Datawhale Al夏令营 大模型技术 学习笔记

最新推荐文章于 2025-12-18 10:34:05 发布
原创 最新推荐文章于 2025-12-18 10:34:05 发布 · 230 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#学习 #笔记

Datawhale Al夏令营 大模型技术 学习笔记

taks 1跑通baseline

task1 只需要跑通baseline，而代码官方都已经写好了，直接下载并运行即可

task2 调优

本地部署了下，改了下使用gpu进行聚类，目前效果不佳，分数反而降低很多，等调整

WWL0702
关注
【 书生·浦语大模型实战营】学习笔记（一）：全链路开源体系介绍
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-31 2249
本文为实战营第一次课程笔记，主要分为两个部分，第一部分从书生·浦语大模型发展、分类、组成进行详细介绍，方便大家理解。第二部分为对 InternLM2技术报告解读，后续系列会继续更新，欢迎大家交流！
Datawhale Al夏令营 大模型技术 学习笔记 task2打卡
m0_57328981的博客
07-16 82
需要进一步学习相关知识，我尝试调用大模型api来优化评分，但效果最终还不是很理想，出现了代码bug，需要进一步改进，补充相关知识。第一次接触相关算法竞赛，还是很多知识盲区，但在相关社群的帮助下也学到了很多。taks 1跑通baseline，教程很详细，操作简单。
Datawhale Al夏令营 大模型（微调）Task02
MCAC_123的博客
08-14 731
我们在保持训练代数为10，学习率为0.00008,由上1表可知，改进的prompt对于大模型的得分是有改进的。调节出这个得分60.5的prompt后，我停止了对prompt的改进，接着来扩充数据。由于是高考出题，我选择的是2023年与2019年的高考全国范围的语文与英语试卷，来扩充数据集。第三步，将增加好的训练集上传到云端，加上最好的prompt生成最新的output文件。(6)分析作者在文中表达的情感态度，包括其对主题的喜好、厌恶、赞赏或批评等。(8)基于文中的论点和论据，推断作者写作本文的主要意图。
Datawhale Al夏令营 task2-3学习笔记
2301_80144825的博客
08-03 216
参加了datawhale Al夏令营，对深度学习和机器学习有了入门的了解，根据夏令营提供的baseline理解了RNN以及基于特征工程的lqm的使用方法。下一步需要根据赛事提供的数据进行特征引入和改进，并对模型进行进一步的优化。
Datawhale Al夏令营第四期 大模型应用开发task1学习笔记
weixin_75033552的博客
08-11 975
直接调用大模型API:将请求直接发送给相应的服务商，如openai，讯飞星火等，等待API返回大模型回复。等）则用于组织和排列这些输入和输出组件，以创建结构化的用户界面。初始投入后，长期运行成本相对固定，避免了按使用量付费的不确定性。输入（文本框，按钮，下拉框，滑块，复选框，文件上传，等等）不需要关心模型的a.维护和更新，服务商通常会负责这些工作。需要强大的计算a.资源，如高性能GPU，初期投资成本较高。需要稳定的网络a锽斯.连接，可能会受到网络延迟的影响。公共组件（用户信息存储，帮助，以及输出html）
Datawhale AI 夏令营学习笔记（2）
Kesenal的博客
07-17 2133
最后，我们保存得到的预测数据并提交，得到分数。# 6. 保存结果文件到本地# 1. 导入所需模块import sysimport osimport gc# 2. 读取训练集和测试集# 使用 read_csv() 函数从文件中读取训练集数据，文件名为 'train.csv'# 使用 read_csv() 函数从文件中读取测试集数据，文件名为 'train.csv'# 3. 进行特征工程# 合并训练数据和测试数据，并进行排序# 历史平移# 窗口统计# 进行数据切分# 确定输入特征。
Datawhale AI夏令营 模型蒸馏学习 task2笔记
2301_79411237的博客
07-23 1104
本文详细介绍了在星辰MaaS平台上通过知识蒸馏训练轻量级学生模型的完整流程。实践过程分为五个关键步骤：数据准备（清洗与补充数学题集）、教师模型推理链生成（设计Prompt获取DeepSeek-R1的详细推理过程）、学生模型蒸馏训练（采用LoRA方法高效微调）、模型评估调优（从准确性、推理质量等多维度评估）以及最终模型提交。文章特别强调高质量数据预处理、有效的Prompt设计以及LoRA调参技巧，并分享了各环节的实用建议和代码示例，为在资源受限环境下实现高效模型优化提供了可复制的解决方案。
Datawhale AI夏令营——siRNA药物药效预测学习笔记
swordwielder的博客
08-03 1595
