Steven's Study Plan

最新推荐文章于 2025-03-31 16:29:10 发布
最新推荐文章于 2025-03-31 16:29:10 发布
阅读量524 收藏
点赞数
分类专栏： Office
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/TechViewer/article/details/26485369
版权
Steven制定了从9月到11月的学习计划，包括完成课程、学习Squid代理服务器、Windows 8特性、Windows Server 2012及PowerShell部署、Exchange Server角色命令集等内容。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 
    Hello ,Steven,It is half-past eight in the evening,There is your study plans,Look at the table,There are some project on the sheet,The table include rhel 6、WS2012、Powershell、Exchange Server 2010&2013、Lync Server 2010&2013 and so on. Follow the table please! At last,Hope you day going well.
 
Calendar
Project
Performance
Reason
9.20-9.25
ahead of schedule make an effort
9.25-9.30
Finished 133 courses
  
9-30-10.5
Learning squid
  
10.5-10.25
Learning Windows 8 features
  
10.25-10.31
Learning deploy WS2012&Win8
  
11.1-11.15
Learning Exchange roles Cmdlet
  
11.15-11.30
Learning Lync roles Cmdlet
  
 
    All right. Unconditional believe in yourself, you are the best of themselves are the best, you can make it.
 
 
How I wish me could have a nice sleep every night
 
Steven
September 18, 2012

本文出自 “阳光☆奋进” 博客，请务必保留此出处http://ucweb.blog.51cto.com/4042188/998067

多模态论文笔记——LLaVA
haopinglianlian的博客
12-28 1811
本文详细介绍多模态模型：LLaVA。处理包含图像和文本的多模态数据，并生成合理准确的回答。
VLM 系列——Llava——论文解读
TigerZ*的博客
01-28 1336
Llava 全称《Visual Instruction Tuning》，是一个多模态视觉-文本大语言模型，可以完成：图像描述、视觉问答、根据图片写代码（HTML、JS、CSS），潜在可以完成单个目标的视觉定位、名画名人等识别（问答、描述）。支持单幅图片输入（可以作为第一个或第二个输入），多轮文本对话。 本文基于CLIP的视觉编码器，以及LLaMa语言解码器，构建了一个大规模的多模态模型（使用最简单的单层FC映射视觉特征到文本长度），并且将该模型在指令视觉-语言数据上进行了微调。
多模态视觉大模型(2): 常用模型介绍（CLIP和LLAVA）
@bangbang的博客
04-28 2652
Loss使用的是交叉熵来定义，通过Loss来约束使得相同图像和文本对，他们的距离要足够近；其他不匹配的要尽可能远。我们可以换个视角来解决该问题，将它看做两个任务。第一个任务是针对每张图像我需要分类对，需要将它正确分类为对应的类别id;针对每个文本，我们也希望它也能够正确的分类到对应的类别id。所以可以通过两个交叉熵来实现，一个是文本分类的交叉熵，一个是图像分类的交叉熵，通过转置来实现。然后将两个交叉熵的损失加在一起就可以了，# 主函数# 加载数据集# 获取一个小批量的图像和标签。
LLaVA系列③——微调训练LLaVA并进行推理（附详细代码+讲解）
最新发布
Wang_Dou_Dou_的博客
03-31 1298
整体文章脉络如下：下载数据集、数据集的读取、辅助工具函数、模型的训练6 轻量数据集的微调训练、加载训练好的模型来推理。
