一周速览｜img2img-turbo 简笔画秒变艺术品！一键部署 GLM-4-9B-Chat，函数调用能力堪比 GPT-4

最新推荐文章于 2024-06-18 00:22:55 发布
最新推荐文章于 2024-06-18 00:22:55 发布
阅读量382 收藏 8
点赞数 5
文章标签： 人工智能 深度学习 资源上新 数据集 机器学习 数据库 GPT
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。
本文链接：https://blog.csdn.net/OpenBayes/article/details/139633351
版权

公共资源速递

This Weekly Snapshots ！
5 个数据集：

* LPW 行人检测数据集

* NABirds 鸟类图像数据集

* DeepFruit 水果图像分类数据集

* Sogou news 搜狗新闻数据集

* FGVC-Aircraft 飞机细粒度图像分类数据集

2 个模型：

* GLM-4-9B-Chat

* CogVLM2-Llama3-Chinese-Chat-19B

3 个教程：

* 别等了！速来体验 GLM-4-9B-Chat

* DynamiCrafter ComfyUI 教程 | 对图片转视频的效果进行精细化控制

* img2img-turbo 图像转换 Demo

访问官网立即使用：http://openbayes.com

公共数据集

1. LPW 行人检测数据集

该数据集包含 3 个不同的场景，共 2,731 名行人的超过 59 万张图像，每一个行人图片由 2 到 4 台摄像机拍摄。

直接使用：https://go.openbayes.com/UW2QK

2. NABirds 鸟类图像数据集

该数据集共有 800 张图像，其中包含的目标有 650 张，背景图像有 150 张，目标包括：飞机、舰船、油罐、棒球场、网球场、篮球场、田径场、港口、桥梁、车辆 10 个类别。

直接使用：https://go.openbayes.com/Ytd94

3. DeepFruit 水果图像分类数据集

该数据集包含基于 8 种不同水果集组合的 20 种不同水果组合的 21,122 张水果图像。数据集被随机划分为 80% 的训练集和 20% 的测试集，便于模型训练和评估。DeepFruit 可以用于水果检测、识别和分类领域的研究，以及卡路里估算等其他创新应用。

直接使用：https://go.openbayes.com/csL9f

4. Sogou news 搜狗新闻数据集

该数据集包含超过 290 万篇来自 SogouCA 和 SogouCS 新闻语料库 5 个类别的新闻文章构成的数据集。每个类别分别包含 9 万个训练样本和 1.2 万个测试样本。这些汉字都已经转换成拼音。

直接使用：https://go.openbayes.com/ZnPDI

5. FGVC-Aircraft 飞机细粒度图像分类数据集

该数据集包含 10,200 张飞机图像，其中 102 种不同的飞机模型变体各有 100 张图像。每张图像中的（主）飞机都用紧密的边界框和分层的飞机模型标签进行注释。

直接使用：https://go.openbayes.com/uCb85

公共模型

1. GLM-4-9B-Chat

GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本,该模型是其聊天模型。GLM-4-9B-Chat 在语义、数学、推理、代码和知识等多方面的数据集测评中，均表现出较高的性能，其函数调用能力堪比 GPT-4 ！

直接使用：https://go.openbayes.com/A8Oup

2. CogVLM2-Llama3-Chinese-Chat-19B

该模型是是基于 Meta-Llama-3-8B-Instruct 构建的，拥有 19 亿参数，支持中文和英文两种语言，能够处理高达 8K 的文本长度和 1344x1344 分辨率的图片。

直接使用：https://go.openbayes.com/HvOuV

公共教程

1. 别等了！速来体验 GLM-4-9B-Chat

该教程为模型 GLM-4-9B-Chat 的一键部署 Demo，只需克隆并启动该容器，直接复制生成的 API 地址，即可对模型进行推理体验。
在线运行：https://go.openbayes.com/HQIRM

2. DynamiCrafter ComfyUI 教程 | 对图片转视频的效果进行精细化控制

DynamiCrafter 是由香港中文大学与腾讯 AI Lab 联合研发的图生视频项目，只需结合简单的文本指令，即可轻松将静态图片转化为生动的动态视频。本教程为大家搭建好了 ComfyUI 工作流环境，无需担心复杂的节点连接问题。操作简便，只需上传图片并输入相应的文本指令，即可开始创作之旅！

在线运行：https://go.openbayes.com/j34Qw

3. img2img-turbo 图像转换 Demo

img2img-turbo 是一个基于 PyTorch 的高效图像到图像转换深度学习模型。它能够实现如将黑白照片变为彩色、草图转真实图片等多样的图像转换任务。该教程为模型体验 Demo，仅需随手一画，你也可以成为绘画大师！

在线运行：https://go.openbayes.com/JqYPx

以上就是小贝上周在 OpenBayes 的全部更新内容啦~

此外，OpenBayes 平台还提供超过 500 个精选公共数据集、模型、教程等优质资源，并已经整合到「公共资源」模块中。OpenBayes 平台支持一键 Input，开箱即用！

