上海人工智能实验室·书生大模型实战营笔记(L0G1~G2)

【数学基础】 foundation of mathematics :拉格朗日优化和对偶 数学基础系列文章目录 目录数学基础系列文章目录拉格朗日乘子法与KKT条件一、无约束优化二、带约束优化定义三、等式约束不等式约束五、约束优化总结拉格朗日对偶性一、对偶的可用性二、原始问题三、对偶问题四、原始问题和对偶问题的关系 拉格朗日乘子法与KKT条件 一、无约束优化   对于无约束优化,如果目标函数是凸函数,可直接通过令目标函数的梯度为零求得全局最优值;为避免陷入局部最优值,一般进行优化的目标函数采用凸函数;   凸集定义:在欧氏空间中,对于集合中任意两点的连线,连线上的点都在集合中,则该集合为凸集合 阅读详情

#书生大模型

uid: 4573

Tutorial/docs/L0/linux/task.md at camp4 · InternLM/Tutorial · GitHubLLM&VLM Tutorial. Contribute to InternLM/Tutorial development by creating an account on GitHub.icon-default.png?t=O83Ahttps://github.com/InternLM/Tutorial/blob/camp4/docs/L0/linux/task.md

Tutorial/docs/L0/Python/task.md at camp4 · InternLM/Tutorial · GitHubLLM&VLM Tutorial. Contribute to InternLM/Tutorial development by creating an account on GitHub.icon-default.png?t=O83Ahttps://github.com/InternLM/Tutorial/blob/camp4/docs/L0/Python/task.md

别的不说,这个项目的文档写的非常详细、用心。

L0G1000 linux基础

任务:ssh连接并运行hello_world.py

闯关任务需要在关键步骤中截图:

任务描述完成所需时间
闯关任务完成SSH连接与端口映射并运行hello_world.py10min
可选任务 1将Linux基础命令在开发机上完成一遍10min
可选任务 2使用 VSCODE 远程连接开发机并创建一个conda环境10min

因为可选任务1、2的引导对我个人不必要,所以就完成了闯关任务。

  • 用最低的配置:

  • 配置SSH公钥

我的笔记本是 Windows系统,查找文件 C:\Users\{Username}\.ssh\id_rsa.pub ,打开后就是SSH 公钥的内容了。

如果没找到对应文件,先用命令行命令 `ssh-keygen -t rsa` 生成

  • 点击【进入开发机】,进入主界面

这个UI还挺漂亮的。

  • 按照文档,安装依赖 gradio

有点慢,等了会儿。

  • 按照文档,创建hello_world.py 并运行

vim打开文件,粘贴文档里的内容,然后 ESC,:wq 保存。

  • 端口映射

在Server上已经启动了服务,现在需要在本地机器上使用端口映射,将Server上的服务映射到本地机器上,从而用本地机器的浏览器访问Web元素。

官方已经给了ssh的端口映射命令,在UI里找到自定义服务,然后直接复制bash命令,粘贴到powershell或者其他命令行工具上就行。

  • 访问结果:

L0G2000 Python基础

任务类型任务内容预计耗时
闯关任务Leetcode 383(笔记中提交代码与leetcode提交通过截图)20mins
闯关任务Vscode连接InternStudio debug笔记10mins
可选任务pip安装到指定目录10mins

任务一:Leetcode 383

挺好,正好这题没做过。

不得不说,Python这种高级语言写起来就是很简洁。

  • 1:

from collections import Counter
class Solution: 
    def canConstruct(self, ransomNote: str, magazine: str) -> bool: 
        cnt1,cnt2=Counter(ransomNote),Counter(magazine) 
        for k,v in cnt1.items(): 
            if k not in cnt2.keys(): return False 
            elif v> cnt2[k]: return False 
        return True

  • 2

from collections import Counter
class Solution:
    def canConstruct(self, ransomNote: str, magazine: str) -> bool:
        cnt1,cnt2=Counter(ransomNote),Counter(magazine)
        return all(v<=cnt2[k] for k,v in cnt1.items())