LLaVA 简介：一种多模式 AI 模型
RA AI衍生者训练营的博客
08-21 3332
LLaVA 是一个端到端训练的大型多模态模型，旨在根据视觉输入（图像）和文本指令理解和生成内容。它结合了视觉编码器和语言模型的功能来处理和响应多模态输入。图 1：LLaVA 工作原理的示例。
【多模态&LLM】LLaVA系列算法架构演进：LLaVA（1.0-＞1.5-＞Next(1.6)-＞NeXT(Video)）
余俊晖，NLP炼丹师，目前专注自然语言处理领域研究。曾获得国内外自然语言处理算法竞赛TOP奖项近二十项。
01-12 1019
它们在多式联运环境中的有效性仍然有限。关键的障碍在于（1）开发一个强大的奖励系统，能够区分偏好的响应和不太偏好的响应，以及（2）从人类那里获取高质量的偏好数据既昂贵又费力，特别是对于多帧的视频输入。长度泛化：从多帧到长视频：受到 LLM 中处理长序列的最新进展的启发，例如在旋转位置嵌入 (RoPE) 中实现线性缩放，我们在 LLaVA-NeXT 中应用了类似的缩放方法。这种线性缩放的调整不仅有利于处理更多帧，而且为 LLaVA-NeXT 在综合视频分析中的应用开辟了新的途径，为该领域的未来研究树立了先例。
【LLM多模态】LLava模型架构和训练过程 | CLIP模型
热门推荐
发现问题，并解决问题，批判性思维
05-23 3万+
CLIP使用了对比学习的方法，即通过正样本（匹配的图像-文本对）和负样本（不匹配的图像-文本对）来训练模型。在训练过程中，模型会尝试最大化正样本对的相似度（比如通过计算余弦相似度），同时最小化负样本对的相似度。 CLIP模型在zero-shot学习中表现强大，可以直接用于zero-shot推理，比如将猫的图片emb后，将猪狗猫等类的文本描述也分别emb，计算图片和类别emb之间的相似度，从而进行分类。 CLIP-ViT-L/14模型的14表示每个patch的分辨率为14X14，比如在224x224像素的图像
LLaMA Adapter和LLaMA Adapter V2
ASS-ASH的博客
10-09 1686
LLaMA-Adapter是一个参数高效的多模态指令模型论文作者提出了 LLaMA-Adapter，一种轻量级的适应方法，可以有效地将 LLaMA 微调为一个跟随指令的模型。LLaMA-Adapter 使用 52K 个自我指示的样例，在冻结的 LLaMA 7B 模型上只引入了 120 万个可学习参数，在 8 个A100 GPU 上进行微调的成本不到 1 小时。具体来说，作者采用了一组可学习的适应性提示，并将其预置在较高 Transformer 层的输入文本标记上。
Amharic LLaMA and LLaVA: Multimodal LLMs for Low Resource Languages
lllllli_的博客
04-27 308
尽管LLM取得了成功，但由于可用的训练数据太少，它们往往难以在低资源语言上表现良好。这种简化在开源模型中尤其普遍。在这项工作中，我们探索训练LLaMA-2说阿姆哈拉语，阿姆哈拉语是一种全世界有5000多万人使用的语言，但其可用数据比英语等语言少几个数量级。我们使用以前用于在其他数据稀缺的语言上训练LLM的方法，并使用开源翻译模型来执行数据扩充，并将我们的数据集从数百万个令牌增长到数十亿个令牌。我们通过连接图像编码器，并以与LLaVA相同的方式在翻译的视觉指令调整数据集上进行训练，进一
Llamaindex+Llava实现多模态RAG（入门）
cycyc123的博客
04-01 4941
最近在做RAG相关的内容，发现多模态的问答加上本地知识库在垂直领域具有非常广泛的应用。本文第一部分会简单介绍RAG的基本知识，第二部分讲一下llamaindex的基础知识（有两部分没有讲，请自行参考官方文档），第三部分构建多模态的RAG系统。
LLaVa的概述
pumpkin84514的博客
06-21 2699
LLaVa (Large Language and Vision Assistant) 是一种先进的多模态人工智能模型，能够同时处理和理解文本和图像。这意味着 LLaVa 可以在同一时间分析来自语言和视觉的输入信息，做出综合判断和生成响应。LLaVa 结合了先进的图像处理和自然语言生成技术，能够理解和生成多模态内容。这种综合能力使得 LLaVa 在许多实际应用中具有强大的潜力，能够提供更智能和丰富的用户体验。
OpenAI最新模型来了！什么是GPT-4o？如何开启GPT-4o教程！
youmaob的博客
05-15 2448
