书生大模型第四期基础营作业第一关

最新推荐文章于 2025-12-09 16:47:37 发布

原创最新推荐文章于 2025-12-09 16:47:37 发布 · 171 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python

摘要：
关卡编号：L1G1000
关卡名称：书生大模型全链路开源体系

书生大模型全链路开源开放体系的笔记

书生浦语开源之路

书生·浦语2.5概览

高质量合成数据
在这里插入图片描述
高质量合成数据

大海捞针实验

在这里插入图片描述
书生·浦语开源模型谱系

在这里插入图片描述
预训练InternEvo

在这里插入图片描述
微调XTuner

在这里插入图片描述
部署LMDeploy

在这里插入图片描述
全链条开源

在这里插入图片描述
使用书生·浦语大模型

在这里插入图片描述
Github主页

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

cold_cookies

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

书生大模型第四期基础营作业第二关

cold_cookies的博客

12-26

404

关卡编号：L1G2000关卡名称：玩转书生「多模态对话」与「AI搜索」产品。

书生大模型第四期基础营作业第三关

cold_cookies的博客

12-27

240

关卡编号：L1G3000关卡名称：浦语提示词工程实践。

参与评论您还未登录，请先登录后发表或查看评论

书生大模型第四期实战营作业第四关

cold_cookies的博客

12-25

954

关卡编号：L0G4000关卡名称：玩转HF/魔搭/魔乐社区。

书生大模型第四期实战营作业第一关

cold_cookies的博客

12-20

232

在未进行端口映射的时候访问127.0.0.1：端口号，会显示不能连接该端口。就可以打开网站127.0.0.1：7861，最终能成功打开网站。完成SSH连接与端口映射并运行hello_world.py。关卡编号：L0G1000。关卡名称：Linux。

第四期书生大模型训练营——入门关第一关

NULLL123的博客

10-22

1819

SSH全称Secure Shell，中文翻译为安全外壳，它是一种网络安全协议，通过加密和认证机制实现安全的访问和文件传输等业务。SSH 协议通过对网络数据进行加密和验证，在不安全的网络环境中提供了安全的网络服务。SSH 是（C/S架构）由服务器和客户端组成，为建立安全的 SSH 通道，双方需要先建立 TCP 连接，然后协商使用的版本号和各类算法，并生成相同的会话密钥用于后续的对称加密。在完成用户认证后，双方即可建立会话进行数据交互。那在后面的实践中我们会配置SSH密钥。

第三期书生大模型实战营第2关 Python 基础知识

wux_labs的博客

07-11

898

Hello大家好，这里是第三期书生大模型实战营，闯关地图入门岛的第2关 Python 基础知识。我们将学会简单使用Python进行词频统计，并实现VSCode代码调试等。让我们开始吧~

第四期书生大模型训练营——基础第一关书生大模型全链路开源开放体系

NULLL123的博客

09-19

470

InternLM 大模型性能天梯。

书生大模型第四期基础岛——第一关L1G1000

qq_45880352的博客

12-30

244

2024.7.4 InternLM2.5 开源（InternLM2.5推理能力领先、支持100万字上下文、自主规划和搜索完成复杂任务）2023.7.6 InternLM-7B 开源率先免费商用发布全链条开源工具体系。2024.1.17InternLM2 开源性能超最新同量级开源模型。2023.9.20 InternLM 开源工具链全线升级。

书生大模型第四期实战营作业第三关

cold_cookies的博客

12-24

1007

每位参与者提交一份自我介绍。提交地址：https://github.com/InternLM/Tutorial 的 class 分支～1.命名格式为 .md，其中是您的报名问卷UID。2.文件路径应为 ./icamp4/。3.【大家可以叫我】内容可以是 GitHub 昵称、微信昵称或其他网名。4.在 GitHub 上创建一个 Pull Request，提供对应的 PR 链接。

【L0G2000】书生大模型第四期实战营第2关Python基础知识

xiaohou963的博客

11-23

2046

本文将详细记录完成三个任务的全过程，包括编程技巧、工具使用以及问题解决思路。任务包括 Leetcode 问题解决、API 调试，以及 pip 安装到指定目录的实践。希望通过我的分享，能够帮助大家提升编程能力。完成 Leetcode 383 (“Ransom Note”)，并提交代码，同时附上通过截图。题目要求通过判断字符串中的所有字符是否都能在中找到（且字符出现次数必须足够），来确定是否可以用中的字符组成。以下是解决方案代码：测试与提交测试用例通过调试 OpenAI 接口代码，定

【L0G1000】书生大模型第四期实战营第1关Linux 基础知识

xiaohou963的博客

11-20

874

我们可以通过VSCode的远程开发插件连接到开发机，进行代码编写和调试。这表明你已经在正确的conda环境中，且使用的是Python 3.8。现在，你可以在该虚拟环境下安装项目所需的依赖包，并运行Python代码。在开发过程中，掌握一些基础的Linux命令是非常重要的。端口映射是指将开发机的端口映射到本地机器的某个端口上，以便通过本地端口访问远程资源。通过这些步骤，大家已经掌握了开发机的基本使用方法，后续可以顺利开展项目开发工作。输入密码后，VSCode将远程连接开发机，并打开远程的文件系统。

书生大模型第四期基础岛第六关

qq_75269600的博客

11-11

283

将代码输入对应的文件，然后运行代码。创建一个新的py文件配置数据集。获取API_key，进行配置。下载必要的库，和文件。

书生大模型第四期—基础第五关：Xtuner 微调

NULLL123的博客

10-06

2170

环境安装：我们想要用简单易上手的微调工具包 XTuner 来对模型进行微调的话，第一步是安装 XTuner ！安装基础的工具是一切的前提，只有安装了 XTuner 我们才能够去执行后续的操作。前期准备：在完成 XTuner 的安装后，我们下一步就需要去明确我们自己的微调目标了。我们想要利用微调做一些什么事情呢，然后为了实现这个目标，我们需要准备相关的硬件资源和数据。启动微调：在确定了自己的微调目标后，我们就可以在 XTuner 的配置库中找到合适的配置文件并进行对应的修改。修改完成后即可一键启动训练！训练好