任务二:Vscode连接InternStudio debug笔记

定位bug,然后实现非结构化文本转化json的功能。

原来的代码:

 
from openai import OpenAI
import json
def internlm_gen(prompt,client):
    '''
    LLM生成函数
    Param prompt: prompt string
    Param client: OpenAI client 
    '''
    response = client.chat.completions.create(
        model="internlm2.5-latest",
        messages=[
            {"role": "user", "content": prompt},
      ],
        stream=False
    )
    return response.choices[0].message.content

api_key = ''
client = OpenAI(base_url="https://internlm-chat.intern-ai.org.cn/puyu/api/v1/",api_key=api_key)

content = """
书生浦语InternLM2.5是上海人工智能实验室于2024年7月推出的新一代大语言模型,提供1.8B、7B和20B三种参数版本,以适应不同需求。
该模型在复杂场景下的推理能力得到全面增强,支持1M超长上下文,能自主进行互联网搜索并整合信息。
"""
prompt = f"""
请帮我从以下``内的这段模型介绍文字中提取关于该模型的信息,要求包含模型名字、开发机构、提供参数版本、上下文长度四个内容,以json格式返回。
`{content}`
"""
res = internlm_gen(prompt,client)
res_json = json.loads(res)
print(res_json)

  • VSCode用SSH连接:

  • 根据文档,复制粘贴内容,在有读写权限的目录下创建python文件:

  • 获取自己的api_key,并打开 terminal,在terminal里设置 api_key,然后运行,发现没装openai依赖。

  • 第二次运行发现错误,安装Debugger再尝试

  • 打断点,debug:

  • 发现原来的代码错误,一可能在于api_key没有设置;二在于得到的res没有解析好,如果返回的是choices.message.content,那要自己解析得到 json非常非常困难,不如用openai的API ChatCompletion的.json()方法。修改后,成功运行:

手把手教你学Simulink实例--自动驾驶与电力需求场景实例:基于Simulink的自动驾驶电动汽车路径规划与能耗仿真 ​性能提升多目标优化使能耗降低18%(35kWh→29.3kWh)路径规划效率提升25%(时间缩短18%)​成本优化数字孪生减少开发成本30%标准化接口降低硬件适配成本。 阅读详情

相关推荐

Simulink开发项1000例实战专栏--实例186:基于Simulink的自动驾驶电动汽车路径规划与能耗仿真

​性能提升多目标优化使能耗降低18%(35kWh→29.3kWh)路径规划效率提升25%(时间缩短18%)​成本优化数字孪生减少开发成本30%标准化接口降低硬件适配成本。

xiaoheshang_123的博客 197

上海人工智能实验室·书生大模型实战营笔记(L0G3~G4)

书生大模型项目 ai新手训练项目。10分钟内完成了从Codespace里拉取代码、配置LLM依赖、创建Huggingface 在线应用、代码更新、模型下载配置等一系列流程

Yalin_Coder的博客 1118

【信息科学与工程学】信息工程领域——第三十六篇 电路电子05 高频电路/低频电路01

编号类型领域子领域问题问题的数学分析及组合数学分析参数列表及常量/参数的数值设计及数值范围关联知识1半导体物理微电子/电子工程半导体基础本征半导体载流子浓度如何计算?​数学分析:利用状态密度函数 N(E) 和费米-狄拉克分布函数 F(E) 在导带和价带积分。 公式:n=∫EC​∞​N(E)F(E)dE,p=∫−∞EV​​N(E)[1−F(E)]dE。 简化:对于非简并半导体,服从玻尔兹曼统计,n=NC​exp(−kTEC​−EF​​),p=NV​exp(−kTEF​−EV​​)。 质量作用

weixin_49199313的博客 394

LinuxCNC学习(一)RS274NGC的使用

linuxCNC学习系列

不忘情贻 3617

UniPro v2.0协议深度解析:HS-G5带宽与FastAuto时序调优

UniPro是一种面向移动SoC片上互连的高速串行协议,本质是替代传统NoC或AXI总线的轻量级通信架构。其核心原理基于M-PHY物理层与分层协议栈(L1.5–L4+DME),通过HS-G5高带宽模式和可编程burst closure delay机制,在功耗、时序收敛与吞吐间取得工程平衡。技术价值体现在跨厂商IP核协同集成、低延迟控制信令保障及PHY/LINK层可验证性,广泛应用于旗舰手机SoC中ISP-GPU-NPU等模块间GB/s级数据交换。本文聚焦UniPro v2.0关键特性——HS-G5带宽实测建

weixin_29190651的博客 281

Unity面试题总结

Unity面试题

sinat_34014668的博客 1万+

人工智能数学基础6:极限、极限运算、ε-δ语言、ε-N语言、级数和函数连续性

本文介绍人工智能数学基础相关的内容,包括:极限、极限运算、ε-δ语言、ε-N语言、级数和函数连续性

老猿Python 2万+

实战解析:利用Wireshark解密QQ通信协议

本文提供了一份利用Wireshark工具分析QQ通信协议的实战指南。文章详细介绍了从环境准备、捕获数据包到解析协议层的完整流程,重点演示了如何识别QQ号码字段、观察加密数据特征以及区分不同通信类型(如文本、文件传输)。通过此实践,读者可以深入理解网络分层模型和现代应用加密通信机制,提升网络协议分析与安全诊断能力。

weixin_29210727的博客 413

全志A733解析:12nm八核SoC的可扩展设计,AI算力达3TOPS

​:安卓阵营首款集成Risc-V协处理器的SoC,实现任务级功耗隔离。​:安兔兔V10综合跑分≈​。​(逼近骁龙778G)

