【资料分享】四六级历年真题（2016-2023)

已于 2024-05-25 21:20:19 修改
阅读量344 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 资料分享 文章标签： html python
于 2024-05-25 21:18:21 首次发布
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/Tom299/article/details/139203617
DeepSeek HuggingFace 70B Llama 版本 （DeepSeek-R1-Distill-Llama-70B）
简简单单Onlinezuozuo
02-14 1087
DeepSeek-R1-Zero 是一种通过大规模强化学习 （RL） 训练的模型，没有监督微调 （SFT） 作为初步步骤，在推理方面表现出了卓越的性能。随着 RL 的出现，DeepSeek-R1-Zero 自然而然地出现了许多强大而有趣的推理行为。但是，DeepSeek-R1-Zero 遇到了无休止的重复、可读性差和语言混合等挑战。为了解决这些问题并进一步提高推理性能， DeepSeek 开始了 DeepSeek-R1，它在 RL 之前整合了冷启动数据。
5分钟在本地PC上使用VLLM快速启动Valdemardi/DeepSeek-R1-Distill-Llama-70B-AWQ
engchina的专栏
02-11 2498
5分钟在本地PC上使用VLLM快速启动Valdemardi/DeepSeek-R1-Distill-Llama-70B-AWQ
LlamaFactory可视化模型微调-Deepseek模型微调+CUDA Toolkit+cuDNN安装
寓教于乐。教己助人
02-15 4254
进行指令监督微调时， instruction 列对应的内容会与 input 列对应的内容拼接后作为最终的人类输入，即人类输入为 instruction\ninput。而 output 列对应的内容为模型回答。如果您对模型效果满意并需要导出模型，您可以在导出界面通过指定 模型、 适配器、 分块大小、 导出量化等级及校准数据集、 导出设备、 导出目录 等参数后点击 导出 按钮导出模型。instruction 列对应的内容为人类指令， input 列对应的内容为人类输入， output 列对应的内容为模型回答。
用llama-factory微调DeepSeek-R1
xuebodx0923的博客
02-23 1789
用llama-factory的0.9.1版本微调DeepSeek-R1-Distill-Qwen-1.5B,微调数据是对文档段进行问答对提取的4000条样本。使用微调后的模型进行推理。合并微调后的模型问题。微调GPU配置H20-96G。H20-96Gpython3.10.8touch 2.1.2+cu121torchvision 0.16.2+cu121CUDA Version: 12.4https://github.com/hiyouga/LLaMA-Factory/tree/v0.9.1cd LLa
LLaMA Factory：微调DeepSeek-R1-Distill-Qwen-7B模型实现新闻标题分类器
python12345_的博客
06-04 1302
本教程将基于深度求索公司开源的 DeepSeek-R1-Distill-Qwen-7B 模型（以 Qwen2.5-Math-7B 为基模型从 DeepSeek-R1 蒸馏得到），介绍如何使用 PAI 平台及 LLaMA Factory 训练框架微调得到新闻标题分类器：给定新闻的类别范围，通过自然语言触发新闻标题分类的功能，并以特定的格式进行返回
使用 LLaMA-Factory 对 DeepSeek R1进行微调教程
liuwanqing233333的博客
04-15 1129
使用 LLaMA-Factory 对 DeepSeek R1进行微调教程
AI探索 | 基于LLaMA-Factory的Deepseek模型微调
2301_81888214的博客
04-10 1379
在人工智能的浪潮下，大模型的应用愈发广泛，而如何对预训练模型进行高效微调，使其更贴合特定任务，成为研究与应用的关键。本期AI探索将围绕LLaMA-Factory，系统讲解基于LLaMA-Factory的Deepseek模型的微调流程，包括基础概念、环境配置、数据集准备、网页端与终端命令行训练、模型合并等内容。
政安晨的AI大模型训练实践 五：用最小的模型 DeepSeek-R1-1.5B-Distill 尝试训练（用最省事最默认的参数微调一下）
政安晨——致力于AI人工智能数字互动领域
02-09 1846
LLaMAFactory工具训练模型的流程包括数据准备、特征工程、模型选择、模型训练、模型评估、模型调优和模型保存和部署。通过这个流程，可以从原始数据到训练好的模型，并在实际应用中使用。
Ubuntu 服务器Llama Factory 搭建DeepSeek-R1微调训练环境
谁念西风独自凉
02-20 2200
LLaMA-Factory 是一个强大的大型语言模型微调框架：支持多种模型：涵盖 LLaMA、LLaVA、Mistral、Mixtral-MOE、Qwen、Qwen2-VL、Yi、Gemma、Baichuan、ChatGLM、Phi 等 100 多种模型。集成多种方法：包括（增量）预训练、（多模态）监督微调、奖励建模、PPO、DPO、KTO、ORPO 等方法，满足不同任务和场景的需求。
自然语言处理_大语言模型微调_LoRA算法_FastAPI接口部署_深度学习_LLama-Factory框架_DeepSeek-R1-Distill-Qwen-15B基座模型_企.zip
最新发布
07-14
在深入分析标题、描述和文件列表之前，我们可以得出，该压缩包文件涉及到自然语言处理、大语言模型微调、LoRA算法、FastAPI接口部署、深度学习、LLama-Factory框架、DeepSeek-R1-Distill-Qwen-15B基座模型以及企业...
