlePaddle 和 PaddleOCRpython -m pip install paddlepaddle-gpu3.2.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/python -m pip install -U paddleocr[doc-parser]python -m pip install https://paddle-whl.bj.bcebos.com/nightly/cu126/safetensors/safetensors-0.6.2.dev0-cp38-abi3-linux_x86_64.whl快速使用CLI:paddleocr doc_parser -i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_ocr_vl_demo.pngPython API:from paddleocr import PaddleOCRVLpipeline PaddleOCRVL()output pipeline.predict(https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_ocr_vl_demo.png)for res in output: res.print() res.save_to_json(save_pathoutput) res.save_to_markdown(save_pathoutput)使用 vLLM 加速推理启动 vLLM 推理服务器默认端口是8080docker run \ --rm \ --gpus all \ --network host \ ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddlex-genai-vllm-serverCLI:paddleocr doc_parser \ -i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_ocr_vl_demo.png \ --vl_rec_backend vllm-server \ --vl_rec_server_url http://127.0.0.1:8080Python API:from paddleocr import PaddleOCRVLpipeline PaddleOCRVL(vl_rec_backendvllm-server, vl_rec_server_urlhttp://127.0.0.1:8080)output pipeline.predict(https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_ocr_vl_demo.png)for res in output: res.print() res.save_to_json(save_pathoutput) res.save_to_markdown(save_pathoutput)总结这项工作整体看下来是比较清晰的但是还是能看出做的比较“仓促”具体体现在双阶段模型用的是不同的模型这会有点割裂毕竟 VLM 的方向整体上走的是用一个模型解决全部问题用不同的模型组合仍然是一种“变相”的集成在推理效率方面用不同的模型组合不仅会占用更多的显存而且加速的空间也会降低个人合理揣测是当 MinerU 2.5 成果出来之后PaddleOCR 立马跟进最快速度开发的策略就是复用之前效果不错的组件或许这就是大公司的压力但能在短时间做出成果效率还是值得钦佩的。从旁观者角度看很乐意这些参赛选手“卷起来”因为这些工作都开源而且在数据标注方面可以成果交叉复用提升自动化标注的效果最终还是利好行业应用者。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】