- 博客(89)
- 收藏
- 关注
RSS订阅原创 常见考研函数泰勒公式展开（清晰）
ex1x2!1x2⋯n!1xnOxn)ln1xx−21x231x3⋯n1−1nxn1Oxn)(1xa1αx2!αα−1x2⋯n!αα−1⋯α−n1xnOxn)1−x11xx2x3⋯xnOxn)1x11−xx2−x3⋯−1nxnOxn)sinxx。
2024-07-23 11:47:04
807
原创 《峡谷小狐仙-多模态角色扮演游戏助手》复现流程
1、移动的文件太多太大，要检测清楚所有文件夹下文件齐全。2、配置环境库按照 requirements.txt 安装下面这个细节没改！！！
2024-07-22 12:05:31
364
原创 DW夏令营1期-零基础入门 AI（机器学习）竞赛
delta G, delta H, -T*delta S: 分别表示结合反应的吉布斯自由能变化、焓变和熵变，这些热力学参数用于描述分子间相互作用的能量状态。- IC50 (nM, Protac to Target): 半最大抑制浓度，针对PROTACs与其目标蛋白的复合物。- Kd (nM, Protac to Target): 解离常数，表示PROTACs与其目标蛋白复合物的结合强度。- EC50 (nM, Protac to Target): 半最大有效浓度，即达到一半最大生物效应的浓度。
2024-07-07 16:42:36
241
原创 OpenXlab应用部署踩坑记录
OpenXlab要求创建的应用得有app.py，但是可以在创建应用的时候将默认的启动文件更改，实践中将其改成了start.py，以我要上传的AMChat_internlm2-math-plus-7b_Hong为例。packages.txt 配置下载模型权重的工具包 git 和 git-lfs。requirement.txt 配置 python相关的依赖包。web_demo.py中修改好模型的路径。可以检测到app.py以及下载模型及成功。在上传好的模型查看一下如何使用模型。剩下的正常安装说明文档操作，
2024-06-22 17:01:37
351
原创 大模型部署_书生浦语大模型 _作业7 OpenCompass ：是骡子是马，拉出来溜溜
上海人工智能实验室科学家团队正式发布了大模型开源开放评测体系 “司南” (OpenCompass2.0)，用于为大语言模型、多模态模型等提供一站式评测服务。开源可复现：提供公平、公开、可复现的大模型评测方案全面的能力维度：五大维度设计，提供 70+ 个数据集约 40 万题的的模型评测方案，全面评估模型能力丰富的模型支持：已支持 20+ HuggingFace 及 API 模型分布式高效评测：一行命令实现任务分割和分布式评测，数小时即可完成千亿模型全量评测。
2024-06-08 23:52:39
755
原创 大模型部署_书生浦语大模型:Lagent & AgentLego 智能体应用搭建
在本节中，我们将基于 Lagent 自定义一个工具。Lagent 中关于工具部分的介绍文档位于动作 — Lagent。继承 BaseAction 类实现简单工具的 run 方法;或者实现工具包内每个子工具的功能简单工具的 run 方法可选被 tool_api 装饰;工具包内每个子工具的功能都需要被 tool_api 装饰创建工具文件import os@tool_api"""一个天气查询API。可以根据城市名查询天气信息。
2024-06-08 22:24:02
1031
原创 大模型部署_书生浦语大模型 _作业5 LMDeploy 量化部署 LLM & VLM 实践
HuggingFace是一个高速发展的社区，包括Meta、Google、Microsoft、Amazon在内的超过5000家组织机构在为HuggingFace开源社区贡献代码、数据集和模型。可以认为是一个针对深度学习模型和数据集的在线托管社区，如果你有数据集或者模型想对外分享，网盘又不太方便，就不妨托管在HuggingFace。托管在HuggingFace社区的模型通常采用HuggingFace格式存储，简写为HF格式。但是HuggingFace社区的服务器在国外，国内访问不太方便。国内可以使用阿里巴巴的M
2024-06-05 23:59:02
873
原创 大模型部署_书生浦语大模型 _作业4 XTuner 微调个人小助手认知
一个大语言模型&多模态模型微调工具箱。由 MMRazor 和 MMDeploy 联合开发。1.2数据集准备为了让模型能够让模型认清自己的身份弟位，知道在询问自己是谁的时候回复成我们想要的样子，我们就需要通过在微调数据集中大量掺杂这部分的数据。首先我们先创建一个文件夹来存放我们这次训练所需要的所有文件。之后我们可以在 目录下新建一个 文件，将以下代码复制进去，然后运行该脚本即可生成数据集。假如想要加大剂量让他能够完完全全认识到你的身份，那我们可以吧 的值调大一点。 tree.
