硅机融合之大模型 动手学大模型应用开发

最新推荐文章于 2025-12-05 17:02:52 发布
原创 最新推荐文章于 2025-12-05 17:02:52 发布 · 136 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：

#python

https://mp.weixin.qq.com/s?__biz=MzU1NjUxNjI3OQ==&mid=2247483850&idx=1&sn=5d9c3b96e28012e7ecd1f98f50185b39&chksm=fbc29712ccb51e0438eae255f9a998bf06ad084214d8cfc49f68f64b9f1d5fa1b7715a955511#rd

动手学大模型应用开发第一章：大模型简介
raulyy7777的博客
04-17 1783
本文内容来自 https://datawhalechina.github.io/llm-universeLarge Language Model ， 简称 LLM，也称大语言模型，是一种旨在理解和生成人类语言的人工智能模型。LLM 通常指包含数百亿（或更多）参数的语言模型，它们在海量的文本数据上进行训练，从而获得对语言深层次的理解。目前，国外的知名 LLM 有 GPT-3.5、GPT-4、PaLM、Claude 和 LLaMA 等，国内的有文心一言、讯飞星火、通义千问、ChatGLM、百川等。
【动手学大模型开发 20】使用 Streamlit 部署大模型 RAG应用
一个程序猿的AI转型之路
05-09 1279
和常规 Web 框架，如 Flask/Django 的不同之处在于，它不需要你去编写任何客户端代码（HTML/CSS/JS），只需要编写普通的 Python 模块，就可以在很短的时间内创建美观并具备高度交互性的界面，从而快速生成数据分析或者机器学习的结果；st.selectbox()、st.multiselect()、st.slider()、st.text_input()：用于添加交互式小部件，允许用户在应用程序中进行选择、输入或滑动操作。来存储对话历史，可以在用户与应用程序交互时保留整个对话的上下文。
动手学大模型应用开发（第一章：大语言模型和RAG简介）
weixin_47667570的博客
05-04 1974
入门大语音模型基础知识，开发LLM应用：用LangChain搭建知识库助手
“动手学大模型应用开发”（学习记录）-- Datawhale LLM Universe April 2024 开源学习
qq_41572132的博客
04-16 1512
DataWhale 的 LLM 实战项目学习笔记
【动手学大模型开发】什么是大语言模型
一个程序猿的AI转型之路
04-24 1525
然而，随着 OpenAI o1 的推出，后训练和在线推理阶段也各自拥有了 Scaling Law，即后训练阶段的强化学习 Scaling Law（RL Scaling Law）和在线推理阶段的 Inference Scaling Law（Test Time Scaling Law）。通过大量文本数据训练这些模型，使它们能够通过阅读大量文本来深入理解语言规则和模式，就像让计算机阅读整个互联网一样，对语言有了更深刻的理解，极大地提升了模型在各种自然语言处理任务上的表现。，而不需要依赖专有或不可访问的数据集。
面向小白开发者：动手学大模型应用开发教程
2301_81940605的博客
11-27 1120
本项目是一个面向小白开发者的大模型应用开发教程，旨在基于阿里云服务器，结合个人知识库助手项目，通过一个课程完成大模型开发的重点入门
动手学大模型应用开发（学习记录）
Python栈
03-05 1016
大语言模型（LLM，Large Language Model）突破了传统模型无法理解人类语言的局限，实现了从规则和特征工程向端到端学习范式的转变，为自然语言处理、计算机视觉等技术的发展提供了新视角。LLM 通常包含百亿（或更多）参数，具有传统小型语言模型（例如3.3亿参数的BERT和15亿参数的GPT-2）所不具备的“涌现能力”，可以作为“基座（foundation model）”支持多元应用开发，并且支持以“对话方式”作为统一入口，实现了高效的端到端开发。
【动手学大模型应用开发1】LLM介绍
weixin_50275076的博客
05-12 591
本笔记是datawhale大模型应用开发教程https://github.com/datawhalechina/llm-universe的学习笔记。
【动手学大模型开发】检索增强生成 RAG 简介
一个程序猿的AI转型之路
04-24 907
RAG 通过检索和整合长文本信息，强化了模型对长上下文的理解和生成，有效突破了输入长度的限制，同时降低了调用成本，并提升了整体的处理效率。RAG 通过检索特定领域的相关文档，为模型提供丰富的上下文信息，从而提升了在专业领域内的问题回答质量和深度。RAG 结合检索到的信息和模型的生成能力，通过提供额外的背景知识和数据支持，增强了模型的推理和理解能力。RAG 将生成内容与检索到的原始资料建立链接，增强了内容的可追溯性，从而提升了用户对生成内容的信任度。，从而显著提升了回答的准确性与深度。