第四期书生大模型实战营基础岛第5关

2401_87331158的博客

11-23

1147

对于 LoRA 或者 QLoRA 微调出来的模型其实并不是一个完整的模型，而是一个额外的层（Adapter），训练完的这个层最终还是要与原模型进行合并才能被正常的使用。对于全量微调的模型（full）其实是不需要进行整合这一步的，因为全量微调修改的是原模型的权重而非微调一个新的 Adapter ，因此是不需要进行模型整合的。，在使用前我们需要准备好三个路径，包括原模型的路径、训练好的 Adapter 层的（模型格式转换后的）路径以及最终保存的路径。表示合并后的模型最终的保存路径。然后，我们可以直接启动应用。

深度学习下载包时可能会遇到的问题及解决方案

最新发布

m0_50481455的博客

12-09

241

若确实下载安装了CUDA ，但是此时输出的CUDA是否可用为否，应该是torch的版本为cpu版本导致，刚刚的下载包的语句如果总是下载的是cpu版本，我们考虑直接去网站下指定包，再进行安装。CUDA Version表示的是驱动支持的最高 CUDA 版本，去官网下载 CUDA ，我这里是12.2，表示下载的版本最大只能是12.2。然后下载包时，比如本地环境是Python3.9，找包下载时候，3.9要下对应cp39的包。下载好后，执行语句安装。

50、【Ubuntu】【Gitlab】拉出内网 Web 服务：http.server 单/多线程分析（二）

HIT_Weston的博客

12-04

1424

本文分析了Python的http.server模块在单线程和多线程模式下的性能表现。通过测试发现，单线程模式下（Python<3.7）并发请求会被阻塞，后发请求需要等待前一个请求完成；而多线程模式下（Python≥3.7）可以同时处理多个请求。作者通过slow_server.py脚本模拟耗时操作，使用time curl命令测试响应时间，验证了线程模型的差异。文章还指出Python 3.7是一个重要分水岭，官方将默认命令行服务器升级为多线程以提升用户体验。技术细节参考了CPython源码，并提供了Git

推荐 | JoyAgent-JDGenie：开箱即用的端到端多智能体产品

lpfasd123的博客

12-05

360

如果你在寻找一款真正可落地的多智能体产品，用来“搜索-分析-生成报告”、“数据问答与诊断”、“代码解释与图表生成”，同时希望易部署、易扩展、易二次开发——JoyAgent-JDGenie 是非常值得试用与推荐的选择。只需填好少量配置，即可获得端到端的流式体验与交付能力。

零基础学JAVA--Day41(IO文件流+IO流原理+InputStream+OutputStream)

Dxxyyyy的博客

12-05

978

文件在程序中是以流的形式来操作的流：数据在数据源（文件）和程序（内存）之间经历的路径输入流：数据从数据源（文件）到程序（内存）的路径输出流：数据从程序（内存）到数据源（文件）的路径。

Python 海象运算符

这是一个c++热爱者的博客哟

12-08

487

Python 3.8引入的海象运算符(:=)允许在表达式中进行变量赋值，能有效减少重复代码。它特别适用于循环条件、列表推导式等场景，如while (line := file.readline()):可简化文件读取操作。使用时需注意：必须加括号，避免在复杂表达式中过度使用以免降低可读性。虽然该特性能精简代码，但应遵循团队约定，在保持代码清晰的前提下合理使用。

第四期书生大模型：书生基础通关岛第三关

01-20

### 关于书生大模型第四期基础通关岛第三关针对书生大模型第四期基础通关岛第三关的任务，此阶段主要聚焦于通过不同参数量训练模型并结合多种微调技术来优化特定任务的表现。具体而言，在对比 xcomposer2-4khd、internVL1.5 和 llava-llama3-8b 这些具有不同参数规模的预训练模型时，采用 LORA（低秩自适应）、QLORA 及 FULL 训练方法可以有效增强模型处理少量样本学习(few-shot learning)以及专门领域内图纸识别的能力[^1]。为了成功完成这一挑战，建议采取如下策略： #### 数据准备确保拥有高质量的数据集用于训练和验证，特别是那些能够代表目标应用场景中的特征数据，比如工业设计图或其他形式的技术绘图。 #### 模型选择与调整基于项目需求挑选合适的基线模型，并考虑其参数大小对性能的影响。较小的模型可能更适合资源受限环境下的部署；而较大的模型则通常能提供更好的泛化能力。 #### 微调技巧应用利用LORA或QLORA等高效微调方式快速适配新任务，减少计算成本的同时保持较高的准确性。对于更复杂的要求，则可尝试FULL fine-tuning以获得最佳效果。 ```python from transformers import AutoModelForSequenceClassification, Trainer, TrainingArguments model_name = "path_to_pretrained_model" model = AutoModelForSequenceClassification.from_pretrained(model_name) training_args = TrainingArguments( output_dir="./results", evaluation_strategy="epoch", per_device_train_batch_size=8, per_device_eval_batch_size=8, num_train_epochs=3, weight_decay=0.01, ) trainer = Trainer( model=model, args=training_args, train_dataset=train_dataset, eval_dataset=val_dataset, ) ``` 上述代码片段展示了如何设置一个简单的`Trainer`对象来进行模型微调操作。实际实现过程中还需要根据具体的任务类型调整配置项。