墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
19平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
《Happy-LLM:从零开始构建大模型》
https://github.com/datawhalechina/happy-llm
Stars 28k （入选了github趋势榜单前三，我另外一本《Hello-Agents》也3万多stars）
在线阅读地址： https://datawhalechina.github.io/hello-agents/#/
在线阅读地址：https://datawhalechina.github.io/hello-agents
Github仓库（欢迎Star）：https://github.com/datawhalechina/hello-agents
1.访问GitHub - datawhalechina/happy-llm: 📚 从零开始构建大模型 · GitHub
进入模型对话页面
简单的问题，可以回答。稍微复杂点的问题，回答就不行了。
2.
3.
避开这些坑！用Happy-LLM训练中文大模型时我踩过的5个雷（Ubuntu24.04环境）
本文分享了在Ubuntu24.04环境下使用Happy-LLM训练中文大语言模型时遇到的五个常见问题及解决方案，包括虚拟内存设置、国内镜像源配置、数据集格式转换、训练参数调优和中文预处理陷阱。特别针对RTX5090显卡优化训练参数，帮助开发者在个人电脑上高效训练中文大模型。
happy-llm项目开源许可证详解：使用与分发规范
你是否曾在使用开源项目时困惑于"能否商用"、"如何修改分发"等问题？开源许可证就像开源世界的"权利框架"，明确规定了开发者与用户的权利边界。happy-llm作为"从零开始的大语言模型原理与实践教程"，采用**Attribution-NonCommercial-ShareAlike 4.0 International（CC BY-NC-SA 4.0）** 许可证，这直接影响着学习者、企业和二次开发...
【20230415】Ubuntu22.04双屏显示触屏设置，解决触摸点和响应位置不一致的问题
双屏显示时，如果存在一个触摸屏，有可能会出现触摸点和响应位置不一致的问题。我的显示器配置如下：一个34寸，3440＊1440；一个22英寸触摸屏，1920＊1080。
入门大模型神器：开源项目Happy LLM保姆级教程！
《Happy-LLM：大语言模型入门与实践指南》是一套系统性开源教程，从NLP基础到Transformer架构逐步深入，详解大语言模型原理与实现。特色包括：免费开源、理论实践结合、涵盖预训练到微调全流程，并提供215M参数的LLaMA2实战模型。教程结构包含NLP基础、Transformer实现、LLM训练策略及应用技术（如RAG、Agent），配套开源数据集和模型下载。适合希望系统学习大语言模型的开发者，项目由Datawhale团队维护，GitHub开源。
别再手动算临界转速了！用ANSYS Workbench 2023 R2快速搞定转子坎贝尔图（附完整APDL命令流）
本文详细介绍了如何利用ANSYS Workbench 2023 R2快速生成转子坎贝尔图，实现全自动临界转速分析。通过对比传统手动计算与Workbench自动化流程的效率差异，展示了其在旋转机械设计中的革命性优势，包括大幅缩短分析周期、提升精度至98.7%。文章还提供了完整的APDL命令流和实战案例，帮助工程师快速掌握这一高效工具。
ADS 2024实战：手把手教你搞定CGH40010F的Doherty功放仿真与版图（附避坑指南）
本文详细介绍了使用ADS 2024进行CGH40010F Doherty功放从仿真到版图的全流程设计，涵盖器件建模、稳定性分析、负载牵引匹配和版图联合仿真等关键步骤。特别针对新手常见问题提供避坑指南，帮助工程师高效完成射频功放设计，提升5G基站和雷达系统的性能。
最实用教程：用happy-llm实现情感分析的完整工作流
你是否还在为文本情感分析项目的复杂流程而困扰？本文将带你使用happy-llm项目，通过数据处理、模型训练到最终部署的全流程，轻松实现文本情感分类。读完本文，你将掌握大语言模型在情感分析任务中的应用方法，包括数据准备、模型微调、推理部署等关键步骤。 ## 项目概述 happy-llm是一个从零开始的大语言模型原理与实践教程项目，提供了丰富的代码示例和文档。官方文档：[README.md](ht...
