开源大模型模型加载方式清单

序号加载方式类型社区说明备注
1from_pretrainedtransformersSDK APIhuggingface.co通过AutoModelForCausalLM、AutoModel等加载
如:model =
AutoModelForCausalLM.from_pretrained(
model_dir,
device_map=device,
trust_remote_code=True,
output_attentions=True
)
2pipelinetransformersSDK APIhuggingface.co如:model_path = snapshot_download(‘uer/roberta-base-finetuned-dianping-chinese’)
pipe = pipeline(“text-classification”, model=model_path)
result =pipe(“这个是示例!”)
3from_pretrainedmodelscopeSDK APImodelscope.cn通过AutoModelForCausalLM、AutoModel等加载
如:model =AutoModelForCausalLM.from_pretrained(
“Qwen/Qwen1.5-1.8B-Chat-GPTQ-Int4”,
device_map=“auto”
)
4pipelinemodelscopeSDK APImodelscope.cn如:from modelscope.pipelines import pipeline
word_segmentation = pipeline(‘word-segmentation’)
5OllamalangchainHTTP APIhttps://ollama.com/
https://www.langchain.com/
from langchain.chains import LLMChain
from langchain.llms import Ollama
ollama_llm = Ollama(model=“qwen2”)
需要安装ollama,并启动相关模型
6OllamallamaindexHTTP APIhttps://ollama.com/
https://www.llamaindex.ai/
from llama_index.llms.ollama import Ollama
llm = Ollama(model=“qwen2”)
response = llm.complete(“Who is Laurie Voss?”)
print(response)
需要安装ollama,并启动相关模型
7
计算机视觉数据集清单是一个列出了常用于计算机视觉相关任务的数据集的清单。这些数据集包含了大量的图像和其相应的标签信息,可以用于模型的训练和测试。 随着深度学习技术的迅猛发展,TensorFlow作为一个流行的开源深度学习框架,提供了丰富的工具和库来支持计算机视觉任务。并且,TensorFlow还提供了许多预训练的模型,可以直接用于各种计算机视觉任务,如图像分类、目标检测和图像分割等。 附赠TensorFlow模型训练和使用教程可以帮助用户更好地理解和应用这些数据集和模型。通过教程,用户可以学习如何使用TensorFlow进行数据集的预处理、模型的构建和训练、以及模型的评估和使用。 教程通常包括以下内容: 1. 数据集介绍:介绍数据集的特点、使用场景和数据结构等。 2. 数据预处理:教导如何加载和处理数据集,包括数据的读取、数据增强和数据划分等。 3. 模型构建:介绍如何使用TensorFlow构建适用于特定任务的模型,例如卷积神经网络(CNN)用于图像分类或目标检测。 4. 模型训练:讲解如何使用TensorFlow训练模型,包括定义损失函数、选择优化算法和设置超参数等。 5. 模型评估和使用:介绍如何评估训练好的模型,并给出使用模型进行预测和推理的方法和示例。 通过这些教程,用户可以学会使用TensorFlow进行从零开始的模型训练,并且能够针对不同的计算机视觉任务,选择合适的数据集和模型进行实验和应用。这将帮助用户更好地理解计算机视觉任务的实际应用,并提升相关技能和知识。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

新说一二

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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