深度分析StructBERT模型注意力机制在相似度计算中的可视化你有没有想过当AI模型判断两句话“像不像”的时候它到底在“看”什么是像我们人类一样抓住几个核心词还是有一套我们无法理解的“黑箱”逻辑今天我们就来打开这个“黑箱”看看StructBERT模型在计算文本相似度时内部的注意力机制究竟是如何工作的。通过将抽象的权重数值转化为直观的热力图我们不仅能“看见”模型的思考过程还能理解它做出判断的依据。这对于我们信任模型、调试模型甚至改进模型都至关重要。简单来说这就像给AI装了一个“思维可视化”的仪表盘。我们将通过几个具体的例子一步步展示如何生成和解读这些热力图看看模型到底把“注意力”聚焦在了哪些词语上从而判断两句话是相似还是不同。1. 理解注意力机制模型的“聚光灯”在深入可视化之前我们得先搞明白什么是注意力机制。你可以把它想象成我们阅读时的“聚光灯”。当你读一句话比如“那只棕色的小狗在公园里快乐地奔跑”你的大脑并不会平均处理每一个字。你的“注意力”会自然地聚焦在“小狗”、“奔跑”、“公园”这些核心名词和动词上而“那只”、“在”、“里”这些功能词可能只是一带而过。正是这种有选择的聚焦帮助你快速理解了句子的主旨。StructBERT模型中的注意力机制干的是类似的事情。它由多个“注意力头”组成每个头都像一束独立的聚光灯可以从不同的角度比如语法、语义去扫描和权衡句子中所有词与词之间的关系。当模型处理两个句子计算它们的相似度时这些“聚光灯”会在两个句子之间来回扫射。模型会计算第一个句子中的每个词与第二个句子中的每个词之间的关联强度这个强度就是“注意力权重”。权重越高说明在模型看来这两个词对于判断句子相似性越关键。我们的目标就是把这成千上万个权重数值变成一张张色彩斑斓的热力图让模型的“关注点”一目了然。2. 实战准备提取注意力权重理论说完了我们动手把模型的“注意力”抓取出来。这里我们使用transformers库来加载一个预训练的StructBERT模型。import torch from transformers import BertTokenizer, BertModel import numpy as np import matplotlib.pyplot as plt import seaborn as sns # 1. 加载模型和分词器 model_name bert-base-uncased # 这里以BERT为例StructBERT原理类似通常有中文预训练版本 tokenizer BertTokenizer.from_pretrained(model_name) model BertModel.from_p_pretrained(model_name, output_attentionsTrue) # 关键输出注意力权重 # 2. 准备一对示例句子 sentence_a The cat sits on the mat. sentence_b A kitten is sitting on the rug. # 3. 分词并编码 inputs tokenizer(sentence_a, sentence_b, return_tensorspt, paddingTrue, truncationTrue) # inputs 现在包含input_ids, token_type_ids, attention_mask print(分词结果:, tokenizer.convert_ids_to_tokens(inputs[input_ids][0]))运行这段代码你会得到分词后的序列其中包含了[CLS]和[SEP]等特殊标记。接下来我们让模型进行前向传播并指定输出注意力权重。# 4. 模型前向传播获取注意力权重 with torch.no_grad(): outputs model(**inputs) # outputs 包含 last_hidden_state, pooler_output, attentions attentions outputs.attentions # 这是一个元组包含每一层12层的注意力权重 # 注意力权重的形状: (batch_size, num_heads, sequence_length, sequence_length) # 我们取第一个样本最后一层第12层的注意力权重 layer_id -1 # 最后一层 attention_weights attentions[layer_id][0] # shape: (12, seq_len, seq_len) print(f注意力头数量: {attention_weights.shape[0]}) print(f序列长度: {attention_weights.shape[1]})现在attention_weights变量里就存储了模型最后一个编码层所有12个注意力头对于输入序列的注意力权重。这是一个三维数组我们可以把它想象成12张二维表格热力图每张表格的大小是序列长度 x 序列长度表格中第i行第j列的值就代表了第i个词在生成自己的表示时对第j个词的关注程度。3. 可视化呈现绘制注意力热力图有了数据画图就简单了。我们选择其中一个注意力头比如头0来可视化。# 5. 可视化某一个注意力头 def plot_attention_head(head_id, attention_matrix, tokens): 绘制单个注意力头的热力图。 