Quanto option期权公式推导（更新中）
Quanto期权不同于以标的股票或资产的计价货币支付最终收益的普通欧式期权，它以另一种货币以预先确定的汇率支付最后的收益。以股票B的计价货币来计价的quanto看涨期权的收益为F0×max(Sa(T)−K,0)×Sb(T)F_0 \times \max(S_a(T)-K, 0) \times S_b(T)F0×max(Sa(T)−K,0)×Sb(T) 其中SaS_aSa以货币A计价，SbS_bSb以货币B计价，F0F_0F0是预先固定的汇率. 假设上述股票均遵循几何布朗运动，可以得到以下恒等式
Apache Pulsar TLS 双向认证（mTLS）完整实战指南：证书签发、Broker/Proxy 配置与多语言客户端接入
Apache Pulsar 的 TLS 认证（Authentication using TLS，即基于客户端证书的 mTLS）是在 TLS 传输加密基础之上建立的双向身份验证机制：不仅客户端校验服务器身份，服务器也通过客户端证书校验调用方身份。本文基于 Pulsar 2.2.1 版本官方安全文档，完整讲解客户端证书签发流程、Broker 与 Proxy 的认证配置、CLI 工具及 Java/Pyt
手把手教你解决Windows 10网络驱动器无法访问问题（附详细排查步骤）
本文详细指导Windows 10用户解决网络驱动器无法访问的常见问题。通过从现象快速定位到系统排查，提供了从检查网络连通性、修复凭据权限到调整高级设置的完整步骤，特别是针对“找不到网络路径”等错误，帮助用户高效恢复对共享资源的访问。
医学图像的对抗攻击：模型安全性与鲁棒性分析
医学图像的对抗攻击：模型安全性与鲁棒性分析 ，人工智能，计算机视觉，大模型，AI，本文围绕医学图像的对抗攻击展开，分析了其对AI模型的威胁。介绍了对抗样本定义、攻击原理，以及FGSM、BIM、PGD等常见攻击方法，还给出了相关代码示例。阐述了攻击对模型诊断准确性和可信度的影响，提出对抗训练、输入预处理、模型集成等提升模型安全性与鲁棒性的方法，探讨了评估指标、数据集和流程，分析了实际应用中的挑战与应对策略，最后展望了未来发展趋势。
从零构建大语言模型：Happy-LLM项目实战指南与学习路径
如果你正在寻找一个能让你从零开始，真正理解并动手构建大语言模型的教程，而不是仅仅停留在调用API的层面，那么今天要介绍的这个项目，绝对值得你花时间深入了解。它就是由国内知名开源组织Datawhale推出的《Happy-LLM》项目。这个项目在GitHub上已经获得了超过31.7k的星标，热度极高，被许多开发者誉为最适合新手系统入门AI大模型的“神级”教程。 这个项目的核心价值在于“系统性”和“实践性”。它不是一个简单的API使用手册，而是一套从NLP基础概念出发，逐步深入到Transformer架构、预训练
Coze 打通飞书多维表格，实现数据增删改查操作实战详解
基于Coze 打通飞书多维表实现数据录入系统实战详解
如何用 happy-llm 第五章 download_dataset.sh 下载 seq-monkey 预训练数据与 BelleGroup SFT 数据
在 happy-llm 教程第五章「动手搭建大模型」的 5.3 节中，预训练一个小型 LLM 的第一步是下载训练数据：出门问问序列猴子（seq-monkey）通用文本预训练语料，以及 BelleGroup 的 350 万条中文对话 SFT 数据集。仓库在 [download_dataset.sh](https://link.gitcode.com/i/4cf4d09c794e4e54a1747f2
基于STM32+4G模块设计的智能灌溉系统
当前智能灌溉系统分为三个部分：温湿度采集部分、灌溉系统部分、OneNet云平台。 灌溉系统部分增加刷卡功能，用户可以通过IC卡刷卡将金额刷到灌溉系统设备里，灌溉系统设备里会记录金额，并且在手机可视化页面上会显示当前的设备金额。 金额会随着时间进行递减，按分钟计费，如果计费到0，就无法启动灌溉，需要重新充值金额才能继续。
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
避开这些坑！用Happy-LLM训练中文模型时最容易出错的5个环节（含魔搭镜像加速方案）
本文针对在个人电脑上使用Happy-LLM训练中文大语言模型时常见的五大痛点，提供了详尽的避坑指南。内容涵盖从数据获取、系统资源配置、Tokenizer训练到模型预训练与推理优化的全流程，特别分享了利用魔搭镜像加速数据下载、RTX 5090显卡的显存优化配置等实战技巧，旨在帮助开发者高效、稳定地完成模型训练。
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
如何用 happy-llm 第六章 download_model.py 通过 hf-mirror 镜像下载 Qwen2.5-1.5B 基座模型
第六章训练实践的第一步是把 Qwen2.5-1.5B 基座模型参数落到本地：后续的 `pretrain.sh` 会直接从本地路径 `autodl-tmp/qwen-1.5b` 读取模型配置和 tokenizer。happy-llm 在第六章代码目录提供了现成脚本 [download_model.py](https://link.gitcode.com/i/a5661e3570dfb432b5840
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。
