书生大模型实战闯关-L0 Python（81班1101作业）

最新推荐文章于 2025-11-26 15:49:07 发布
原创 最新推荐文章于 2025-11-26 15:49:07 发布 · 259 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

部署运行你感兴趣的模型镜像

参加书生大模型实战营，学习大模型的知识。

首先是学习基础知识：包括linux命令，conda命令，git使用方法，ssh功能等。

L0的作业是用ssh进行端口映射。

以下是我的截图

L1的作业1是wordcout:

作业2是用vscode ssh连接开发机并debug,

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

书生大模型实战闯关-Python（81班1433作业）
qq_36853503的博客
07-11 194
3）打开要debug的python代码，点击编辑器代码行最左侧行号处，标记debug位置。4）点击运行处，debug这个python程序，即可看见左侧变量及运行堆栈情况。2.体验VSCODE进行远端python代码debug。1.运行wordcount这个python程序。1）首先要在vscode中安装python插件。2）SSH连接到InternStudio开发机。
书生大模型实战营闯关 - 入门岛 - Python
nachtmusik的博客
07-29 1059
选择debug config时选择remote attach就行，随后会让我们选择debug server的地址，因为我们是在本地debug，所以全都保持默认直接回车就可以了，也就是我们的server地址为localhost:5678。开发机的链接命令可以在开发机控制台对应开发机"SSH连接"找到，复制登录命令到vscode的弹窗中然后回车，vscode就会开始链接InternStudio的服务器，记得此时切回去复制一下ssh的密码，待会会用到。配置完以后会打开配置的json文件，但这不是重点，可以关掉。
书生大模型实战闯关--第五关
m0_71853180的博客
08-18 762
本次闯关，使用 Cli Demo 完成 InternLM2-Chat-1.8B 模型的部署，并生成 300 字小故事；使用 LMDeploy 完成 InternLM-XComposer2-VL-1.8B 的部署，并完成一次图文理解对话；以及使用 LMDeploy 完成 InternVL2-2B 的部署，并完成一次图文理解对话。
（笔记+作业）第四期书生大模型实战营---L0G2000 Python 基础知识
haidizym的博客
11-18 890
（笔记+作业）第四期书生大模型实战营---L0G2000 Python 基础知识
书生大模型实战闯关--第二关
m0_71853180的博客
07-12 337
用Python实现一个wordcount函数，使用字符串的split()方法，将文本按照空格分割成一个个单词，并存储在words列表中；使用for循环遍历words列表；使用vscode进行调试。
书生大模型实战营-闯关作业-Python 关卡
outsideinthesun的博客
07-27 403
请使用本地vscode连接远程开发机，将上面你写的wordcount函数在开发机上进行debug，体验debug的全流程，并完成一份debug笔记(需要截图)。4.在root目录下创建一个新的文件夹python_tutorial和一个空的新的文件python_debug_tutorial。5.双击文件python_debug_tutorial.py，将WordCount的函数代码以及验证代码粘贴到该文件中。8.debug效果如下图所示，程序将会停止在断点位置，并且左侧可以查看变量的值。
书生大模型实战营第四期-闯关挑战L0G2000 Python基础知识答卷
qq_57976479的博客
10-25 895
我们在第6行：把ransomNote转化成字典形式ran_dict统计其出现的字母类型及频率 的代码处打上断点，并在左侧的WATCH处添加变量：mag_dict ran_dict来便于观察。选择python debuggerr 后再选择remote attach，随后会让我们选择debug server的地址，因为我们是在本地debug，所以全都保持默认直接回车就可以了，也就是我们的server地址为。可以发现此时字母a对应的value为-1，说明mag_dict中不含字母a，故return False。
书生大模型实战营-闯关作业-Python基础
Commos_Star
11-15 309
笔记中提交代码与leetcode提交通过截图。返回格式已经是json，注释掉多余的代码行。
火热夏季：浦语*书生InternLM大模型实战闯关-入门岛关卡之掌握Python 基础知识
nlpx2000的博客
07-13 1219
书生·浦语是上海人工智能实验室大模型品牌，期待和广大的社区开发者一起建设开放、繁荣、健康的大模型开源社区！一起构建 AGI 时代最全面 AI 知识库。本关主要由以下四大块内容组成，帮助更多得人走进大模型的世界。