head_id: 注意力头的索引0-11 attention_matrix: 注意力权重张量 (num_heads, seq_len, seq_len) tokens: 对应的token列表 data attention_matrix[head_id].numpy() plt.figure(figsize(10, 8)) ax sns.heatmap(data, xticklabelstokens, yticklabelstokens, cmapReds, cbar_kws{label: Attention Weight}, squareTrue) ax.set_title(fAttention Head #{head_id1}) ax.set_xlabel(Key Tokens) ax.set_ylabel(Query Tokens) plt.xticks(rotation45, haright) plt.yticks(rotation0) plt.tight_layout() plt.show() # 获取token列表用于坐标轴标签 tokens tokenizer.convert_ids_to_tokens(inputs[input_ids][0]) # 绘制第0号注意力头的热力图 plot_attention_head(0, attention_weights, tokens)运行后你会得到一张热力图。X轴和Y轴都是我们的分词序列包括特殊标记。图中颜色越亮越红的地方代表注意力权重越高。但是这张图可能有点“乱”。因为注意力机制会关注[CLS]、[SEP]和标点符号。为了更清晰地看到句子间的语义关联我们通常更关心一个句子中的词对另一个句子中词的注意力。我们可以稍微调整一下代码聚焦于句子A到句子B的注意力。# 6. 可视化句子A到句子B的交叉注意力以某个头为例 def plot_cross_attention(head_id, attention_matrix, tokens_a, tokens_b, sep_id): 专门绘制从句子AQuery到句子BKey的注意力。 需要知道[SEP]标记的位置来分割句子。 # 假设第一个[SEP]标记之后是句子B的开始 b_start sep_id 1 # 我们只取Query来自句子A[CLS] A [SEP]Key来自句子B的部分 # Query索引: 0 到 sep_id (包含[SEP]) # Key索引: b_start 到末尾 cross_attention attention_matrix[head_id, :sep_id1, b_start:-1].numpy() # -1是为了去掉最后的[SEP]或[PAD] plt.figure(figsize(len(tokens_b[b_start:-1])*0.8, len(tokens_a[:sep_id1])*0.8)) ax sns.heatmap(cross_attention, xticklabelstokens_b[b_start:-1], yticklabelstokens_a[:sep_id1], cmapBlues, cbar_kws{label: Attention Weight}, squareTrue) ax.set_title(fCross Attention (Head #{head_id1}): Sentence A - Sentence B) ax.set_xlabel(Tokens in Sentence B) ax.set_ylabel(Tokens in Sentence A) plt.xticks(rotation45, haright) plt.yticks(rotation0) plt.tight_layout() plt.show() # 找到第一个[SEP]标记的索引 sep_token_id tokenizer.sep_token_id sep_position (inputs[input_ids][0] sep_token_id).nonzero(as_tupleTrue)[0][0].item() tokens_all tokenizer.convert_ids_to_tokens(inputs[input_ids][0]) tokens_a tokens_all[:sep_position1] # 包含[SEP] tokens_b tokens_all[sep_position1:] # 句子B的tokens plot_cross_attention(0, attention_weights, tokens_a, tokens_b, sep_position)这张热力图会更干净。Y轴是句子A的词包括[CLS]X轴是句子B的词。我们可以看到句子A中的每个词分别对句子B中的哪些词投以了“关注”。4. 案例深度解读模型到底在看什么现在我们来看几个具体的例子解读热力图背后的故事。4.1 案例一同义替换与语义聚焦我们回到最初的例子A: “The cat sits on the mat.”B: “A kitten is sitting on the rug.”生成热力图后建议使用最后几层的注意力头观察你可能会发现“cat”这个词对“kitten”有非常高的注意力权重。