<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_46680352的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_46680352</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_46680352]]></copyright><item><title><![CDATA[Datawhale AI 冬令营 模型微调]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/144358605</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/144358605</guid><author>m0_46680352</author><pubDate>Mon, 09 Dec 2024 22:02:23 +0800</pubDate><description><![CDATA[非常的丝滑，只需要下载数据集，上传数据集，选择好数据参数进行微调，等待几十分钟微调完成，创建应用，选择模型发布应用，等待发布完成就可以体验啦~~所以所以，重要的是什么？重要的是数据，高质量的数据集是最重要的，训练过程中的一些超参数影响不是特别大。超参数正常设置就好。当然注意到这里有全量微调和lora微调两种方式。那么全量微调的是小模型，7b以下的。据说20b以上的模型才具有涌现能力，所以全量微调的模型在数据集领域是很好的拟合的，效果嘛就看数据集的质量了。]]></description><category></category></item><item><title><![CDATA[Typescript Task02]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/142407042</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/142407042</guid><author>m0_46680352</author><pubDate>Fri, 20 Sep 2024 22:38:13 +0800</pubDate><description><![CDATA["从前有座山，山里有座庙，庙里有个老和尚，正在给小和尚讲故事呢！如何划分代码到不同的函数中是由您来决定的，但在逻辑上，划分通常是根据每个函数执行一个特定的任务来进行的。在 TypeScript 函数里，如果我们定义了参数，则我们必须传入这些参数，除非将这些参数设置为可选，可选参数使用问号标识。一般情况下，语句是按顺序执行的：函数中的第一个语句先执行，接着是第二个语句，依此类推。如果您使用的是嵌套循环（即一个循环内嵌套另一个循环），break 语句会停止执行最内层的循环，然后开始执行该块之后的下一行代码。]]></description><category></category></item><item><title><![CDATA[typescript第一章笔记]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/142304526</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/142304526</guid><author>m0_46680352</author><pubDate>Mon, 16 Sep 2024 17:04:32 +0800</pubDate><description><![CDATA[、<、>、<=、>=在线运行界面 https://www.typescriptlang.org/zh/play。在线运行界面 https://www.typescriptlang.org/zh/play。console.log("排序后:", bubbleSort(numbers));console.log("num1 大于或等于  num2: "+res)console.log("num1 小于或等于 num2: "+res)console.log("num1 大于n num2: "+res)]]></description><category></category></item><item><title><![CDATA[Datawhale X 李宏毅苹果书 AI夏令营 入门笔记]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/141527727</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/141527727</guid><author>m0_46680352</author><pubDate>Sun, 25 Aug 2024 13:58:23 +0800</pubDate><description><![CDATA[本文依托datawhale夏令营撰写的学习笔记，教程链接期待大家的交流指正机器学习就是让机器具备找一个函数的能力，函数（处理单元，自动化流程）就可以解决一些实际的问题。图像识别函数，语音识别函数，围棋函数（alphago）等。根据函数的不同，机器学习有不同的类别，大致分为回归、分类、结构化学习三种。回归问题就是找一个标量的结果，例如温度，湿度，浓度等标量；分类问题就是让机器做出选择判断，判断物体的种类，邮件的种类，下一步落子的位置等；结构化学习听起来比较厉害，例如让机器画一张图，写一篇文章。]]></description><category></category></item><item><title><![CDATA[第2关 Python 基础知识]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/140357168</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/140357168</guid><author>m0_46680352</author><pubDate>Thu, 11 Jul 2024 17:35:12 +0800</pubDate><description><![CDATA[本文是由上海人工智能实验室主办的第三期书生大模型实战营的笔记，仅供个人和助教批改作业参考，教程原文链接。报名请在微信搜索“第三期书生大模型实战营”。本笔记是在原教程的基础上修改的个人批注的笔记。]]></description><category></category></item><item><title><![CDATA[第一关：Linux基础知识]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/140325227</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/140325227</guid><author>m0_46680352</author><pubDate>Wed, 10 Jul 2024 18:09:55 +0800</pubDate><description><![CDATA[本文是由上海人工智能实验室主办的第三期书生大模型实战营的笔记，仅供个人和助教批改作业参考，教程原文链接。报名请在微信搜索“第三期书生大模型实战营”。本笔记是在原教程的基础上修改的个人批注的笔记InternStudio 是大模型时代下的云端算力平台。基于 InternLM 组织下的诸多算法库支持，为开发者提供开箱即用的大语言模型微调环境、工具、数据集，并完美兼容 🤗 HugginFace 开源生态。]]