书生大模型实战营第四期-闯关挑战L0G2000 Python 基础知识 任务记录
qq_39297910的博客
11-07 1899
``json\n{\n “model_name”: “书生浦语InternLM2.5”,\n “developer”: “上海人工智能实验室”,\n “parameter_versions”: [1.8B, 7B, 20B],\n “max_context_length”: 1000000\n}\n```想要的是“```json\n”与“\n```”之间的JSON字符串，对于大模型返回的markdown与json格式正确的回答，可尝试使用正则表达式提取，如果仍然出现格式错误，可进行异常处理。
第四期书生大模型实战营-L0G1000-闯关任务 端口映射服务
u013617058的博客
10-30 291
2.启动服务3.端口映射。
书生大模型实战营闯关关卡五
Etherealland的博客
12-01 667
提示工程是一种通过设计和调整输入(Prompts)来改善模型性能或控制其输出结果的技术。在模型回复的过程中，首先获取用户输入的文本，然后处理文本特征并根据输入文本特征预测之后的文本，原理为next token prediction，类似我们日常使用的输入法。指令要清晰提供参考内容复杂的任务拆分成子任务给 LLM“思考”时间(给出过程)使用外部工具系统性测试变化在提示工程中，第一点给出清晰的指令是至关重要的。
基于学习的人工智能（1）为什么学习？
致力于大数据+AI 的应用创新。
11-24 272
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
三大空间信息焕新：辉视让酒店服务、教育通知、监所管控更智能高效
CalebLXL的博客
11-24 742
走访这些场所后我发现，系统的真正价值不在于那些炫目的屏幕，而在于它构建了一套"空间信息免疫系统"——就像人体淋巴网络般，能智能识别各区域的信息需求，精准输送"营养"，快速清除"毒素"。当我们在酒店大堂不再错过末班机场大巴，在学校走廊偶遇恰好需要的竞赛通知，甚至在高墙内获得规整的信息权时，或许该重新思考：所谓智能化，本质是对空间信息代谢效率的一次外科手术式改造。这种荒诞的割裂感，正是传统信息分发模式崩溃的缩影——直到我最近走访数家采用辉视系统的场所，才意识到我们早已进入"精准信息触达"的新纪元。
（116页PPT）关于5G和新基建赋能智慧工地整体解决方案（附下载方式）
2501_92808811的博客
11-25 460
在整体架构方面，方案以“5G智慧工地平台”为核心，依托多类感知设备（如传感器、摄像头、AI眼镜、智能安全帽等）采集数据，通过5G网络实时回传至云平台，再借助大数据、云计算、人工智能等技术进行分析处理，最终在PC、手机、监控大屏等多终端进行可视化展示。此外，文件还详细列举了传统智慧工地子系统（如深基坑监测、升降机监控、扬尘噪音监测、智能水电计量等）的功能与部署方式，并补充了如5G企业专网、实测机器人、智慧科技体验中心等延伸应用，体现出方案的系统性与前瞻性。详细资料请看本解读文章的最后内容。
信息检索13
最新发布
2301_80828873的博客
11-26 921
最近邻检索的方法，PQ，IVF,HNSW
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 688
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
【LoRA（低秩适应）技术详解：原理、公式与实践】
m0_46882548的博客
11-26 703
参数高效：可训练参数量通常仅为全量微调的0.01% - 3%，极大降低了计算和存储成本。内存友好：由于大部分原始权重被冻结，无需存储其优化器状态，显著减少了训练时的显存占用。无推理延迟：训练后可将LoRA权重合并回原模型，推理速度与原始模型一致。模块化与灵活性：一个基础模型可以搭配多个针对不同任务的、体积很小（几兆字节）的LoRA适配器，轻松切换任务。减轻灾难性遗忘：因为原始权重基本不动，模型在适应新任务时更不容易遗忘预训练时获得的通用知识。
【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake
人生不是轨道，是旷野。希望每天都有好心情。
11-23 392
由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】1）由于直接元素添加而导致的视觉退化;2）对交换操纵的有效性有限;3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。我们分析了深度伪造swap技术的本质，并论证了保护源身份而非目标图像的必要性。
书生大模型l0g2
07-12
首先，用户的问题是关于“书生大模型 l0g2 日志配置或错误排查”。我需要理解“l0g2”可能是什么。从引用中看，引用[3]提到“书生大模型L0 linux”，其中“L0”可能指的是一个关卡或级别，比如“L0”表示入门级。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值