这很好理解因为它们是同义词是语义匹配的核心。“sits”对“sitting”也有强关注。模型识别出了它们都是“坐”的不同形态。更有趣的是“mat”对“rug”也形成了强关联。这表明模型不仅仅在做简单的词匹配它真正理解了“垫子”和“小地毯”在上下文中的相似性。而“the”、“on”、“the”这些功能词它们的注意力可能比较分散或集中在对应的语法词上但对整体相似度判断的贡献相对较小。解读模型通过注意力机制精准地抓住了两句话中语义相同的核心成分猫、坐、垫子并建立了跨句子的连接。这正是它判断两句话高度相似的依据。4.2 案例二否定词与逻辑反转再看一对句子A: “I love this movie.”B: “I dont love this movie.”在这对句子的热力图中你会发现“love”在两句中都出现了并且会相互关注。但是句子B中的“dont”或“not”取决于分词会获得极高的注意力权重尤其是从句子A的[CLS]标记用于做分类判断或“love”这个词指向它。模型会强烈地注意到这个否定词从而明白两句话的情感是相反的。解读注意力机制帮助模型捕捉到了关键的逻辑运算符否定词。[CLS]标记在汇总句子信息时会特别关注这个否定信号从而得出“两句不相似”或“语义相反”的结论。这展示了模型对逻辑结构的理解。4.3 案例三长距离依赖与指代关系看一个复杂点的例子A: “The scientist who published the groundbreaking paper received an award.”B: “She was honored for her research.”在这对句子的热力图中你可能会观察到句子B中的“She”和“her”会强烈地关注句子A中的“scientist”。尽管“she”和“scientist”在词形上毫无关系但模型通过注意力建立了这种指代关联。“research”可能会关注“paper”甚至“groundbreaking”。“honored”与“award”形成对应。解读这体现了注意力机制处理长距离依赖和指代消解的强大能力。模型不需要像传统方法那样依赖固定的句法分析它能动态地、直接地在“She”和“The scientist”之间建立连接这是理解两句谈论同一主题一位科学家获奖的关键。5. 不同注意力头的分工我们之前只看了某一个头。实际上12个注意力头可能各有分工。我们可以快速浏览一下所有头看看模式是否不同。# 7. 快速查看所有注意力头的模式句子A到句子B的交叉注意力 fig, axes plt.subplots(3, 4, figsize(20, 15)) axes axes.flatten() for head in range(12): ax axes[head] # 计算该头的交叉注意力数据 (简化版取均值或某一行例如[CLS]对句子B的注意力) # 这里展示[CLS]标记对句子B的注意力它常用来做句子级表示 cls_to_b attention_weights[head, 0, sep_position1:-1].numpy() ax.bar(range(len(cls_to_b)), cls_to_b) ax.set_title(fHead {head1}) ax.set_xticks(range(len(cls_to_b))) ax.set_xticklabels(tokens_b[1:], rotation90, fontsize8) # 从第一个词开始 ax.set_ylabel(Attn Weight from [CLS]) plt.tight_layout() plt.show()通过这个条形图矩阵你可能会发现有的头例如头1、头5可能专门关注名词实体如“cat”-“kitten”。有的头例如头3、头7可能更关注动词或动作状态如“sits”-“sitting”。有的头例如头0、头11可能更关注句子的整体结构或功能词。还有的头可能看起来比较“分散”这不一定代表它没用它可能在捕捉更广泛的上下文信息。这种“多头”机制让模型可以并行地从不同子空间学习不同的关系从而获得更丰富的表示。6. 总结与启示通过这一系列的可视化分析我们像做了一次AI模型的“脑部CT”清晰地看到了StructBERT在判断文本相似度时的“思维轨迹”。整个过程下来最深的感受是现代Transformer模型的注意力机制并非不可捉摸。它以一种可解释的方式将语义匹配、句法对齐和逻辑关联这些抽象任务转化为了词与词之间具体的、可量化的关联强度。可视化让我们看到模型确实在“聪明地”工作——它知道该忽略什么该聚焦什么。这对于我们做可解释AIXAI和模型调试非常有价值。例如如果你发现模型对一个重要的同义词对如“手机”和“移动电话”没有给予足够关注导致误判那么你可能需要在相关的训练数据或微调策略上做文章。热力图成为了连接模型内部运作与人类理解的一座桥梁。当然这只是冰山一角。注意力权重的解释也需要谨慎一个头的热力图不一定代表模型的全部“理由”。但毫无疑问这种可视化工具极大地增强了我们对复杂模型的掌控感和信任度。下次当你使用一个BERT类模型时不妨也试着提取一下它的注意力看看它为你做出的判断背后有着怎样一幅精彩的“注意力地图”。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