OpenBayes
关注
  • 5
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
GLM-4本地部署的实战教程
herosunly的博客
06-05 2万+
本文主要介绍了GLM-4-9B本地部署的实战教程，希望对学习和使用大模型的同学们有所帮助。 文章目录 1. 前言 2. 配置环境 2.1 安装虚拟环境 2.2 安装依赖库 2.3 下载模型文件 3. 运行glm-4-9b-chat
GLM-130B本地部署的实战方案
热门推荐
herosunly的博客
07-04 7万+
本文主要介绍GLM-130B本地部署的实战方案，希望对学习大语言模型的同学们有所帮助。需要说明的是GLM-130B是未进行微调的版本，还无法达到ChatGLM-130B的效果。 文章目录 1. 介绍 2. 配置环境 2.1 安装虚拟环境 2.2 安装依赖库 3. 运行GLM-130B模型
MLM之GLM-4：GLM-4-9B的简介、安装和使用方法、案例应用之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
06-07 2685
​ MLM之GLM-4-9B：GLM-4-9B的简介、安装和使用方法、案例应用之详细攻略 目录 GLM-4的简介 GLM-4-9B的安装和使用 GLM-4-9B的案例应用 GLM-4的简介 GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。 在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B及其人类偏好对齐的版本GLM
[大模型]GLM-4-9B-Chat vLLM 部署调用
FL1623863129的博客
06-11 1154
考虑到部分同学配置环境可能会遇到一些问题，我们在 AutoDL 平台准备了 GLM-4 的环境镜像，该镜像适用于本教程需要 GLM-4 的部署环境。（vLLM 对 torch 版本要求较高，且越高的版本对模型的支持更全，效果更好，所以新建一个全新的镜像。在 /root/autodl-tmp 路径下新建 download.py 文件并在其中输入以下内容，粘贴代码后记得保存文件，如下图所示。的指示将端口映射到本地，然后在浏览器中打开链接 http://localhost:6006/ ，即可看到聊天界面。
热门开源项目推荐：智谱GLM-4-9B和ChatGLM3-6B
探索IT世界
06-15 1555
开源文化是一种以共享、协作和透明度为核心价值的软件开发哲学。它起源于20世纪90年代，随着互联网的普及而迅速发展。开源文化鼓励开发者公开他们的源代码，允许任何人自由地访问、修改和分发软件。这种文化催生了无数的开源项目，它们不仅推动了技术的创新，也促进了知识的传播和人才的培养。开源项目是一种软件项目，其源代码对公众开放，允许任何人自由地访问、修改和分发。这种开放性是开源项目的核心特征，它鼓励了广泛的协作和创新。开源软件通常遵循特定的开放源代码许可证，这些许可证定义了用户可以如何使用、修改和分发软件。
ChatGLM两代的部署/微调/实现：从基座GLM、ChatGLM的LoRA/P-Tuning微调、6B源码解读到ChatGLM2的微调与实现
结构之法 算法之道
03-31 5万+
随着『GPT4多模态/Microsoft 365 Copilot/Github Copilot X/ChatGPT插件』的推出，绝大部分公司的技术 产品 服务，以及绝大部分人的工作都将被革新一遍类似iPhone的诞生 大家面向iOS编程 有了App Store现在有了ChatGPT插件/GPT应用商店，以后很多公司 很多人面向GPT编程(很快技术人员分两种，一种懂GPT，一种不懂GPT)然ChatGPT/GPT4基本不可能开源了，而通过上文《
【机器学习】GLM4-9B-Chat大模型/GLM-4V-9B多模态大模型概述、原理及推理实战
人工智能领域博客
06-06 5441
本文首先对GLM4-9B的模型特点及原理进行介绍，接着分别对GLM4-9B-Chat语言大模型和GLM-4V-9B多模态大模型进行代码实践。排了很多坑，推荐阅读和收藏。
本地部署GLM-4-9B清华智谱开源大模型方法和对话效果体验
老牛啊
06-08 964
清华大学和智谱AI推出了全面升级的新一代基座大模型GLM-4，整体性能相比GLM3提升60%，支持128K上下文，可根据用户意图自主理解和规划复杂指令、完成复杂任务……
LLM大语言模型（十六）：最新开源 GLM4-9B 本地部署，带不动，根本带不动
hugo_lei的博客
06-05 4861
GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。 在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B及其人类偏好对齐的版本GLM-4-9B-Chat均表现出超越 Llama-3-8B 的卓越性能。
Qwen-2-7B和GLM-4-9B：“大模型届的比亚迪秦L”
AI相关从业分享
06-07 1182
实测下，7B到14B其性能是飞跃性的，实际体感上，Qwen-1.5-14B已经是非常好用的模型了。我们第一时间部署了GLM-4-9B到本地服务器，将之前的项目替换LLM引擎，在使用上GLM-4-9B表现较好，不如Qwen-1.5-32B，但也可以支撑起整个应用流程，大概到了Qwen-1.5-14B的水平。感觉Qwen-2-7B和GLM-4-9B的接连发布，有点比亚迪秦L内卷能耗的感觉，入行一周年，深感这一年间大模型行业发展迅速。Qwen-2-7B在参数少2B情况下，评测上的表现优于GLM-4-9B。
TensorRT-使用TensorRT部署ChatGLM2-6B大模型-优质大模型部署项目实战.zip
03-04