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
从零构建大模型实操 6 步：happy-llm 环境、数据与训练全流程避坑指南
happy-llm 是一个带你从零开始构建大模型的教学仓库，正文覆盖预训练、SFT 与高效微调，额外章节还收录了把 SmolVLM2 视觉模块拼进 Qwen3 的多模态微调实战。这篇文章不按"报错-修复"的方式讲，而是按你动手的顺序走：确认环境、备数据、拼模型、起训练、提速度、看指标。每一步都会说清楚做完后应该处于什么状态，以及哪里最容易翻车。 ## 第一步：确认环境和 GPU 能支撑训练 这
推荐5 个 硬核AI GitHub 项目（AI投资大师组团炒股？谷歌手机端大模型开源！）
他的原理很有意思，首先部署了一群 AI 智能体，有的智能体负责技术分析、有的负责基本面、有的看看目前市场情绪，有的控制风险。让这些 AI 智能体协同合作，通过动态讨论，最后给出目前最优的交易策略。简单说，它就像一个智能的 AI 设计师同事，根据你的想法批量生成图片、设计海报、甚至还能在对话中修改图片。这个项目专为想深入理解大语言模型的学习者设计，主打“从零开始的大语言模型原理与实践教程”。 专为深度学习爱好者设计,目前已经获得 3K 的 Star。Datawhale社区的 。开源设计Agent 。
happy-llm 实战指南：大模型时代为什么要微调 0.6B 小模型——用 Qwen3-0.6B 做投诉文本信息抽取
在日常开发中，DeepSeek-R1、Qwen3-235B-A22B 这类顶级大模型的 API 已经能满足大部分通用需求，那么微调一个只有 0.6B 参数的小模型还有什么意义？本篇基于 happy-llm 项目扩展章节 [why-fine-tune-small-large-language-models](https://link.gitcode.com/i/6a21e307c4034ff4ecc
这 5 个 GitHub 项目，挺牛逼的。
01炒股投资智能体前几天，我推荐了一个开源项目。是让巴菲特、查理芒格 7 位投资大师帮你出谋划策的 AI 对冲基金投资工具。这个叫 TradingAgents 的开源项目和其理念类似，刚刚开源便斩获 3.6K Star！TradingAgents 是基于 AI Agent 的金融交易框架。他的原理很有意思，首先部署了一群 AI 智能体，有的智能体负责技术分析、有的负责基本面、有的看看目前市场情绪，有的控制风险。让这些 AI 智能体协同合作，通过动态讨论，最后给出目前最优的交易策略。改天出一个单独文章介绍下这
Happy-LLM 实践指南：结合 cpolar 实现本地 LLM 公网访问
Happy-LLM 凭借系统的教程和实操性，为大语言模型的学习与实践提供了扎实的基础，而 cpolar 则弥补了其本地服务仅能局域网访问的短板，二者结合既保留了本地开发的低成本、高安全性，又实现了模型服务的全球可达。对于想要入门大语言模型的学习者，或是需要快速验证模型想法的小团队开发者而言，这种组合让大语言模型的学习从 “纸上谈兵” 落地到 “可分享、可协作” 的实际应用中，切实提升了学习和开发效率，也让本地搭建的大模型真正发挥出实用价值。
【开发者导航】助力初学者入门的 LLM 原理与实践教程：happy-llm
摘要： happy-llm是DataWhale社区推出的开源大语言模型（LLM）入门教程，专为初学者设计，涵盖NLP基础、Transformer架构、预训练模型原理及实战案例。教程以"理论+实践"为核心，提供分阶段学习路径、代码实操指导和常见问题解答，适配学生、职场转型者等不同背景学习者。其优势在于系统性（从基础到进阶）和低门槛（无需深厚技术背景），但前沿技术和大规模训练案例覆盖较少。免费开源，适合LLM入门，为后续深造奠定基础。
《Happy-LLM》项目正式发布，一起快乐学习大模型！
本项目是一个系统性的 LLM 学习教程，将从 NLP 的基本研究方法出发，根据 LLM 的思路及原理逐层深入，依次为读者剖析 LLM 的架构基础和训练过程。同时，我们会结合目前 LLM 领域最主流的代码框架，演练如何亲手搭建、训练一个 LLM，期以实现授之以鱼，更授之以渔。希望大家能从这个项目开始走入 LLM 的浩瀚世界，探索 LLM 的无尽可能。🔍 深入理解 Transformer 架构和注意力机制📚 掌握 预训练语言模型的基本原理🧠 了解 现有大模型的基本结构。
Happy-LLM，3天1000星，这份大模型开源教程炸了？
“看完《self-llm》不过瘾？那就自己造一个！”——去年密谋的硬核项目《Happy-LLM》，上线3天狂揽1000+ GitHub星标！
Happy-LLM，初学者入门大语言模型（LLM）最佳指南
最近发现一个非常好的学习资料，可以一次性的掌握从理论到从头创建一个大模型，再到预训练，SFT（有监督微调），甚至到最后还有RAG以及Agent的搭建方式，非常的齐全。就是这个Happy-LLM，Github将近10000星了，上升势头非常快。这边大模型的开源项目已经整理并打包好了，大家扫了即可拿到由于下个学期可能需要讲一些类似的内容，所以自己过了一遍，教程一共有7章，我把它分成了三个部分：1-4理论部分， 5-6大模型创建和训练实践，7大模型扩展应用。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
104
扫一扫