深度分析：StructBERT模型注意力机制在相似度计算中的可视化
深度分析StructBERT模型注意力机制在相似度计算中的可视化你有没有想过当AI模型判断两句话“像不像”的时候它到底在“看”什么是像我们人类一样抓住几个核心词还是有一套我们无法理解的“黑箱”逻辑今天我们就来打开这个“黑箱”看看StructBERT模型在计算文本相似度时内部的注意力机制究竟是如何工作的。通过将抽象的权重数值转化为直观的热力图我们不仅能“看见”模型的思考过程还能理解它做出判断的依据。这对于我们信任模型、调试模型甚至改进模型都至关重要。简单来说这就像给AI装了一个“思维可视化”的仪表盘。我们将通过几个具体的例子一步步展示如何生成和解读这些热力图看看模型到底把“注意力”聚焦在了哪些词语上从而判断两句话是相似还是不同。1. 理解注意力机制模型的“聚光灯”在深入可视化之前我们得先搞明白什么是注意力机制。你可以把它想象成我们阅读时的“聚光灯”。当你读一句话比如“那只棕色的小狗在公园里快乐地奔跑”你的大脑并不会平均处理每一个字。你的“注意力”会自然地聚焦在“小狗”、“奔跑”、“公园”这些核心名词和动词上而“那只”、“在”、“里”这些功能词可能只是一带而过。正是这种有选择的聚焦帮助你快速理解了句子的主旨。StructBERT模型中的注意力机制干的是类似的事情。它由多个“注意力头”组成每个头都像一束独立的聚光灯可以从不同的角度比如语法、语义去扫描和权衡句子中所有词与词之间的关系。当模型处理两个句子计算它们的相似度时这些“聚光灯”会在两个句子之间来回扫射。模型会计算第一个句子中的每个词与第二个句子中的每个词之间的关联强度这个强度就是“注意力权重”。权重越高说明在模型看来这两个词对于判断句子相似性越关键。我们的目标就是把这成千上万个权重数值变成一张张色彩斑斓的热力图让模型的“关注点”一目了然。2. 实战准备提取注意力权重理论说完了我们动手把模型的“注意力”抓取出来。这里我们使用transformers库来加载一个预训练的StructBERT模型。import torch from transformers import BertTokenizer, BertModel import numpy as np import matplotlib.pyplot as plt import seaborn as sns # 1. 加载模型和分词器 model_name bert-base-uncased # 这里以BERT为例StructBERT原理类似通常有中文预训练版本 tokenizer BertTokenizer.from_pretrained(model_name) model BertModel.from_p_pretrained(model_name, output_attentionsTrue) # 关键输出注意力权重 # 2. 准备一对示例句子 sentence_a The cat sits on the mat. sentence_b A kitten is sitting on the rug. # 3. 分词并编码 inputs tokenizer(sentence_a, sentence_b, return_tensorspt, paddingTrue, truncationTrue) # inputs 现在包含input_ids, token_type_ids, attention_mask print(分词结果:, tokenizer.convert_ids_to_tokens(inputs[input_ids][0]))运行这段代码你会得到分词后的序列其中包含了[CLS]和[SEP]等特殊标记。接下来我们让模型进行前向传播并指定输出注意力权重。# 4. 模型前向传播获取注意力权重 with torch.no_grad(): outputs model(**inputs) # outputs 包含 last_hidden_state, pooler_output, attentions attentions outputs.attentions # 这是一个元组包含每一层12层的注意力权重 # 注意力权重的形状: (batch_size, num_heads, sequence_length, sequence_length) # 我们取第一个样本最后一层第12层的注意力权重 layer_id -1 # 最后一层 attention_weights attentions[layer_id][0] # shape: (12, seq_len, seq_len) print(f注意力头数量: {attention_weights.shape[0]}) print(f序列长度: {attention_weights.shape[1]})现在attention_weights变量里就存储了模型最后一个编码层所有12个注意力头对于输入序列的注意力权重。这是一个三维数组我们可以把它想象成12张二维表格热力图每张表格的大小是序列长度 x 序列长度表格中第i行第j列的值就代表了第i个词在生成自己的表示时对第j个词的关注程度。3. 可视化呈现绘制注意力热力图有了数据画图就简单了。我们选择其中一个注意力头比如头0来可视化。# 5. 可视化某一个注意力头 def plot_attention_head(head_id, attention_matrix, tokens): 绘制单个注意力头的热力图。 