TensorRT_使用TensorRT部署ChatGLM2-6B大模型_优质大模型部署项目实战
glm-4-9b-chat-1m模型代码文件
06-10
glm-4-9b-chat-1m模型代码文件
LM-GLM-GLMM-intro：基于GLMGLMM的R中数据分析的统一框架
02-06
LM-GLM-GLMM-intro：基于GLMGLMM的R中数据分析的统一框架
glm-0.9.9.7.zip
11-09
glm-0.9.9.7.zip，可以直接下载下来复制到代码文件中
含仿真录像，基于GLM-HMM模型的数据拟合预测matlab仿真
11-24
2.领域：GLM-HMM模型3.内容：基于GLM-HMM模型的数据拟合预测matlab仿真4.运行注意事项：注意MATLAB左侧当前文件夹路径，必须是程序所在文件夹位置，具体可以参考视频录。5.适用人群：本硕博等科研学习参考使用。
从GAN到WGAN（02/2）
gongdiwudu的专栏
06-14 1167
生成对抗网络 （GAN） 在许多生成任务中显示出巨大的效果，以复制现实世界的丰富内容，如图像、人类语言和音乐。它的灵感来自博弈论：两个模型，一个生成器和一个批评家，在相互竞争的同时使彼此更强大。然而，训练GAN模型是相当具有挑战性的，因为人们面临着训练不稳定或收敛失败等问题。在这里，我想解释一下生成对抗网络框架背后的数学原理，为什么很难训练，最后介绍一个旨在解决训练难点的GAN修改版本。
景芯SoC A72的时钟树分析
u011075954的专栏
06-13 766
innovus的ctslog中的Clock DAG信息可以报出来CTS主要运行步骤的关键信息，比如clustering，balancing做完后的clock tree的长度，clock tree上所用的buffer、inverter，icg cell数量，clock skew等信息。可以看到cell、sink的counts，也可以看到BUF、ICG的数量，接下来我们来看看景芯SoC A72 TOP的CLOCK ID和BUF个数的变化吧。先看下景芯SoC A72项目的cts latency变化过程。
大模型基础——从零实现一个Transformer(5)
最新发布
fan_fan_feng的专栏
06-18 159
上一篇文章已经把Encoder模块和Decoder模块都已经实现了，接下来来实现完整的Transformer。
人脸识别系统---人脸对比
2303_77278243的博客
06-14 686
def select_image(): #定义选择图片的函数#指明label_var不是一个局部变量也不是全局变量，而是外部函数s1的参数。这样，select_image函数就可以修改s1函数的参数#弹出选择文件的对话框，以及被选择文件的类型file_path = filedialog.askopenfilename(title="选择图片",filetypes=(("图片文件", "*.png;*.jpg;*.jpeg;*.bmp"),("所有文件", "*.*")))#如果选择了文件。
linux系统部署chat-glm-6b-int4
05-23
首先，你需要下载 Chat-GLM-6B-Int4 模型文件和相应的配置文件。然后，你需要在你的 Linux 系统上安装 PyTorch 和 Transformers 库。你可以使用以下命令安装这两个库： ``` pip install torch pip install transformers ``` 接下来，你需要编写一个 Python 脚本来部署 Chat-GLM-6B-Int4 模型。你可以使用以下代码作为脚本的基础： ```python import torch from transformers import GPT2Tokenizer, GPT2LMHeadModel # 加载模型和分词器 tokenizer = GPT2Tokenizer.from_pretrained('chat-glm-6b-int4/config') model = GPT2LMHeadModel.from_pretrained('chat-glm-6b-int4/model') # 指定设备 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model.to(device) # 对话循环 while True: # 获取用户输入 user_input = input("You: ") # 把用户输入转换成模型的输入格式 input_ids = tokenizer.encode(user_input, return_tensors='pt').to(device) # 在模型上生成回复 output = model.generate(input_ids, max_length=1000, do_sample=True, temperature=0.7) response = tokenizer.decode(output[0], skip_special_tokens=True) # 输出回复 print("Chat-GLM-6B-Int4: " + response) ``` 在这个脚本中，我们首先加载 Chat-GLM-6B-Int4 模型和相应的分词器。然后，我们检查可用的设备并将模型移动到相应的设备上。最后，我们开始一个对话循环，其中用户输入被转换为模型的输入格式，并在模型上生成回复。回复被解码并输出给用户。 注意，这个脚本只是一个基础示例，你需要根据你的具体需求进行修改。例如，你可能需要添加一个 Web 接口来允许用户通过浏览器与 Chat-GLM-6B-Int4 进行交互。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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