></description><category></category></item><item><title><![CDATA[Datawhale AI夏令营2024 Task3]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/140188115</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/140188115</guid><author>m0_46680352</author><pubDate>Thu, 04 Jul 2024 22:36:08 +0800</pubDate><description><![CDATA[提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档。]]></description><category></category></item><item><title><![CDATA[DatawhaleAI夏令营2024 Task2]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/140137628</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/140137628</guid><author>m0_46680352</author><pubDate>Tue, 02 Jul 2024 23:18:25 +0800</pubDate><description><![CDATA[进行了赛题分析，任务理解使用prompt解决信息抽取任务保证大模型处理数据与输出格式的稳定性后续进行prompt优化或者引入其他方法来确保信息抽取的准确度。]]></description><category></category></item><item><title><![CDATA[DatawhaleAI夏令营2024 Task1]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/140111962</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/140111962</guid><author>m0_46680352</author><pubDate>Mon, 01 Jul 2024 23:24:00 +0800</pubDate><description><![CDATA[【开营预热】强烈推荐【零基础跑通baseline】并参与抽奖小白友好，半小时就能体验比赛全流程！【学习目标】第一阶段学习时间为6.28-7.1，阅读学习手册。注册比赛账号，并跑通baseline进行打卡。【baseline链接】【提交分数】大家跑通baseline后记得在赛事网页提交获得分数，进行打卡抽奖【打卡】⏰第一次baseline打卡截止时间:7月2日凌晨 00:30。]]></description><category></category></item><item><title><![CDATA[第六课Lagent & AgentLego 智能体应用搭建]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/139767897</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/139767897</guid><author>m0_46680352</author><pubDate>Tue, 18 Jun 2024 11:57:08 +0800</pubDate><description><![CDATA[课程链接。]]></description><category></category></item><item><title><![CDATA[第六课：Agent 工具能力微调]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/139769245</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/139769245</guid><author>m0_46680352</author><pubDate>Tue, 18 Jun 2024 11:55:38 +0800</pubDate><description><![CDATA[为了让大语言模型连接到外部工具，OpenAI 推出了 Function calling 的功能。在 调用 OpenAI 的 API 时，可以描述函数并让模型智能地选择要输出的 JSON 对象，其中包含传递给一个或多个函数的参数。更多信息可以参考：https://platform.openai.com/docs/guides/function-calling。Chat Completions 的相关 API 并不会调用函数；相反，我们可以在自己的代码中根据模型的输出来实现调用函数的逻辑。]]></description><category></category></item><item><title><![CDATA[第六课：AgentLego：组装智能体“乐高”]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/139768997</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/139768997</guid><author>m0_46680352</author><pubDate>Tue, 18 Jun 2024 11:53:19 +0800</pubDate><description><![CDATA[在本节中，我们将基于 AgentLego 构建自己的自定义工具。AgentLego 在这方面提供了较为详尽的文档，文档地址为 https://agentlego.readthedocs.io/zh-cn/latest/modules/tool.html。继承 BaseTool 类修改 default_desc 属性（工具功能描述）如有需要，重载 setup 方法（重型模块延迟加载）重载 apply 方法（工具功能实现）其中第一二四步是必须的步骤。]]></description><category></category></item><item><title><![CDATA[第六课：lagent框架]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/139768596</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/139768596</guid><author>m0_46680352</author><pubDate>Tue, 18 Jun 2024 11:39:06 +0800</pubDate><description><![CDATA[在本节中，我们将基于 Lagent 自定义一个工具。Lagent 中关于工具部分的介绍文档位于 https://lagent.readthedocs.io/zh-cn/latest/tutorials/action.html。继承 BaseAction 类实现简单工具的 run 方法；或者实现工具包内每个子工具的功能简单工具的 run 方法可选被 tool_api 装饰；工具包内每个子工具的功能都需要被 tool_api 装饰下面我们将实现一个调用和风天气 API 的工具以完成实时天气查询的功能。]]