head_id: 注意力头的索引0-11 attention_matrix: 注意力权重张量 (num_heads, seq_len, seq_len) tokens: 对应的token列表 data attention_matrix[head_id].numpy() plt.figure(figsize(10, 8)) ax sns.heatmap(data, xticklabelstokens, yticklabelstokens, cmapReds, cbar_kws{label: Attention Weight}, squareTrue) ax.set_title(fAttention Head #{head_id1}) ax.set_xlabel(Key Tokens) ax.set_ylabel(Query Tokens) plt.xticks(rotation45, haright) plt.yticks(rotation0) plt.tight_layout() plt.show() # 获取token列表用于坐标轴标签 tokens tokenizer.convert_ids_to_tokens(inputs[input_ids][0]) # 绘制第0号注意力头的热力图 plot_attention_head(0, attention_weights, tokens)运行后你会得到一张热力图。X轴和Y轴都是我们的分词序列包括特殊标记。图中颜色越亮越红的地方代表注意力权重越高。但是这张图可能有点“乱”。因为注意力机制会关注[CLS]、[SEP]和标点符号。为了更清晰地看到句子间的语义关联我们通常更关心一个句子中的词对另一个句子中词的注意力。我们可以稍微调整一下代码聚焦于句子A到句子B的注意力。# 6. 可视化句子A到句子B的交叉注意力以某个头为例 def plot_cross_attention(head_id, attention_matrix, tokens_a, tokens_b, sep_id): 专门绘制从句子AQuery到句子BKey的注意力。 需要知道[SEP]标记的位置来分割句子。 # 假设第一个[SEP]标记之后是句子B的开始 b_start sep_id 1 # 我们只取Query来自句子A[CLS] A [SEP]Key来自句子B的部分 # Query索引: 0 到 sep_id (包含[SEP]) # Key索引: b_start 到末尾 cross_attention attention_matrix[head_id, :sep_id1, b_start:-1].numpy() # -1是为了去掉最后的[SEP]或[PAD] plt.figure(figsize(len(tokens_b[b_start:-1])*0.8, len(tokens_a[:sep_id1])*0.8)) ax sns.heatmap(cross_attention, xticklabelstokens_b[b_start:-1], yticklabelstokens_a[:sep_id1], cmapBlues, cbar_kws{label: Attention Weight}, squareTrue) ax.set_title(fCross Attention (Head #{head_id1}): Sentence A - Sentence B) ax.set_xlabel(Tokens in Sentence B) ax.set_ylabel(Tokens in Sentence A) plt.xticks(rotation45, haright) plt.yticks(rotation0) plt.tight_layout() plt.show() # 找到第一个[SEP]标记的索引 sep_token_id tokenizer.sep_token_id sep_position (inputs[input_ids][0] sep_token_id).nonzero(as_tupleTrue)[0][0].item() tokens_all tokenizer.convert_ids_to_tokens(inputs[input_ids][0]) tokens_a tokens_all[:sep_position1] # 包含[SEP] tokens_b tokens_all[sep_position1:] # 句子B的tokens plot_cross_attention(0, attention_weights, tokens_a, tokens_b, sep_position)这张热力图会更干净。Y轴是句子A的词包括[CLS]X轴是句子B的词。我们可以看到句子A中的每个词分别对句子B中的哪些词投以了“关注”。4. 案例深度解读模型到底在看什么现在我们来看几个具体的例子解读热力图背后的故事。4.1 案例一同义替换与语义聚焦我们回到最初的例子A: “The cat sits on the mat.”B: “A kitten is sitting on the rug.”生成热力图后建议使用最后几层的注意力头观察你可能会发现“cat”这个词对“kitten”有非常高的注意力权重。