Hands-On Large Language Models - Jay Alammar 袋鼠书 《动手学大语言模型》
04-02
Jay Alammar和Maarten Grootendorst在他们的著作《动手学大语言模型》中，提供了对这一领域深入浅出的介绍和实践指南。这本书对于行业内的实际应用有着非常重要的指导意义，书中采用了高度视觉化的介绍方式，覆盖了...
上海交大《动手学大模型》实战教程全栈开发指南
《动手学大模型》是上海交通大学推出的一套系统性、实战导向的大模型技术学习教程，其核心目标是帮助学习者从零开始掌握大规模语言模型（LLM）的全栈开发能力。该教程源于2024年春季课程《人工智能安全技术》的教学...
动手学大语言模型：从基础到实践的全面指南
资源摘要信息:"《动手学大语言模型》（Hands-On Large Language Models）是由Jay Alammar与Maarten Grootendorst合著的一本深入浅出、图文并茂且极具实践指导意义的大语言模型学习指南，因其封面常被读者亲切地称为...
2025校招生死局：Java开发 VS AI大模型，谁是职场终极入场券？
王国平的博客
04-28 802
企业级应用主导：Java仍是金融、电商、政务等领域的核心开发语言，尤其在大型分布式系统、微服务架构、大数据平台（如Hadoop、Spark）中不可或缺。转型平滑性：Java技能与后端开发、大数据分析、云原生技术栈（如Spring Cloud）深度绑定，长期积累后职业发展路径清晰，适合追求稳定性的求职者。算法层：大模型训练优化工程师（需分布式训练、千亿参数调优经验）、NLP/多模态工程师（聚焦文本、图像生成与推理）。工程层：大模型平台工程师（集群管理、LLMOps）、部署工程师（推理加速、端侧优化）。
【AI大模型：架构实战】36、模型轻量化全指南：从剪枝量化到低配置设备部署实战
专注AI工程化与架构实战。分享：1）如何将Java大型系统经验迁移至AI项目，2）企业级AI服务的性能调优与架构设计，3）主流AI框架与Java生态的融合实践。从分布式思维到模型部署，用工程化视角为你厘清AI落地的真实路径。
07-19 1350
模型轻量化是AI技术落地低配置设备的“最后一公里”，其核心并非单一技术，而是剪枝、量化、蒸馏、架构设计、引擎优化的系统组合。通过本文的技术指南，开发者可根据设备特性（如内存、算力）和业务需求（如精度、延迟），制定针对性方案——从选择MobileNet等轻量级基线，到用INT8量化+结构化剪枝压缩模型，再到通过TensorFlow Lite+NNAPI释放硬件性能，最终实现“小而强”的AI部署。
推荐 | JoyAgent-JDGenie：开箱即用的端到端多智能体产品
lpfasd123的博客
12-05 325
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。
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 1315
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
零基础学JAVA--Day41(IO文件流+IO流原理+InputStream+OutputStream)
最新发布
Dxxyyyy的博客
12-05 897
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。
大模型应用：大模型 MapReduce 全解析：核心概念、中文语料示例实现.12
minhuan的专栏
12-03 1285
本文介绍了MapReduce编程模型及其在大模型训练中的应用。MapReduce通过"分治-并行-聚合"思想处理大规模数据，传统Hadoop MapReduce侧重结构化数据计算，而大模型MapReduce则针对自然语言处理任务。文章详细对比了两者在架构、处理对象和核心算力等方面的差异，并提供了中文词频统计的Python实现示例，包括单机版和分布式版本。分布式实现利用多进程模拟集群计算，展示了数据分片、Map、Shuffle和Reduce的完整流程。
【Android逆向工程】第19章：协议分析与接口还原
w987333120的博客
12-03 417
本文介绍了网络协议分析的关键技术与工具。主要内容包括HTTP/HTTPS协议分析流程、常用抓包工具配置（Charles/Burp Suite）、协议格式解析方法以及签名算法还原技术。通过示例展示了完整的请求/响应分析过程，涵盖请求行、请求头、请求体的解析方法，特别关注签名相关字段的识别。文章还提供了Python代码示例演示如何自动分析HTTP请求结构，帮助逆向工程师理解业务逻辑、还原接口签名算法并实现自动化脚本。
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

打赏作者

doublewei1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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