></description><category></category></item><item><title><![CDATA[第七课：OpenCompass 大模型评测实战]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/139683104</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/139683104</guid><author>m0_46680352</author><pubDate>Fri, 14 Jun 2024 16:29:49 +0800</pubDate><description><![CDATA[上海人工智能实验室科学家团队正式发布了大模型开源开放评测体系 “司南” (OpenCompass2.0)，用于为大语言模型、多模态模型等提供一站式评测服务。开源可复现：提供公平、公开、可复现的大模型评测方案全面的能力维度：五大维度设计，提供 70+ 个数据集约 40 万题的的模型评测方案，全面评估模型能力丰富的模型支持：已支持 20+ HuggingFace 及 API 模型分布式高效评测：一行命令实现任务分割和分布式评测，数小时即可完成千亿模型全量评测。]]></description><category></category></item><item><title><![CDATA[第五课LMDeploy量化]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/139680634</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/139680634</guid><author>m0_46680352</author><pubDate>Fri, 14 Jun 2024 15:09:17 +0800</pubDate><description><![CDATA[一只老虎躺在草地上。TurboMind是LMDeploy团队开发的一款关于LLM推理的高效推理引擎，它的主要功能包括：LLaMa 结构模型的支持，continuous batch 推理模式和可扩展的 KV 缓存管理器。模型在运行时，占用的显存可大致分为三部分：模型参数本身占用的显存、KV Cache占用的显存，以及中间运算结果占用的显存。由于官方的Llava模型对中文支持性不好，因此如果使用中文提示词，可能会得到出乎意料的结果，比如将提示词改为“请描述一下这张图片”，你可能会得到类似《印度鳄鱼》的回复。]]></description><category></category></item><item><title><![CDATA[第四课Xtuner微调]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/139379174</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/139379174</guid><author>m0_46680352</author><pubDate>Sat, 01 Jun 2024 21:17:45 +0800</pubDate><description><![CDATA[教程视频教程链接笔记分为三大部分，分别为教程，作业，思考。在本节中主要就是带领着大家跑通了 XTuner 的一个完整流程，通过了解数据集和模型的使用方法、配置文件的制作和训练以及最后的转换及整合。那在后面假如我们也有想要微调出自己的一个模型，我们也可以尝试使用同样流程和方法进行进一步的实践！]]></description><category></category></item><item><title><![CDATA[实训营第三课RAG]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/139215897</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/139215897</guid><author>m0_46680352</author><pubDate>Mon, 27 May 2024 20:12:03 +0800</pubDate><description><![CDATA[RAG：RAG 是什么、原理、RAG vs. Fine-tune、架构、向量数据库、评估和测试茴香豆介绍、茴香豆的特点、架构、构建步骤实践演示：茴香豆 Web 版演示InternLM Studio 部署茴香豆知识助手RAG技术应用前后对比RAG可以在不重新训练模型的前提下进行外在知识信息的挂载，让模型高效的学习新的知识和信息并向量化存储RAG技术概述可以和多模态结合应用，进行多模态检索分为检索、生成和索引三个重要组成部分向量数据库RAG工作流程。]]></description><category></category></item><item><title><![CDATA[第二节课趣味Demo]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/139180480</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/139180480</guid><author>m0_46680352</author><pubDate>Fri, 24 May 2024 18:05:10 +0800</pubDate><description><![CDATA[Lagent 是一个轻量级、开源的基于大语言模型的智能体（agent）框架，支持用户快速地将一个大语言模型转变为多种类型的智能体，并提供了一些典型工具为大语言模型赋能。它的整个框架图如下:]]></description><category></category></item><item><title><![CDATA[internlm第一节课程笔记]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/139127884</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/139127884</guid><author>m0_46680352</author><pubDate>Thu, 23 May 2024 09:52:42 +0800</pubDate><description><![CDATA[本笔记为书生浦语大模型实战营第二期初夏专场第一节课程的笔记视频链接论文链接教程链接课程介绍了书生浦语大模型全链路开源体系，包括大模型的发展趋势、开源历程、数据集、预训练框架、微调工具、部署解决方案、评测体系和智能体框架。回归语言建模的本质，在更小的模型上取得优异的性能模型的优势和亮点模型微调基本方式XTuner微调框架本次课程主要介绍了书生浦语大模型的发展历程，独特优势和亮点，以及书生浦语全链路开源体系为开源做出巨大贡献。]]></description><category></category></item><item><title><![CDATA[【无标题】]]></title><link>https://blog.youkuaiyun.com/m0_46680352/article/details/136790078</link><guid>https://blog.youkuaiyun.com/m0_46680352/article/details/136790078</guid><author>m0_46680352</author><pubDate>Mon, 18 Mar 2024 20:09:16 +0800</pubDate><description><![CDATA[本人是某双非菜鸡研一（2023），机械跨人工智能，几乎零代码基础，7月开始进组学习，但放养，无人指导。通过进一年的瞎胡搞，什么成果都没有的我，急切的想找到一条可行的道路。加之本人想写markdown文章笔记很久了，于是发在csdn这里，也请大家多给我点指导建议和纠正。万事开头难，加油！提示：以下是本篇文章正文内容，下面案例可供参考。]]></description><category></category></item></channel></rss>