如处理生物问题，首先要分清当前是一个分类、回归或者生成问题，然后确定模型选择，接着考虑如何把数据处理到模型中，再从处理数据的过程中结合生物学知识构造特征，最后再用模型训练这些特征和预测结果，不断优化得到最优结果。
2024Datawhale-AI夏令营——机器学习挑战赛——学习笔记
weixin_61573157的博客
07-03 749
ai夏令营#datawhale#夏令营。
带货视频评论洞察 Baseline 学习笔记 (Datawhale Al夏令营)
m0_63310537的博客
07-12 614
摘要：本项目基于电商直播/短视频的"视频+评论"数据，通过商品识别、情感分析和评论聚类三步流程，辅助品牌洞察和网红投放评估。采用jieba分词和TfidfVectorizer进行特征提取，使用SGDClassifier和KMeans等模型实现分类和聚类任务。当前方案存在文本预处理缺失、模型简单、聚类数量不合规等问题，后续可从多语言处理、深层语义捕捉等方面优化。项目展示了端到端管线思维和快速原型验证的竞赛思路，为后续改进指明了方向。
Datawhale AI夏令营 第五期-CV方向Task1笔记（跑通baseline）
axing0323的博客
08-23 915
这次参加的比赛是赛事链接：https://www.marsbigdata.com/competition/details?
DataWhale学习笔记过拟合、欠拟合及其解决方案
01-06
 在模型的评估和调整过程中，往往会遇到过拟合和欠拟合的问题，这也是及其学习中的经典问题，但在目前的任务中仍然会出现过拟合等问题，对于常用的解决方法，总结如下。  在解释上述现象之前，我们需要区分训练...
Datawhale AI夏令营第五期 CV方向 task01笔记
weixin_73773376的博客
08-23 1177
使用F1score、MOTA指标来评估模型预测结果。对每个json文件得到两个指标的加权求和，最终得分为所有文件得分取均值。注1：若真实目标框与预测框IOU大于0.5，则判定目标正确识别。若MOTA指标为负，则该类别精度得分为0。注2：若该视频中没有某个类别的目标，则此类别计算均值时，忽略该视频。
Datawhale AI夏令营（AI+生命科学）深度学习-Task3直播笔记
Pluses的博客
08-02 1513
Datawhale AI夏令营（AI+生命科学）深度学习-Task3学习笔记
Javaweb 学习笔记——html+css
最新发布
hssfscv的博客
12-18 442
以上是Javaweb中关于前端html和css的相关内容，主要制作了两个页面，了解了如何使用AI生成我们需要的内容，有利于了解前端知识，接下来将进行剩余前端知识的学习
运放学习笔记
Z97371539的博客
12-13 589
单电源运放是指仅使用单一电源电压（例如，+5V）和地（0V）作为电源供给的运放。也就是说，它只需要一个正电压和地作为参考电压，而不需要负电压。
大模型学习基础（五） 强化学习（Reinforcement Learning，RL）初步
qq_56095294的博客
12-13 354
前面的文章简单介绍过，传统的监督学习所使用的数据集是（特征，标签），有“标签”即明确的知晓正确的输出应该是什么。而实际的情况是，环境的状态S是由多个Si构成的，每训练一组S-a即训练一个多分类问题，把这些问题的损失函数（交叉熵）加在一起，即可训练出在不同的状态下应该使用什么动作。模型在选择一个动作之后，这个动作实际是对Environment发生，相应的Environment会给模型一个回馈Reward，然后再给模型一个新的Observation，模型继续选择新的动作，循环此过程。
Android学Dart学习笔记第十四节 库和导库
weixin_44656996的博客
12-15 774
其他语言中的访问修饰符关键字提供了更细粒度的控制，而Dart使用下划线和基于库的隐私提供了直接的配置机制，有助于高效实现动态访问，并改进了树抖动（死代码消除）。库不仅提供api，还是隐私的单位：以下划线（_）开头的标识符只在库内部可见。当你导入的多个库中，使用了相同的类名时，可以为库起个别名，使用 别名.类名 明确指定所引用的类。使用import来指定如何在另一个库的作用域中使用来自一个库的命名空间。带有通配符_的导入前缀是不绑定的，但可以访问该库中的非私有扩展。
Java 学习路线及学习周期
前端金牌摸鱼达人
12-17 709
Java 学习路线及学习周期
学习笔记——Linux 进程管理笔记
2301_78295956的博客
12-13 907
本文总结了Linux进程管理的核心知识点：1.父子进程关系采用写时复制技术优化内存使用；2.进程终止的8种情况（正常/异常终止）；3.僵尸进程（需主动回收）和孤儿进程（自动接管）的区别；4.exit()与_exit()函数的关键差异；5.wait()函数回收子进程状态的机制及检查宏使用；6.进程空间回收的重要性及策略。重点强调正确处理僵尸进程的必要性，避免系统资源泄漏。
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