这很好理解因为它们是同义词是语义匹配的核心。“sits”对“sitting”也有强关注。模型识别出了它们都是“坐”的不同形态。更有趣的是“mat”对“rug”也形成了强关联。这表明模型不仅仅在做简单的词匹配它真正理解了“垫子”和“小地毯”在上下文中的相似性。而“the”、“on”、“the”这些功能词它们的注意力可能比较分散或集中在对应的语法词上但对整体相似度判断的贡献相对较小。解读模型通过注意力机制精准地抓住了两句话中语义相同的核心成分猫、坐、垫子并建立了跨句子的连接。这正是它判断两句话高度相似的依据。4.2 案例二否定词与逻辑反转再看一对句子A: “I love this movie.”B: “I dont love this movie.”在这对句子的热力图中你会发现“love”在两句中都出现了并且会相互关注。但是句子B中的“dont”或“not”取决于分词会获得极高的注意力权重尤其是从句子A的[CLS]标记用于做分类判断或“love”这个词指向它。模型会强烈地注意到这个否定词从而明白两句话的情感是相反的。解读注意力机制帮助模型捕捉到了关键的逻辑运算符否定词。[CLS]标记在汇总句子信息时会特别关注这个否定信号从而得出“两句不相似”或“语义相反”的结论。这展示了模型对逻辑结构的理解。4.3 案例三长距离依赖与指代关系看一个复杂点的例子A: “The scientist who published the groundbreaking paper received an award.”B: “She was honored for her research.”在这对句子的热力图中你可能会观察到句子B中的“She”和“her”会强烈地关注句子A中的“scientist”。尽管“she”和“scientist”在词形上毫无关系但模型通过注意力建立了这种指代关联。“research”可能会关注“paper”甚至“groundbreaking”。“honored”与“award”形成对应。解读这体现了注意力机制处理长距离依赖和指代消解的强大能力。模型不需要像传统方法那样依赖固定的句法分析它能动态地、直接地在“She”和“The scientist”之间建立连接这是理解两句谈论同一主题一位科学家获奖的关键。5. 不同注意力头的分工我们之前只看了某一个头。实际上12个注意力头可能各有分工。我们可以快速浏览一下所有头看看模式是否不同。# 7. 快速查看所有注意力头的模式句子A到句子B的交叉注意力 fig, axes plt.subplots(3, 4, figsize(20, 15)) axes axes.flatten() for head in range(12): ax axes[head] # 计算该头的交叉注意力数据 (简化版取均值或某一行例如[CLS]对句子B的注意力) # 这里展示[CLS]标记对句子B的注意力它常用来做句子级表示 cls_to_b attention_weights[head, 0, sep_position1:-1].numpy() ax.bar(range(len(cls_to_b)), cls_to_b) ax.set_title(fHead {head1}) ax.set_xticks(range(len(cls_to_b))) ax.set_xticklabels(tokens_b[1:], rotation90, fontsize8) # 从第一个词开始 ax.set_ylabel(Attn Weight from [CLS]) plt.tight_layout() plt.show()通过这个条形图矩阵你可能会发现有的头例如头1、头5可能专门关注名词实体如“cat”-“kitten”。有的头例如头3、头7可能更关注动词或动作状态如“sits”-“sitting”。有的头例如头0、头11可能更关注句子的整体结构或功能词。还有的头可能看起来比较“分散”这不一定代表它没用它可能在捕捉更广泛的上下文信息。这种“多头”机制让模型可以并行地从不同子空间学习不同的关系从而获得更丰富的表示。6. 总结与启示通过这一系列的可视化分析我们像做了一次AI模型的“脑部CT”清晰地看到了StructBERT在判断文本相似度时的“思维轨迹”。整个过程下来最深的感受是现代Transformer模型的注意力机制并非不可捉摸。它以一种可解释的方式将语义匹配、句法对齐和逻辑关联这些抽象任务转化为了词与词之间具体的、可量化的关联强度。可视化让我们看到模型确实在“聪明地”工作——它知道该忽略什么该聚焦什么。这对于我们做可解释AIXAI和模型调试非常有价值。例如如果你发现模型对一个重要的同义词对如“手机”和“移动电话”没有给予足够关注导致误判那么你可能需要在相关的训练数据或微调策略上做文章。热力图成为了连接模型内部运作与人类理解的一座桥梁。当然这只是冰山一角。注意力权重的解释也需要谨慎一个头的热力图不一定代表模型的全部“理由”。但毫无疑问这种可视化工具极大地增强了我们对复杂模型的掌控感和信任度。下次当你使用一个BERT类模型时不妨也试着提取一下它的注意力看看它为你做出的判断背后有着怎样一幅精彩的“注意力地图”。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