LLaMA-Factory GLM4-9B-CHAT LoRA 指令微调实战
每天八杯水的博客
12-24 1057
LLaMA-Factory GLM LoRA 指令微调
LlamaFactory-Deepseek模型微调+CUDA Toolkit+cuDNN安装
02-14
llamaFactory/data/identity.json 身份数据集测试
基于deepseek的私有数据集微调及多卡分布式训练
weixin_41688410的博客
02-17 2831
分布式训练能够更快地完成模型训练，从而加速模型迭代和优化过程。
LLama-Factory零代码微调DeepSeek
weixin_59534602的博客
04-08 1348
LLama-Factory零代码微调DeepSeek教程，包教包会。
llama-factory微调deepseek，并导入ollama(包含遇到的问题）
m0_72204162的博客
03-19 745
home/cyl/test/train-deepseek-1.5b-gguf/model.guff是你转化为guff的存储路径。1、因为我们llam-factory输出的格式为.safetensors格式，需要先转换为guff格式。1、在/home/cyl/test/train-deepseek-1.5b-gguf路径下创建一个。/home/cyl/test/train-deepseek-1.5b是微调好的模型存储路径。注意：该指令需要进入llama.cpp根目录下执行，并且进入刚刚创建的环境中。
初探—使用 LLaMA-Factory+AutoDL 0代码有监督微调 DeepSeek1.5B 流程笔记
一个学长的博客
03-15 1913
本文记录了使用 LLaMA-Factory 微调一个 DeepSeek 1.5B 的蒸馏模型的全过程，包括软件下载、插件按照、自定义数据集等过程。
通过Llama-Factory对Deepseek-r1:1.5b进行微调
张飞飞的博客
03-29 1079
由于近期项目需求，我们计划在机器狗上部署对话大模型，并结合具体业务场景进行定制化回答。在技术选型过程中，我们对比了RAG（Retrieval-Augmented Generation）和模型微调两种策略。RAG虽然在知识检索方面表现优异，但需要额外部署文本嵌入模型，增加了部署复杂性和资源开销。相比之下，模型微调能够直接针对特定场景优化模型性能，避免了冗余组件的引入，因此我们最终选择了微调策略。在微调框架的选择上，我们采用了LLaMA-Factory。
微调DeepSeek-R1-1.5B-Distill模型的自我认知部分
u011460470的博客
02-06 5581
如何微调deepseek-r1-1.5B模型，修改模型的自我认知部分比如想微调一个自己模型，我问他你是谁开发的，要让他回答这个模型是由我们公司独立研发的，这种该怎么实现呢？
Deepseek训练与微调
CCbleach的专栏
02-10 3304
deepseek部署，训练，微调，推理。
llama-factory微调DeepSeek-R1-Distill-Qwen-7B
02-27
### 使用 LLaMA-Factory 对 DeepSeek-R1-Distill-Qwen-7B 模型进行微调 对于希望使用 `LLaMA-Factory` 工具对特定模型如 `DeepSeek-R1-Distill-Qwen-7B` 进行微调的情况，可以遵循以下指导： #### 准备环境与资源 确保已经按照官方说明克隆了项目仓库并安装依赖项。这一步骤至关重要，因为后续操作均基于此开发环境中执行。 ```bash git clone http://developer.sourcefind.cn/codes/OpenDAS/llama-factory.git cd llama-factory && pip install -e ".[torch,metrics]" ``` 上述命令用于获取最新版本的源码以及设置必要的Python包支持[^1]。 #### 配置微调参数文件 创建或编辑配置YAML文件以定义具体的超参设定、数据路径及其他选项。针对不同任务需求调整这些参数能够显著影响最终效果。例如，在处理图像分类问题时，可能需要特别指定输入特征维度等细节。 假设有一个名为 `my_custom_finetune_config.yaml` 的配置文件，其中包含了关于目标领域（比如时尚物品识别）、训练集位置以及其他必要信息的内容描述。 #### 执行微调过程 利用预构建脚本启动实际的微调流程。这里假定采用的是低秩适应（LoRA）技术来进行高效迁移学习，则对应的CLI指令可能是这样的形式： ```bash llamafactory-cli train examples/train_lora/mytrain_lora_sft.yaml ``` 这条语句会读取之前准备好的配置文档，并据此开始优化给定的基础架构——即此处提到的 `DeepSeek-R1-Distill-Qwen-7B` ——使之更贴合于新的应用场景下的表现期望[^2]。 #### 测试改进后的性能 一旦完成一轮或多轮迭代更新之后，应当及时评估新版本的表现差异。借助内置Web界面功能可以直接加载最新的检查点权重，并通过交互方式快速验证某些具体实例上的变化趋势。 ```bash llamafactory-cli webui ``` 此时可以在图形界面上轻松上传待测样本（如图片），观察经过定制化改造过的网络结构能否更加精准地给出预期类别标签[^3]。 #### 应用场景中的考量 考虑到实际应用背景中存在将第三方标注体系转换成本地标准的需求，直接通过对基础AI系统的针对性再教育来减少中间环节误差不失为一种有效策略。这种方式不仅有助于提升整体判断精度，同时也简化了后期维护工作流的设计复杂度[^4]。
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