2024-06-02 23:09:49
1061
原创 大模型部署_书生浦语大模型 _作业3 RAG
RAG（Retrieval Augmented Generation）技术，通过检索与用户输入相关的信息片段，并结合来生成更准确、更丰富的回答。解决 LLMs 在处理知识密集型任务时可能遇到的挑战, 如幻觉、知识过时和缺乏透明、可追溯的推理过程等。提供更准确的回答、降低推理成本、实现外部记忆。RAG 能够让基础模型实现非参数知识更新，无需训练就可以掌握新领域的知识。
2024-05-30 00:47:38
901
原创 大模型部署_书生浦语大模型 _作业2基本demo
打开 路径下 文件，并修改对应位置 (71行左右) 代码 :internlm2_agent_web_demo_hf.py。图片理解实战（开启 50% A100 权限后才可开启此章节）补充环境包，选用 进行开发：50% A100。
2024-05-28 21:12:28
588
原创 大模型部署_书生浦语大模型 _作业1基本理论
上海人工智能实验室与商汤科技联合香港中文大学、复旦大学发布新一代大语言模型书生·浦语2.0（InternLM2）。这个大模型包含70亿和200亿两种参数规格，以及基座、对话等版本，向全社会开源并提供免费商用授权。书生·浦语2.0（英文名：InternLM2）核心理念：回归语言建模的本质，致力于通过提高语料质量及信息密度，实现模型基座语言建模能力获得质的提升，进而在数理、代码、对话、创作等各方面都取得长足进步，综合性能达到同量级开源模型的领先水平。
2024-05-21 23:58:55
668
原创 深度学习笔记_10YOLOv8系列自定义数据集实验
在ultralytics/models/v8/目录下是模型的配置文件，随着架构的增大，训练时间也是逐渐增大，只用修改一个参数，把nc改成自己的类别数，需要取整。F1得分是精确度和召回率的调和平均值，曲线的峰值表示给定置信度阈值下精确度和召回率的最佳平衡点。与普通混淆矩阵类似，但这里的值显示的是每个类别的预测正确比例。这些图表和数据文件展示了模型在训练过程中的性能变化，包括损失函数的变化和评估指标（如精确度、召回率和mAP）的变化。边界框宽度：这也是一个归一化后的值，代表对象边界框的宽度。
2024-05-08 22:31:49
1142
原创 深度学习笔记_8隐马尔可夫模型（HMM）
HMM 是一种生成概率模型，其中一系列可观测的变量由一系列内部隐藏状态生成。这些隐藏状态并不直接观察到。隐马尔可夫模型(Hidden Markov Model, HMM)是一种统计模型，在语音识别、行为识别、NLP、故障诊断等领域具有高效的性能。HMM是关于时序的概率模型，描述一个含有未知参数的马尔可夫链所生成的不可观测的状态随机序列，再由各个状态生成观测随机序列的过程。每个状态生成一个观测，由此产生的观测随机序列，被称为观测序列。HMM是一个双重随机过程---具有一定状态的隐马尔可夫链和随机的观测序列。
2024-03-12 20:59:29
494
原创 机器学习_10、集成学习-Bagging（自举汇聚法）
Bagging（Bootstrap Aggregating，自举汇聚法）是一种集成学习方法，由Leo Breiman于1996年提出。它旨在通过结合多个模型来提高单个预测模型的稳定性和准确性。Bagging方法特别适用于减少高方差模型（如决策树）的过拟合问题，从而提高模型的泛化能力。
2024-03-02 12:52:43
595
原创 机器学习_10、集成学习-随机森林
随机森林（Random Forest）是一种集成学习方法，特别用于分类、回归和其他任务，它通过构建多个决策树（Decision Trees）在训练时进行预测，并采用平均或多数投票的方式来提高整体模型的准确性和鲁棒性。随机森林是由Leo Breiman和Adele Cutler提出的，它结合了Bagging（Bootstrap Aggregating）的思想和随机特征选择来构建决策树的集合。随机森林的工作过程可以概括为以下几个步骤：自助采样（Bootstrap sampling）：从原始数据集中使用有放回的抽
2024-03-02 12:49:43
771
原创 机器学习_10、集成学习-AdaBoost