JD_9tripod的博客 2650

从Excel到Power Pivot:构建你的第一个商业智能分析模型

本文详细介绍了如何从Excel升级到Power Pivot,构建你的第一个商业智能分析模型。通过激活Power Pivot功能、导入数据、建立表关系、创建智能度量值以及打造交互式仪表盘,帮助用户高效处理百万行级别的数据,实现数据自动关联和动态分析,大幅提升商业决策效率。

weixin_30629653的博客 257

谈谈 FOC和BLDC 电机控制

更具体地说,通过 “Park 变换”,我们可以把三相交流电流信号转换成两相直流电流信号,从而可以把三相交流电机的控制变得和两相直流电机控制一样简单。在内环 “电流环”中,一些比较重要的模块有 “Clark 变换” 和 “Park 变换” 等数学模块、电机电流信号检测模块以及能够提供电机的转速和转角位置信息的模块。日前,Qorvo 电机控制应用高级系统/应用工程师张绍发表了一个与 BLDC 和 FOC 相关的演讲,科普了 FOC 的相关知识,还讲解了 Qorvo 用于简化 FOC 实施方案的方法。

U_YAO的博客 2119

【移动机器人运动规划】5 基于优化的轨迹规划 Part1

基于优化的轨迹规划方法综述 本文系统介绍了基于优化的轨迹规划方法,重点对比了全局方法与局部方法的核心特点和应用场景。全局方法(如PRM*/RRT*)通过探索与利用寻找全局最优解,适合复杂环境;局部方法(如CHOMP/DDP)通过确定性优化追求局部最优,更适用于动力学约束场景。文章详细阐述了轨迹的定义与平滑性要求,并深入探讨了微分平坦理论在多旋翼系统中的应用优势。研究表明,在实际部署中采用前端(全局路径搜索)与后端(局部轨迹优化)相结合的解耦架构,能够有效平衡全局可行性与局部最优性。

RioiiRichard的博客 805

MacBook Air老本重装系统

手里的这个本子型号是A1466,cpu i5,4G内存,硬盘ssd 120G。 重装系统可以在原系统上升级到更新版本,或者用U盘安装。 先确定,这个本子可以安装什么系统。 最权威的信息当然是apple的官网,地址:https://support.apple.com/zh-cn/HT211683 在“检查兼容性”中,可以依次检查每个系统兼容的硬件型号。Mojave是A1466能安装的最高版本。 确认兼容性后,下一步就是下载安装文件。还是这个页面稍下面一点可以找到。 这里告诉用户文件可以在什

bigwood99的博客 2万+

译码器背后的布尔逻辑:如何用最简门电路实现高效控制

本文深入探讨了3-8译码器背后的布尔逻辑与门级实现,揭示了如何通过卡诺图优化和逻辑表达式简化,用最精简的门电路实现高效控制。重点分析了低有效输出设计在噪声免疫性和功耗方面的优势,为数字电路设计提供了从真值表到物理实现的完整优化路径。

aa123的博客 649

DAVIS前言:事件相机资料调研

Event-Camera 资料集锦 1. 官网资料 假设了你买了事件相机,就可以在以下几个链接了解相关的参数和gui界面安装,如果不喜欢gui界面安装,可以第2节,安装相关的源码驱动。 DVS/DAVIS产品说明 等相关产品的软硬件介绍。 iniVation DV教程文档 给出在不同平台下的dvs-gui界面,可按照其说明进行相应的操作。 另外,Neuromorphic vision com...