5月13日上午10点，OpenAI发布了GPT-4的迭代版本，GPT-4o。GPT-4o (“o” for “omni”)，意思是更全能。免费给所有人使用，功能方面速度大幅度提升，处理文字、图片、语音会更快反应出来，GPT-4o 支持50种语言，可以进行实时语言同声翻译，还可以通过摄像头识别人类表情和情绪，并且通过语音来表达，GPT-4o不管是在语音、视觉功能上算得上目前最高模型的水平了。
多模态视觉大语言模型——LLaVA
机器学习，深度学习
08-01 1283
本文首次尝试使用GPT-4生成多模态指令数据，并基于这些数据训练了LLaVA(Large Language and Vision Assistant)模型，这是一种结合视觉编码器和语言模型的多模态大模型，用于视觉和语言理解。实验表明，LLaVA在多模态任务上表现优异，与GPT-4结合后实现了92.53%最佳准确率。研究还提供了公开数据、模型和代码，以促进视觉指令跟随领域的研究。
【03】LLaMA-Factory微调大模型——多模型部署
H66778899的博客
07-17 3339
【03】LLaMA-Factory微调大模型——多模型部署
多模态大模型: 盘点&Highlights part1.5——从LLaVA-NeXT到LLaVA-OneVision
baidu_25854831的博客
08-25 975
前言Hi大家好，我叫延捷，是一名计算机视觉算法工程师，也是叉烧的老朋友了。我们计划发布一系列关于多模态大模型的文章，帮助大家快速、精准地了解多模态大模型的前世今生，并且深入各个多模态大模型领域优秀的工作，希望能给大家一个脉络性的盘点，一起学习，共同进步。Hi大家好，我叫延捷，是一名计算机视觉算法工程师，也是叉烧的老朋友了。我们计划发布一系列关于多模态大模型的文章，帮助大家快速、精准地了解多模态大模...
macOS、Windows、Linux、Docker等各个平台通过ollama一键部署谷歌最新开源的gemma大模型，免费开源离线部署使用超越llama2、chatgpt4
代码讲故事
02-23 1万+
macOS、Windows、Linux、Docker等各个平台通过ollama一键部署谷歌最新开源的gemma大模型，免费开源离线部署使用超越chatgpt4。谷歌最强开源大模型亮相！Gemini技术下放，笔记本就能跑，可商用。
LLaMA模型指令微调 字节跳动多模态视频大模型 Valley 论文详解
qq_40491305的博客
07-09 1563
如下图，作者的数据生成piple包含四个步骤：1）生成任务指令，2）确定指令是否代表分类任务，3）使用输入优先或输出优先方法生成实例，4）过滤低质量的数据。然而，这些模型严重依赖于人类编写的指令数据，而这些数据通常在数量、多样性和创造力方面受到限制，因此阻碍了调整模型的通用性。，生成的输入会偏向于某个标签（label），比如是语法错误检测任务，他会生成 语法性的输入。首先生成丰富的指令，初始化175个任务，每个任务1个指令和1个实例；针对每一任务类型，作者独立的生成实例，即整个指令数据。
大模型入门（一）—— LLaMa/Alpaca/Vicuna
2401_85325397的博客
11-02 1455
LLaMa模型是Meta开源的大模型，模型参数从7B到65B不等，LLaMa-7B在大多数基准测试上超过了GPT3-173B，而LLaMa-65B和Chinchilla-70B、PaLM-540B相比也极具竞争力。 相比于ChatGPT或者GPT4来说，LLaMa可能效果上还有差距，但相比Closed AI，至少LLaMa论文和模型都开源出来了，目前hugging face已集成了LLaMa的代码实现和开源模型。学术界和工业界都可以在此基础上进行学习和研究。
多模态基础模型：一文读懂LLAVA系列模型
AIGCmagic的博客
08-25 8583
LLAVA系列多模态大模型以其强大的表现力和广泛的应用前景，吸引了众多科研人员和企业关注。本文将为您带来LLAVA多模态大模型系列的深度解读，从原始论文中抽丝剥茧，带您领略这一前沿技术的魅力。
llava和llama
08-29
Llava和llama这两个词似乎并不是直接相关的词汇。如果我们将它们分开来看： 1. Llava：这个词来源于西班牙语，意思是“岩浆”。在地质学中，岩浆是指存在于地壳深处、高温高压下的熔融岩石，通常在火山喷发时从地下喷出，冷却后形成各种岩石。 2. Llama：这是一个源自南美洲原住民语言的名词，特指一种动物——羊驼（Lama glama）。羊驼是一种无驼峰的偶蹄动物，属于骆驼科，广泛分布于安第斯山脉地区，以其毛皮和肉奶而被人类驯养。 所以，一个是自然现象（岩浆），另一个是动物物种（羊驼）。如果你有关于这两者的具体问题或者混淆的原因，可以告诉我。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值