- 博客(15)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Linux基础命令详解
掌握这些基础命令可以大大提高你在 Linux 系统上的工作效率。这些命令涵盖了文件管理、用户管理、网络管理、进程管理等各个方面的基本操作。通过结合使用这些命令，你可以轻松完成日常的系统管理和操作任务。
2024-09-05 14:08:48
1303
原创 如何通过ngrok反向代理，生成一个公网可访问的url
Ngrok 是一个反向代理工具，能够创建从本地开发环境到互联网的安全隧道。它允许在本地运行一个web服务，并通过一个公开的URL访问这个服务，而无需将应用部署到公网服务器上。Ngrok 对开发者特别有用，因为它能够在本地开发时进行调试、展示、集成和测试web应用。安全隧道：Ngrok可以通过HTTPS隧道将你的本地服务器暴露给外网用户，并且支持HTTP、TCP等多种协议的隧道。
2024-09-04 10:45:32
438
原创 VScode免密码连接远程服务器
从远程服务器上下载id_rsa文件放到本地电脑当前用户的.ssh路径下的autodl1文件夹下，注意这里的autodl1文件夹是我自己创建的，用于存放这台远程服务器的私钥。这一步是最重要的一步，目的是将你的公钥 (id_rsa.pub) 添加到目标服务器的 authorized_keys 文件中。添加IdentityFile行，后面的路径为你的id_rsa保存的路径。然后按esc，输入英文:冒号，输入wq，输入回车，保存退出。（默认探索免密码连接的兄弟都会连接，就不细讲了）点击小齿轮打开ssh配置文件。
2024-08-23 11:05:36
959
原创 如何利用FunAudioLLM搭建语音对话系统
如果子模块克隆失败可以进入FunAudioLLM-APP目录运行以下命令。创建download,py文件，用于下载模型。运行download,py，下载文件。
2024-08-22 17:31:03
983
原创 Gradio无法生成外部链接Could not create share link
Gradio无法生成外部链接 Could not create share link
2024-08-22 15:48:04
1017
原创 大模型微调基础
微调时，只训练这些Adapter模块，而冻结预训练模型的其他参数。这种方法可以保持预训练模型的泛化能力，同时适应新的任务需求。参数高效微调方法的核心思想是，只调整模型中的一小部分参数，而不是对整个模型进行全量微调。这些方法的优势在于，它们能够显著减少需要训练的参数数量，从而降低计算成本和所需的数据量。Prefix Tuning方法是在模型的输入序列前面添加可训练的前缀向量，微调时只训练这些前缀向量，而模型本身的参数保持不变。微调过程中，超参数的选择和调整至关重要，它们直接影响模型的训练效率和最终表现。
2024-08-16 14:37:34
416
原创 力扣-初级算法-字符串
行程长度编码（RLE）是一种字符串压缩方法，其工作原理是通过将连续相同字符（重复两次或更多次）替换为字符重复次数（运行长度）和字符的串联。例如，要压缩字符串 “3322251” ，我们将 “33” 用 “23” 替换，将 “222” 用 “32” 替换，将 “5” 用 “15” 替换并将 “1” 用 “11” 替换。具体来说，小于 −231 的整数应该被舍入为 −231 ，大于 231 − 1 的整数应该被舍入为 231 − 1。给定一个字符串 s ，找到 它的第一个不重复的字符，并返回它的索引。
2024-08-14 17:34:22
1081
原创 力扣-初级算法-数组
返回结果中每个元素出现的次数，应与元素在两个数组中都出现的次数一致（如果出现次数不一致，则考虑取较小值）。给你一个 非严格递增排列 的数组 nums ，请你 原地 删除重复出现的元素，使每个元素 只出现一次 ，返回删除后数组的新长度。更改数组 nums ，使 nums 的前 k 个元素包含唯一元素，并按照它们最初在 nums 中出现的顺序排列。给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出 和为目标值 target 的那 两个 整数，并返回它们的数组下标。
2024-08-13 23:14:13
1006
原创 在GPU上Lenet5模型Mindspore框架实现
以下代码是Lenet模型在Mindspore框架上的简单实现，代码可以跑通，但结果还存在优化空间，可能与本实验是在GPU上跑Mindspore模型有关，同样的模型在pytorch上结果很好，但在Mindpore上性能一般。后续准备在华为服务器上用同样代码再进行一下实验。结果做了一点简单的可视化展示，绘制了loss和acc曲线以及混淆矩阵。，包含25000张猫狗图像。
2024-08-12 10:19:27
346
原创 算法刷题---两数之和
给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出 和为目标值 target 的那 两个 整数，并返回它们的数组下标。你可以假设每种输入只会对应一个答案。但是，数组中同一个元素在答案里不能重复出现。你可以按任意顺序返回答案。
2024-08-09 10:54:33
142
原创 在虚拟机上使用nvidia-smi命令查看cuda版本不是实际cuda版本
当你在虚拟机上使用nvidia-smi命令查看当前cuda版本时显示的是物理机的cuda版本而不是当前虚拟机中的cuda版本。可以看到使用nvidia-smi查看的cuda版本为12.4，而nvcc --version查看的cuda版本为11.6。此时可以使用以下命令查看cuda版本。
2024-08-06 15:26:26
821
原创 机器学习中对变量的处理
将类别用一个向量表示，向量的长度等于类别总数N，向量中N-1个位置都为0，剩下一个为1，而1所在位置与向量表示的类别相对应。在实际操作中还可以直接调用scikit-learn中的函数直接进行编码操作，不过调用函数之前需要先对数据中的NAN值进行处理，。这些数字编码往往是由矩阵的形式存储的，取值为0或1，为了节省空间，可以采用键值对的形式记录1的位置和值。由于对计算机来说，它只能理解总共有多少类别，类别之间不同名称并没有什么区别，因此我们往往需要将类别转换成数字再后续操作。这种编码操作的常见操作有如下。
2023-08-17 20:20:55
179
原创 机器学习中常用的metrics
假设AUC为0.8，从数据集中随机选择一个正样本和一个负样本，那么正样本将以0.8的概率排名高于负样本。如果一个样本的得分高于另一个样本，那么可以说这个样本在模型中的排名高于另一个样本。在这个例子中，如果有正样本以0.8的概率排名高于负样本，这意味着正样本在模型中被分配了更高的概率得分，即模型认为它更可能属于正类。也就是说，如果模型对某个样本的预测非常确定，但预测结果却非常错误，那么对数损失会给予较大的惩罚。加权精确度：与宏平均精确度相同，但在这种情况下，它是根据每个类别中的项目数量进行加权平均的。
2023-08-02 13:18:59
783
原创 机器学习中的cross-validation
在机器学习中，将数据集分为两部分，一部分用来训练，一部分用来测试。为了模型能学习到更完备又不带“偏见”的特征，于是重复数据划分的过程，保证所有的数据都会被丢入到模型中进行训练。在这个过程中，上一次用于测试的数据可能下次就会用于训练，上一次用于训练的数据，下次可能会用于测试，于是称其为交叉验证。
2023-07-30 20:26:59
177
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人