问

最新推荐文章于 2024-11-20 18:30:00 发布

转载最新推荐文章于 2024-11-20 18:30:00 发布 · 51 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://blog.51cto.com/yj234/234444

sdfdsfdsfdf

fsdfsfdsfdsfdsfsf

fdsfdsfdsfds

转载于:https://blog.51cto.com/yj234/234444

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

weixin_34303897

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

从零开始通义千问大模型本地化到阿里云通义千问API调用

风吹落叶的博客

11-16

1万+

通义千问大模型”是阿里云推出的一个超大规模的语言模型，具有强大的归纳和理解能力，可以处理各种自然语言处理任务，包括但不限于文本分类、文本生成、情感分析等。此模型能够极大地提高了自然语言处理的效率和准确性，给用户提供了一种新的、简便的工具。

实战千问2大模型第二天——Qwen2-VL-7B（多模态）的部署和测试

qq_34717531的博客

09-10

4269

2024年 8 月 30 日，通义千问团队今天对 Qwen-VL（视觉语言、Vision Language）模型进行更新，推出 Qwen2-VL。Qwen2-VL 的一项关键架构改进是实现了与上一代模型 Qwen-VL 不同，，从而确保模型输入与图像固有信息之间的一致性。这种方法更接近地模仿人类的视觉感知，使模型能够处理任何清晰度或大小的图像。

参与评论您还未登录，请先登录后发表或查看评论

五步炼丹，qwen通义千问1.5版本微调实战

IT大头的博客

03-15

2万+

通用千问微调，lora微调，qwen1.5微调，通义千问1.5微调，最近阿里大模型通义千问qwen推出了1.5版本的开源模型，涉及了0.5B, 1.8B, 4B, 7B, 14B, 及72b在内的多种参数模型与量化模型因此本篇文章是基于一个开源大模型微调训练工具包使用lora对qwen1.5的，但是对于每个人的机器配置以及cuda环境，可能会导致一些问题，如果遇到问题可以发在评论区，大家一起研究，同时测试数据我放到下面了，需要的自行获取。

通过API使用阿里大模型通义千问

huangfuyk.的博客

11-20

1888

通过API使用阿里大模型通义千问...

千问写作——论文写作

陈增林

01-10

1697

千问写作是运用通义千问720亿参数的语言模型（qwen-72b-chat）进行基于目录的论文创作，通过python-docx设置文档格式然后写出文档，其他免费模型（qwen-1.8b-chat）暂时无法生成目录。先点击生成论文目录，生成结果放到session中，点击其他按钮时（刷新论文目录），才能将论文目录文本框内容刷新。论文目录是基于论文目录规则生成的，如果不符合规则，会一直请求直到符合为止。知网搜索，然后粘贴，为空的话则不写出。知网搜索，然后粘贴，为空的话则不写出。通义千问： system的设定。

Idea：通义千问插件

ql_gome的博客

04-22

1万+

阿里出品，必属精品！

通义千问 2.5 发布，成为中国最强开源大模型_通义千问2.5

2401_84208172的博客

07-19

1825

在 GPT-4 面世一年多后，不少大模型已经开始跟上 OpenAI 的脚步。今天阿里云的通义千问模型也进化到了 2.5 版本。在 2.5 版本中，模型在理解力、逻辑推理、指令执行和编程能力方面都有显著提升，分别比上一版本提高了 9%、16%、19% 和 10%，在中文处理能力上，通义千问更是持续保持行业领先地位。通义还推出了一个拥有 1100 亿参数的开源模型 Qwen1.5-110B，该模型在多个基准测试中超越了 Meta 的 Llama-3-70B 模型。

【文心一言 vs. 通义千文】一言对千问：自百度之后，阿里终于还是出手了——通义千问

热门推荐

AI天才研究院

04-08

2万+

阿里达摩院——通义千问。

通义千问机器人支持上下文会话

小马哥的博客

04-18

1673

在模型对话场景中，如果模型能够对上下文保持保持短期记忆，将会大大提升对话体验。AppFlow早先的版本已经支持了通义千问对话，现在我们对AppFlow通义千问对话功能做了全新升级，在您的每次对话中都可以保留上下文，让您的会话更加流畅丝滑～下面我们以钉钉机器人中对话通义千问机器人为例，为您介绍如何在AppFlow中进行配置。

网络安全面试必问

赤赤三的博客

03-29

1万+

机器学习/深度学习500问

03-27

机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问机器学习/深度学习500问...

深度学习500问的pdf版本

06-20

《深度学习500问》是一本非常实用的深度学习教程资源，由GitHub用户scutan90编写并分享。这本书涵盖了深度学习领域的诸多基础知识、理论概念以及实践技巧，旨在帮助初学者和进阶者深入理解并掌握深度学习的核心概念...

公务员考试常识4600问

05-25

公务员考试常识4600问，积累常识。

springboot智能在线预约挂号系统【附万字论文+PPT+包部署+录制讲解视频】.zip

09-05

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论，包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案，包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块，如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构，确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面，提升用户体验。3.4系统安全设计阐述系统安全策略，包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程，包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试，分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进，提升系统性能。第5章研究结果呈现系统实现后的效果，包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果，如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能

基于机器学习方法的信用风险评估体系构建与实现

09-05

在金融行业中，对信用风险的判断是核心环节之一，其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法，尤其是Sklearn工具包，建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法，并通过实际操作流程进行说明。一、机器学习基本概念机器学习属于人工智能的子领域，其基本理念是通过数据自动学习规律，而非依赖人工设定规则。在信贷分析中，该技术可用于挖掘历史数据中的潜在规律，进而对未来的信用表现进行预测。二、Sklearn工具包概述 Sklearn（Scikit-learn）是Python语言中广泛使用的机器学习模块，提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程，是数据科学项目中的常用工具。三、逻辑回归模型逻辑回归是一种常用于分类任务的线性模型，特别适用于二类问题。在信用评估中，该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值，从而表示违约的可能性。四、支持向量机模型支持向量机是一种用于监督学习的算法，适用于数据维度高、样本量小的情况。在信用分析中，该方法能够通过寻找最佳分割面，区分违约与非违约客户。通过选用不同核函数，可应对复杂的非线性关系，提升预测精度。五、数据预处理步骤在建模前，需对原始数据进行清理与转换，包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分，常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰，增强模型的适应性。六、模型构建与验证借助Sklearn，可以将数据集划分为训练集和测试集，并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时，更应关注模型的召回率与特异性。七、集成学习方法为提升模型预测能力，可采用集成策略，如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差，增强整体预测的稳定性与准确性。综上，基于机器学习的信用评估系统可通过Sklearn中的多种算法，结合合理的数据处理与模型优化，实现对借款人信用状况的精准判断。在实际应用中，需持续调整模型以适应市场变化，保障预测结果的长期有效性。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！

橙色s（）_Orange's一个操作系统的实现(随书光盘).zip

09-05

橙色s（）_Orange's一个操作系统的实现(随书光盘).zip

perl-Hash-Flatten-1.19-26.el8.tar.gz