- 博客(183)
- 收藏
- 关注
RSS订阅原创 git报错处理
提示表明你的代码未通过 Linter 检查或构建任务失败，需要检查构建日志并修复代码后再提交。可以使用自动化工具来解决格式问题，确保代码符合团队规范后，重新运行检查流程。
2025-01-15 15:03:25
685
原创 python代码格式检查及自动工具更改
验证安装是否成功：检查代码格式检查单个文件：检查整个项目：指定输出格式：忽略特定规则：示例中 是行超长错误，忽略此规则。生成报告到文件：自动更改代码：使用 或 安装自动格式化工具安装 ：安装 ：使用 格式化单个文件：递归格式化整个项目：自定义规则：使用 格式化单个文件：格式化整个项目：自定义行宽：使用 VS Code 插件检查与格式化安装 Flake8 插件：安装自动格式化插件：配置
2025-01-15 14:57:25
893
原创 git使用
arc diff进入编辑模式但没有更新内容，通常是因为没有实质性代码更改或暂存区没有内容。如果你想提交更新的内容，确保在回滚后进行了修改，并将修改添加到暂存区。
2025-01-15 14:52:54
1100
原创 miniconda-windows安装
如果仍无效试试用旧命令如果这个可以用，则需要升级conda到最新版本以支持。conda init失败检查是否有写入配置文件的权限（如.bashrc或.zshrcWindows 用户提示找不到activate以上方法可以帮助你解决报错的问题。
2025-01-09 16:01:13
911
原创 filetype Python包
filetype是一个 Python 包，用于检测文件的类型（MIME 类型和扩展名）。它通过读取文件的二进制数据（magic numbers 或签名）来快速而准确地识别文件类型，而无需依赖文件的扩展名。
2024-12-04 16:28:34
573
原创 transformer
转导模型是一种直接从已知样本（训练数据）预测特定目标样本（测试数据）的方法，而不是像归纳学习那样先学习一个通用的规则（模型）再应用于未知数据。转导模型专注于直接解决给定的任务（输入到输出的映射）。它并不强调总结出通用的规律，而是针对问题域的具体实例优化。
2024-12-02 18:42:59
896
原创 什么是Monkey测试
Monkey测试是一种非结构化的测试方法，其核心思想是像“猴子乱按键”一样，随机地向应用程序发送各种无序的输入，包括按键、手势、触摸、点击等，以观察系统的行为。它模拟用户的随意操作，帮助发现潜在的崩溃、异常或未预见的问题。Monkey 测试是一种简单而有效的随机测试方法，适用于稳定性和压力测试，但不适合替代结构化的功能测试。它更像是一种补充性测试工具，帮助发现意外问题。（Monkey Testing）是一种随机测试技术，主要用于测试应用程序的稳定性、可靠性和异常处理能力。Android 平台上的。
2024-12-02 14:32:11
842
原创 vscode连接远程开发机报错
这个报错主要说明了 VSCode 通过 SSH 连接到远程服务器时，SSH 客户端未能验证远程主机的密钥。这是一个常见问题，通常与 SSH 配置或已知主机密钥有关。由于主机密钥验证失败，VSCode 无法通过 SSH 建立连接，因此后续与远程主机的通信失败。解决主机密钥验证问题后，VSCode 应该可以顺利连接到远程服务器。确保 VSCode 使用正确的 SSH 配置文件路径。，并按回车以接受密钥，密钥将被添加到。vscode连接conf配置文件。中的配置与实际情况匹配。文件，删除对应的旧记录。
2024-11-21 11:53:00
1141
原创 动手学深度学习73 课程总结和进阶学习
即是通过 Tabula 工具从 PDF 中提取出来的结构化表格数据。Tabula 通过自动检测 PDF 中的表格结构，将内容转化为可直接分析的格式，适合在财务、统计等需要从 PDF 文件中提取数据的场景下使用。
2024-11-15 19:45:43
956
原创 初学人工智不理解的名词3
方法定义与用途优势CFM一致流匹配，通过流模型建模目标分布，适合直接生成语音。提高语音质量，减少处理步骤，生成更加一致和自然的语音。One-Step 蒸馏一次性知识蒸馏，将教师模型的知识高效转移到学生模型中，压缩模型并加速生成过程。减少训练时间，提升生成效率，适合移动端或嵌入式设备部署。ReFlow可逆流匹配，通过流模型优化生成过程，捕获语音分布并改进波形生成。增强生成模型的灵活性和音质，减少训练不稳定性，支持高效的波形生成。
2024-11-15 15:22:58
1319
1
原创 动手学深度学习72 优化算法
任意两点连线，所有线上的值都在集合里面–凸集在机器学习，凹凸函数的区别？凸函数表达能力有限动量法： 比较平滑的改变方向，两个下降方向不一样【冲突】的时候，抵消掉一些使梯度的更新不那么剧烈。看过去两三个梯度。mementum–超参数【beta】Adam不一定比SGD更好，只是，做了非常多的平滑。
