m0_72769049的博客

原创 DataWhale 9月 大模型实训 T4：大模型微调

大模型虽然具备强大的通用能力，但在处理特定领域任务或高度定制化需求时，仅通过提示词往往难以达到理想效果。对于需要模型深度理解特定业务逻辑的情况，微调（Fine-Tuning）成为使得大模型更加好用的关键步骤。

原创 DataWhale 9月 大模型实训 T3：提示词工程

文章摘要：本文探讨了提示词书写的关键要素和优化方法。基本提示词应包含任务、主体、细节和形式四个要素，并通过餐厅对话示例展示了标准格式。提升提示词质量可考虑角色扮演、分步思考（CoT）、定制输出格式和Few-shot四个特征。作者通过五种任务实践发现，明确的提示词比自然语言更有效，但这也带来提示词构建工作量大的问题。文章指出AI优化提示词的技术正在发展，类似"解释器"原理，并预测未来大模型将更懂人类语言，建议现阶段仍需学习AI理解的语言表达方式。

原创 DataWhale 9月 大模型实训 T2：大模型使用

数据隐私性强，可完全控制模型行为，但是需要GPU支持，否则太太太慢了。难点：安装包大、启动参数多需调优+只支持有限模型架构。好处：数据完全在本地；本地小模型更适合科研场景。方便快捷，通过API密钥发送请求即可获取结果。改两行配置就能迁移现有代码。难点：数据要出网+可能被限速。好处：显存碎片压缩；难点：首次加载慢+代码量大。

原创 DataWhale 9月 大模型实训 T1：大模型介绍与环境配置

大模型的核心特征主要体现在三个方面：参数规模大、训练数据量大、计算需求大。参数量决定了模型复杂度，数据量防止过拟合，算力支撑高效训练。与传统NLP模型相比，大模型具有通用性强、知识容量大的特点，能通过微调快速适应特定任务。应用领域已突破自然语言处理，扩展到计算机视觉、生物信息等多模态场景。实践表明，大模型能较好理解并执行用户指令，展现出强大的泛化能力。

原创 DataWhale AI夏令营：Coze空间共学 2048作品分享

我想要一个单纯的2048，其中还可以有更多玩法：学历版、中华历史版、军旗版，棋盘大小也可以个性化调整3*3 4*4 5*5都可以，注意，在一开始我发现各个棋盘格子的大小是自适应的，我希望一开始每个格子就都是正方形。我写2048的指令的时候有时候会有小bug，直接描述现象是解决不了问题的，需要根据之前的指令，推测出可能出现问题的代码部分，才可以使AI“读懂”自己写的代码。2048：#EDC22E，金黄色，颜色非常鲜艳，是游戏中最高级的颜色。2：#EEE4DA，浅米色，颜色较浅，与其他方块颜色形成渐变效果。

原创 PICO VR开发流程记录

SDK：[Android Studio安装详细教程（从下载到安装，保姆级教程）_android studio 国内下载-优快云博客](https://blog.youkuaiyun.com/weixin_45143788/article/details/127498365)配合使用：[Unity 找不到 Android SDK 及编译失败的终极解决方案 | Iifa Tree](https://blog.iifatree.com/2021/01/10/unity-android-sdk/)2. 变暗+卡顿：[

原创 Datawhale AI夏令营·多模态RAG方向：赛题理解笔记

2. 输出：对于每个问题，提供回答+文件名+页码（0.5,0.25,0.25）1.train.json 有答案 供微调和训练embedding。3.sample_submit.json 为最终提交格式模版。2.test.json 只有问题，需要补全回答的三个部分。1. 输入：图文混排的PDF。

原创 《机器学习》读书笔记CH6

软间隔支持向量机通过引入松弛变量和惩罚参数，允许部分数据点不满足严格的分类间隔（这样可以提升模型的泛化能力）。函数间隔：在超平面确定的情况下，函数间隔能够代表数据点距离超平面的远近。支持向量机（SVM）的基本思想是寻找一个最优的超平面，使得不同类别的数据点之间的间隔最大化，从而实现对数据的分类。几何间隔：几何间隔代表的是数据点到超平面的真实距离。在最大化间隔的过程中，只有距离超平面最近的数据点对超平面的位置有影响。：支持向量是位于最大间隔边界上的数据点，它们决定了超平面的位置和方向。

原创 《机器学习》阅读笔记CH5

原创 《机器学习》阅读笔记（CH4）

原创 《机器学习》ch3-3

线性判别分析（LDA）是一种经典的监督线性降维方法。其核心思想是给定训练样例集，设法将样例投影到一条直线上，使得同类样例的投影点尽可能接近，异类样例的投影点尽可能远离。

原创 《机器学习》阅读心得体会（CH3-2）

原创 《机器学习》阅读心得体会（CH3-1）

原创 《机器学习》阅读心得体会（CH1 CH2）

阿瑟·塞缪尔（Arthur Samuel）的定义：“机器学习是研究如何让计算机利用经验改善性能的学科”。汤姆·米切尔（Tom Mitchell）的定义：“如果计算机程序在任务T上的性能P随着经验E的增加而提高，那么就可以说这个程序在从经验E中学习”。机器学习的核心是让计算机能够通过数据自动学习规律，而不是依赖于人工编写固定的程序。其研究的内容是关于在计算机上从数据中产生“模型”的算法，即“学习算法”。机器学习的主要流程有数据收集与清洗、特征工程、模型选择与训练、模型评估与优化。

原创 Python学习记录 1-5 条件表达式和逻辑表达式

算数运算符（乘除>加减）>关系运算符>逻辑运算符（and>or>not）>赋值运算符。其实就是与和或的性质：对于与，一假全假，对于或，一真全真。为什么会有None 其实是print（）函数的返回结果。python中 and 和 or的短路操作。

原创 Python学习记录 1-2输入输出

【代码】Python 1.2输入输出。

原创 Qt5开发及实例（第三版）学习笔记CH1

根据教程《Qt5开发及实例（第三版）》学习。Mini项目1：circlearea。

原创 C++实现BF算法、KMP算法

用于实现子串的比较，返回子串在主串中的位置。