m0_63181360的博客

预训练和微调的区别，这个很关键。 这个地方主要是微调的角度不同，简单理解：前一个是相当于直接修改大模型的参数，后一个是更加精确的回答问题，让回答的泛化（其他内容的拓展）更少。​全量微调：一般指全参数的微调（全量微调），指是一类较早诞生的微调方法，全参数微调需要消耗大量的算力，实际使用起来并不方便（其实就是第二部分的大模型微调）PEFT：特指部分参数的微调方法，这种方法算力功耗比更高，也是目前最为常见的微调方法，比如lora微调、Prefix-Tuning、Prompt Tuning、P

还是说，总体模拟人的一个思维过程，逻辑差不多。

个人使用的比较多，这个也是用户能够直观、直接的感觉大模型好坏的一个方法。

显存受限访问密集型。

如果你是在 InternStudio 平台，则从本地 clone 一个已有 pytorch 的环境：# 如果你是在其他平台：# 激活环境# 进入家目录 （~的意思是 “当前用户的home路径”）cd ~# 创建版本文件夹并进入，以跟随本教程# 拉取 0.1.17 的版本源码# 无法访问github的用户请从 gitee 拉取:# 进入源码目录# 从源码安装 XTuner吐槽：下载真的慢，前面这一点准备工作搞了半天。

增量与训练和指令微调的区别。

"mmpose执行提取关键点命令不是分为两步吗，一步是目标检测，另一步是关键点提取，我现在目标检测这部分的代码是demo/topdown_demo_with_mmdet.py demo/mmdetection_cfg/faster_rcnn_r50_fpn_coco.py checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth 现在我想把这个mmdet的checkpoints换位yolo的，那么应该怎么操作",

到这似乎终于明白什么是微调了，RAG果然还是很适合个性化助手。果然全部来一遍是最完美的，就是不知道性价比高不高。还可以设置回答和拒答的内容，后端可以多方调用。多元解锁，感觉信息来源相对全面。十一、终于了解完，开始茴香豆相关知识。三、进一步了解：Vector-DB。五、RAG的发展进程（三种模式）七、RAG与微调的区别是什么。这么说茴香豆类似于中间件？一、首先了解什么是RAG。六、RAG的常见优化方法。十四、工作流程（非完整）二、RAG的工作原理。八、模型优化方法比较。

1.首先进入控制台进行环境配置（开始没有开发机），创建后默认只有8小时的使用时间（自己可更改） 2.进入后选择terminal进行后续操作（选择JupyterLab才有改界面）接下来的命令：1.需要创建一个新的目录后进行下载2.创建下载文件（download_mini.py）和运行文件（cli_demo.py）下载文件：运行文件：运行效果如下：下载和部署与前面一个项目的步骤差不多。主要是在启动方面有区别：1.此时需要对端口环境配置本地 2.然后再控制台查看端口和连接密码进行连接3. 连接完成，

模型与通用人工智能（AGI），大模型通常被视为发展通用人工智能的重要途径。AI研究从专用模型向通用模型转变，在过去的一二十年中，研究重点在于针对特定任务的专用模型。因此随着深度学习理论的突破和技术进步，通用模型成为了AI研究的新焦点，目的就是为了创建能够解决多种问题的灵活、适应性强的模型。能够对上传的Excel文件进行分析确实很惊艳了，有一段时间没有使用大模型，居然发展到这个地步了，太强了。这个就属于千人千面了，每个人的想法不同，最后创造出来的大模型“助手”也不同。第一次看到这样的流程图，瞬间清晰很多。