2024-11-15 11:00:00
431
原创 动手学深度学习70 BERT微调
13 bert一般可以用工具转成c++ 开销大。考虑怎么提升bert性能。14 设备性能不高，可以用蒸馏bert。模型中有大量冗余的东西。9 10, 一般不固定，固定参数可以使训练速度加快，可以尝试。12 本身很快+技术细节–>精度高。
2024-11-14 11:53:08
661
原创 初学人工智能遇到不理解的词汇2
对于一个 ( m \times n ) 的矩阵 ( A )，它的奇异值定义为 ( A ) 的奇异值分解（SVD）所得结果中的一部分。奇异值分解可以写成：( U ) 是一个 ( m \times m ) 的正交矩阵（正交矩阵意味着它的列向量是单位正交的）。( V ) 是一个 ( n \times n ) 的正交矩阵。( \Sigma ) 是一个 ( m \times n ) 的对角矩阵，其中对角线上非零元素为矩阵 ( A ) 的奇异值。
2024-11-14 11:28:41
1109
原创 动手学深度学习69 BERT预训练
3亿参数 30亿个词在输入和loss上有创新两个句子拼起来放到encoder–句子对cls-class分类sep-seperate 分隔符 分开每个句子 告诉是哪个句子 两个句子给不同的向量位置编码不用sin cos， 让网络自己学习bert–通用任务encoder 是双向的，两个方向的信息都可以看到预测mask是谁。改动：让模型在做微调的时候不要看到mask就做预测。
2024-11-13 18:10:54
499
原创 动手学深度学习67 自注意力
k 窗口的大小每个kernel窗口都可以并行计算，GPU计算最长路径：信息是怎么传递的 filed–视野自注意力适合处理比较长的文本，无视距离，可以看比较长的文本，但是计算复杂度高【代价】位置信息加到输入数据里面。行：样本。
2024-11-05 13:27:17
403
原创 动手学深度学习66 使用注意力机制的seq2seq
key value等价 是一个东西 第i个词rnn的输出根据加权的不同，解码器前面用编码器前面的输出，到后面用后面的输出。
2024-11-04 14:04:59
444
原创 动手学深度学习64 注意力机制
非参： 没有参数。给定数据：key value对x：query。来了一个新数据，只看和新数据比较相近的某些数据的y。类似于K近邻K: kernel 核， 函数，计算新来的数据和已有的数据的距离。
2024-10-31 13:58:53
315
原创 初学人工智能遇到的不理解的专业词汇
Dijkstra 算法是一种高效的最短路径搜索算法，尤其适用于边权重为非负值的加权图。通过优先队列和贪心策略，它可以快速计算出从单一源点到其他所有节点的最短路径。遗传算法通过模拟自然选择的过程，能够优化神经网络中的权重、偏置、架构和超参数等。它提供了梯度下降之外的一种全局优化方法，尤其在面对复杂、多峰值、不可微的损失函数时表现出色。然而，遗传算法的计算代价较高，适用时需要权衡计算资源与优化效果。给定一个无向图 ( G = (V, E) )，点覆盖。
2024-10-31 13:30:07
699
原创 动手学深度学习62 seq2seq
3. QA3 encoder输入embedding_size,输出位hindersize 不能直接按位相加，长度不一样。4 不是。 word2vec用的不多了。embedding是重新初始化，开始训练的。5 encoder output没意义。decoder output是预测6 实际句子的长度，算loss、attention不看padding的内容9 时代的洪流10 学过不等于会用 what how why11 不能放到下一条句子。通常取相对较长的句子，不截掉太多。12 decod
2024-10-18 10:30:00
407
原创 动手学深度学习59 双向循环神经网络
视频：https://www.bilibili.com/video/BV12X4y1c71W/?p=2&spm_id_from=pageDriver&vd_source=eb04c9a33e87ceba9c9a2e5f09752ef8课件：https://courses.d2l.ai/zh-v2/assets/pdfs/part-3_7.pdf课本： https://zh-v2.d2l.ai/chapter_recurrent-modern/bi-rnn.html错误使用，不能用双向循环神经
2024-10-08 18:57:53
499
原创 Python使用cuda报错KeyError: ‘LOCAL_RANK‘
那么这个命令会让当前任务只看到编号为 0、1、2、3 的 GPU，并在一个节点上启动 4 个进程，每个进程对应一个 GPU 进行分布式训练。是 PyTorch 用于启动分布式训练的命令行工具。这是一个在使用 PyTorch 进行分布式训练时常用的命令行指令。在Python脚本调用之前，指定CUDA-visuble。如果有 4 个 GPU，并且设置。