Ian的博客 4510

DAF-Net:动态注意力红外-可见光图像融合

DAF-Net 红外-可见光融合链路:IR/VIS 双分支 (Conv+ResBlock → 64ch) → DynamicAttentionFusion (Cat→Sigmoid→加权) → 重建 (Conv→Sigmoid)。TNO 上 SSIM=0.782 (vs IR), 0.734 (vs VIS), 参数量仅 218K。核心贡献:轻量动态注意力门控, 无监督 SSIM+MSE 损失不需要配准 ground truth。

FJN110的博客 321

【LuoguP4156】论战捆竹竿

题目链接 题意简述 你有一个长度为 n 的字符串 , 将它复制任意次 , 复制出的串的前缀可以与之前的串的后缀重叠在一起 , 问最后总共可能的长度数目 , 长度不能超过 \(w\) 多组数据。 \(n\leq 5*10^5 ,w\leq 10^{18}\) Sol 显然每次可以重叠的部分是原串的一个 boder 假设这个boder长度为 \(L\) , 那么长度可以只增加 \(n-L\) 那么就是...

weixin_30407099的博客 93

使用OpenCV从低对比度图像中提取圆形轮廓

希望本文能帮助您从低对比度图像中提取圆形轮在本文中,我们将探讨如何使用OpenCV库从低对比度图像中提取圆形轮廓。低对比度图像通常指的是图像中的亮度差异很小,导致物体边缘不够清晰的情况。在本文中,我们将探讨如何使用OpenCV库从低对比度图像中提取圆形轮廓。低对比度图像通常指的是图像中的亮度差异很小,导致物体边缘不够清晰的情况。通过预处理图像并应用Hough变换,我们能够在低对比度图像中准确地提取圆形轮廓。通过预处理图像并应用Hough变换,我们能够在低对比度图像中准确地提取圆形轮廓。

ByteWhiz的博客 351

【C#】哈希表

速度快的哈希散列表,你值得拥有和使用完善。

吴佳莹 685

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

poj3368 frequent values (快状数组)

poj3368 frequent values 二分+线段树可过 求大神传授人生经验

Gach_acmer的博客 414

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

多尺度结构元素形态学边缘检测算法的研究-含Matlab代码

使用数字图像处理技术来解决计算机视觉、人工智能、生物遥感器视觉等领域所涉及到的图像问题时,最重要、最关键的一步是提取出图像中最有效、最有用的特征信息。而图像边缘检测技术所研究的对象即图像的边缘,也是图像中一个重要的特征信息,它能比较直观地把图像的形状等一些重要的特性展示出来,是分析图像的重要依据,是后面进一步分析图像的重要基础,对图像边缘提取的质量好坏直接影响着后续对整个图像研究的成功与否。同时,图像的边缘,具有不变特性,不随环境的改变而改变。上世纪60年代,Roberts根据图像边缘灰度具有间断性这一特征

m0_70745318的博客 2820

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

存储③—UFS协议

UFS协议技术解析 UFS(通用闪存存储)是新一代高速串行存储标准,采用分层架构设计(SCSI应用层/UTP传输层/UniPro链路层/M-PHY物理层)。相比eMMC,其核心优势包括:全双工通信支持并发读写、命令队列提升随机性能、精细电源管理降低功耗。关键技术特性涵盖RPMB安全存储、WriteBooster写入加速(UFS3.1)、ZUFS分区存储(UFS4.0)等。最新版本UFS4.1理论带宽达46.4Gbps,功耗降低30%,适用于高性能移动设备和AI应用场景。

weixin_45783574的博客 656

如何看待下一代汽车总线架构里面的以太网和PCIe

Part 1智能汽车时代比的是什么? 看总线架构之前,智能汽车比的是什么?我们可以仔细再理解下,其实目前的市场上有的产品,更多的是在现有技术能力下的优化,从目前电子、软件等在手机和IT技术上的突飞猛进来看,智能汽车具有非常大的进步空间。对于智能汽车的终极演化,大部分从业人员的想法都是相似的,智能汽车的功能、性能主要取决于作为车辆大脑的“驾驶机器人”。智能汽车的终极演化将不再是由车主操控的固化的驾驶执行机构,而是能够随软件升级实现车辆功能扩展和性能提升的智能机器人;我们能确定的是,智能汽车的发展路径,和智.

weixin_45576679的博客 992

在 AWS Lambda 上运行 Puppeteer:基于 puppeteer-core 与 @sparticuz/chromium 的 Serverless 无头浏览器实践

本文以 `examples` 仓库中的 `aws-node-puppeteer` 示例为蓝本,完整讲解如何在 AWS Lambda 上运行 Puppeteer 进行无头浏览器网页抓取:核心思路是用不含 Chromium 的 `puppeteer-core` 搭配专为 Lambda 优化的 Brotli 压缩版 Chromium(`@sparticuz/chromium`),从而绕开 Lambda

gitblog_01065的博客 439
上一篇: [uppaal笔记] uppaal介绍-以fischer互斥demo和一个imply规约为例
下一篇: 上海人工智能实验室·书生大模型实战营笔记(L0G3~G4)
冯亚林
博客等级 码龄6年 128粉丝 6原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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