AdaBoost（Adaptive Boosting的简称）是一种集成学习方法，它的核心思想在于将多个弱学习器组合起来，形成一个强学习器。通过这种方式，AdaBoost能够显著提高分类性能。
2024-03-02 12:45:12
529
原创 深度学习笔记_7经典网络模型LSTM解决FashionMNIST分类问题
定义LSTM模型self.hidden_size = hidden_size # LSTM隐含层神经元数self.num_layers = num_layers # LSTM层数self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True) # LSTM层self.fc = nn.Linear(hidden_size, num_classes) # 全连接层。
2023-12-18 11:40:36
600
原创 深度学习笔记_6经典预训练网络LeNet-18解决FashionMNIST数据集
【代码】深度学习笔记_6经典预训练网络LeNet-18解决FashionMNIST数据集。
2023-12-18 11:03:06
726
1
原创 机器学习-深度学习服务器推荐
方便，便宜，不会自动删除上传项目文件，支持VScode、pycharm、SSH链接，上传文件速度快。大学生、研究生未免找不到还有的GPU服务器，这边博主推荐。
2023-11-16 08:43:14
226
原创 深度学习-损失函数总结
损失函数是用来度量机器学习模型在训练过程中预测值和真实值之间的差距的函数。它是优化算法的指导标准，通过最小化损失函数来更新模型的参数。
2023-11-03 15:26:34
276
原创 深度学习笔记_5 经典卷积神经网络LeNet-5 解决MNIST数据集
通过多个训练周期，模型的损失逐渐减小，测试精度逐渐增加，表明模型在训练过程中逐渐学习到了有效的特征表示，从而提高了在新样本上的分类准确性。预处理包括将图像转换为张量，并进行标准化，以确保输入数据在训练期间具有相似的尺度和分布。模型定义：LeNet-5模型被定义为一个经典的卷积神经网络，包括卷积层和全连接层。模型测试：在每个训练周期结束后，模型在测试集上进行了精度测试。模型训练：模型被训练在训练集上进行了多个周期的训练。打印结果：在每个训练周期结束后，打印出训练周期的损失和测试精度，以便监控模型的性能。
2023-10-19 09:15:58
646
原创 深度学习实战-Datawhale第三期CV：脑PET图像分析和疾病预测挑战赛
样本ID从文件名中提取。对每个样本的30次预测结果进行投票，选出最多的类别作为该样本的最终预测类别，这些最终的预测类别被存储在。使用训练好的逻辑回归模型对测试集的特征进行预测，预测结果被转置，以便每个样本有30次预测结果。函数，它读取医学图像数据，从中提取特定通道的数据，并对这些数据进行一些统计特征的计算。提取的特征根据路径中的关键字确定样本类别（'NC'表示正常，'MCI'表示异常）。函数，循环30次从训练集和测试集中提取特征，将特征和对应的类别存储在。中的特征作为输入，使用对应的类别作为输出。
2023-08-18 13:04:25
353
原创 大数据_数据挖掘具体步骤
数据挖掘具体步骤1、理解业务与数据2、准备数据数据清洗：缺失值处理：异常值:数据标准化：特征选择：数据采样处理：3、数据建模分类问题：聚类问题：回归问题关联分析集成学习imageBagging(例如随机森林算法)BoostingStacking4、模型评估淆矩阵与准确率指标泛化能力评估其他模型：评估数据处理：5、...
2023-08-08 14:10:00
1122
原创 python基础-matplotlib基础
matplotlib基础import matplotlib.pyplot as pltimport numpy as npimport pandas as pdplt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=False1、八种内件颜色缩写：b:blueg:greenr:re...
2023-08-07 00:22:00
365
car-price-prediction.csv
2024-07-13
乳腺癌目标检测是医疗图像处理领域的一个重要应用
2024-06-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人