2024-10-08 10:25:42
1468
原创 动手学深度学习56 GRU门控循环单元
RNN模型# 包装rnn函数"""从零开始实现的循环神经网络模型"""# 重写 __call__ 或者 写forward函数都行# x load的数据集 (批量大小，时间步数) onehot 整型变成浮点型# 预测"""prefix： 给定句子的开头num_preds： 预测多少词在prefix后面生成新字符"""for y in prefix[1:]: # 预热期for _ in range(num_preds): # 预测num_preds步# 多分类 拿出最大概率的索引。
2024-08-15 10:00:00
320
原创 动手学深度学习55 循环神经网络 RNN 的实现
每个批量每个样本要做t次分类【任意时间点都要做一次分类】，所以要乘。不做detach会记住前面计算的东西，误差反传会多算东西。16 每一个帧用cnn抽特征–向量，不需要one-hot. rnn不能处理特别长的序列。23 h-长为256的向量，很长很难计算。变长类似很长的mlp，容易过拟合。27 端侧–主要车上，未来家里所有深度学习都跑在车上–家庭超级计算机。7 不会预测特别长的东西。1 num_steps 输入到小批量里面面样本句子的长度。21 字符预测起来比较简单，输出是28voab，分类数少。
2024-07-28 09:00:00
2421
13
原创 git环境编译升级
是一个配置软件构建过程的重要步骤，它通过检查系统环境并生成适当的 Makefile 文件，为后续的编译和安装过程做好准备。通过指定--prefix选项，你可以灵活地控制软件的安装位置。make all执行编译过程，生成所有目标文件。不会安装文件。prefix变量在这个阶段通常没有影响。执行安装过程，将编译好的文件复制到指定的安装目录。prefix变量在这个阶段决定了文件的安装位置。make all用于编译项目。用于安装编译后的文件。prefix变量通常在安装阶段起作用，指定文件的安装路径。
2024-07-16 09:00:00
858
原创 动手学深度学习54 循环神经网络
潜变量和隐变量的区别：隐变量通常是现实生活中存在的东西,只是我们没有观察到;潜变量可指代现实生活中不存在(人为创造)的东西。g值正常，不做处理，g过大，将值处理成theta，保证g不会过大–不会超过theta值，防止梯度爆炸。输出【o_t】发生在观察【x_t】之前。根据o_t和x_t的值计算损失。循环神经网络可以认为是一个简单的递归网络。递归理解为何树一样的东西。困惑度=1，下面候选词词概率最高。n个输出的多分类交叉熵损失平均值，再取指数–困惑度。所有x的信息都存储到h里面。做指数，损失数值会变大。
2024-07-09 17:33:21
824
原创 动手学深度学习53 语言模型
n越大，空间复杂度越大。X：两个长为num_steps=5的序列，Y：每个元素是对应X序列的后一个元素。一元语法：马尔科夫假设tao=0 基本认为每一个字是独立的，不管前面的东西。第二种做法：两个相邻小批量的数据是相邻的。数据是连续的，可以做更长的序列出来。3 不存count为0的词，空间复杂度还是n–文本长度。最大的好处：可以处理很长的序列。每次看的序列是固定的。不调用d2l的Vocab，按照前面的代码重新写一份。2 连续单词是有时序的，有先后顺序，不能打乱。6 T 序列的长度，每次看多长的序列。
2024-07-09 15:06:22
600
原创 制作TTS前端模型数据集，预训练bert模型的字典数据是怎么调用的-chatgpt问答生成
这行代码的主要作用是加载和初始化一个预训练的 BERT 中文模型的分词器，使得你可以将自然语言文本转换为模型可以理解的 token 格式，从而进行进一步的自然语言处理任务，如文本分类、命名实体识别等。上述步骤包括数据预处理、数据编码、构建训练数据集和训练模型。通过这些步骤，可以将韵律标签和多音字标签数据转换成可以用于训练 BERT 模型的格式，并进行模型训练以提升 TTS 系统的表现。
2024-06-27 15:47:35
983
原创 TTS训练环境安装
这些库涵盖了数据处理、代码质量检查、机器学习、科学计算、音频处理、自然语言处理和实时通信等多个领域。根据你的项目需求，可以选择合适的库来完成相应的任务。如果你使用 Anaconda 或 Miniconda 管理 Python 环境，建议使用。这个模块通常用于自然语言处理任务中，例如使用 BERT、GPT 等预训练模型。创建的环境），请确保你已经激活了相应的环境，并在其中安装了。错误表示在你的 Python 环境中没有安装。如果你使用的是 Python3，请确保使用。错误，并在你的项目中使用。
2024-06-27 10:22:54
1637
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人