【书生·浦语】大模型实战营——第三课作业

最新推荐文章于 2025-11-22 19:23:48 发布
原创 最新推荐文章于 2025-11-22 19:23:48 发布 · 518 阅读 · 10 ·
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：

#深度学习 #语言模型 #人工智能 #笔记

本文详细描述了如何搭建课程知识库助手的过程，并展示了运行效果。对于基础作业者提供了指导，同时提及了进阶作业者可能在复习考试期间面临的挑战和时间管理问题。

在这里插入图片描述

基础作业

复现课程知识库助手搭建过程
搭建过程：https://blog.csdn.net/m0_50123831/article/details/135497589?spm=1001.2014.3001.5501

运行效果：
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

进阶作业

在复习考试，没有时间做

Horace_01
关注
（第三期）书生大模型实战营——Llamaindex RAG实践
a_blade_of_grass的博客
07-27 1409
本文任务及教程来自书生大模型实战营，
第三期书生大模型实战营——浦语提示词工程实践
qq_63629606的博客
08-08 805
【代码】第三期书生大模型实战营——浦语提示词工程实践。
书生·浦语大模型实战营——第三课
Dominikzhuan的博客
04-21 1608
首先，介绍了RAG的基础知识和原理架构，然后详细介绍了RAG的工作流程和向量数据库的优化方法。通过实例演示了RAG技术在问答系统中的应用，井解决了大模型处理知识密集任务时的各种桃战。最后，强调了向量数据库的重要性和优化方法，以及不断更新向量数据库以适应新知识的能力。修改配置文件中 向量数据库和词嵌入的模型、用于检索的重排序模型和本次选用的大模型 三个模型的路径；针对明确的主题，去检索相似度高的 材料chunk，并整理成回复；中文提问，转换为英文，并将回答转换为中文，答案准确；英语提问，但是结果不准；
书生·浦语大模型实战营——第四次作业
m0_61420917的博客
02-19 828
实现的意义是当我们的连接服务器的主机以任何方式停止连接了（相当于ctrl-c终止了命令行），之前跑的结果都终止了，这在训练大模型的是时候这种高昂时间成本的时候是难以接受的。我第一次在把昵称改成了ZHY后，发现无论训练多少次都无法得到一个稳定的结果，同时在训练过程中的evaluation时会出现更奇怪的回答，比如：我是M语言模型之类的（未截图）指令微调，提供大题模板，使得更好的回复问题，不同的模型有不同的模板，LLM分为System，User，Assistant，软链这个内容对我也很新颖。
【书生·浦语】大模型实战营——第四课作业
m0_50123831的博客
01-12 951
教程文档：https://github.com/InternLM/tutorial/blob/main/xtuner/self.md基础作业需要构建数据集，微调模型，让其明白自己的（OvO！
书生·浦语大模型实战营——第二课
Dominikzhuan的博客
04-04 1302
实战：部署实战营优秀作品。待GPU权限提升之后更新。权限后才可开启此章节）
书生·浦语大模型实战营——第三次作业
m0_61420917的博客
02-17 1477
资料来源：github网址：InternLM/tutorial (github.com) b站视频：书生·浦语大模型全链路开源体系_哔哩哔哩_bilibili复现课程知识库助手搭建过程 (截图)选择一个垂直领域，收集该领域的专业资料构建专业知识库，并搭建专业问答助手，并在 OpenXLab 上成功部署（截图，并提供应用地址）由于时间和资源有限，我简单的通过python爬虫，爬取了学校和网页的信息，以下是爬虫过程部分结果的截图面对同一个/同一类问题，在增加数据集前后有明显差异：增加数据集前：增加数据后：但同时
【书生·浦语】大模型实战营——第四课笔记
m0_50123831的博客
01-12 1765
微调会使LLM在具体的领域中输出更好的回答。有两种微调模式：1、增量预训练微调：学会垂类领域的常识（只需要回答2、指令跟随微调：学会对话模板（一问一答场景与所需的训练数据不一样。实际对话时，通常会存在三种角色：1、System：要求系统担任一个具体的角色2、User：用户进行提问3、Assistant：根据user输入，结合system上下文，做出回答这些机械性的工作已经用xtuner打包好了，一键启动即可。
【笔记】书生·浦语大模型实战营——第一、二课
myaijarvis notebook
01-03 956
群公告1月3日*更新。
【书生·浦语】大模型实战营——第三课笔记
m0_50123831的博客
01-10 1167
构建检索问答链，还需要构建一个，该 Template 其实是一个带变量的字符串，在检索之后，LangChain 会将检索到的相关文档片段填入到 Template 的变量中，从而实现带知识的 Prompt 构建。# 我们所构造的 Prompt 模板template = """使用以下上下文来回答最后的问题。如果你不知道答案，就说你不知道，不要试图编造答案。尽量使答案简明扼要。{context}问题: {question}有用的回答:"""
【书生·浦语】大模型实战营——第五课笔记
m0_50123831的博客
01-14 1240
LMDeploy是LLM在nvidia设备上部署的全流程解决方案。（还没有涉及到移动端）关于轻量化：1、权重的4bit量化2、k v cache的8bit量化关于推理引擎：1、turbomind，是LMDeploy的一个创新点2、pytorch关于服务：2、gradio：主要用于演示demoLMDeploy比vLLM的性能要好。
书生·浦语 大模型实战营（第三期） 进阶岛 第3关 LMDeploy 量化部署进阶实践
Pythonliu7的博客
08-20 1403
注释：实验室提供的环境为虚拟化的显存，nvidia-smi是NVIDIA GPU驱动程序的一部分，用于显示NVIDIA GPU的当前状态，故当前环境只能看80GB单卡 A100 显存使用情况，无法观测虚拟化后30%或50%A100等的显存情况。模型在运行时，占用的显存可大致分为三部分：模型参数本身占用的显存、kv cache占用的显存，以及中间运算结果占用的显存。让我们回到LMDeploy，在最新的版本中，LMDeploy使用的是AWQ算法，能够实现模型的4bit权重量化。输入以下指令，执行量化工作。
书生大模型实战营第三期进阶岛第三课——LMDeploy 量化部署实践
weixin_42567071的博客
08-29 1378
我们可以看出InternLM2.5将输入’Compute (3+5)*2’根据提供的function拆分成了"加"和"乘"两步，第一步调用function add实现加，再于第二步调用function mul实现乘，再最终输出结果16.此时代表我们成功地使用本地API与大模型进行了一次对话，如果切回第一个终端窗口，会看到如下信息，这代表其成功的完成了一次用户问题GET与输出POST。新开一个窗口查看gpu占用情况，约为12G，对比默认的cache-max-entry-count 0.8 少占用了8G左右。
书生·浦语 大模型实战营（第三期） 基础岛 第6关 OpenCompass 评测 InternLM-1.8B 实践
Pythonliu7的博客
08-21 1523
实践 找教程
快速上手大模型：深度学习5（实践：过、欠拟合）
weixin_45728280的博客
11-15 1028
本文介绍了多项式回归中的模型拟合问题及其解决方法。主要内容包括：1) 生成多项式数据集并进行格式转换；2) 构建模型训练框架，评估损失函数；3) 分析正常拟合、欠拟合和过拟合三种情况；4) 提出两种解决过拟合的方法：权重衰减（L2正则化）和Dropout。文章详细展示了从数据准备到模型评估的完整流程，并通过PyTorch实现演示了如何通过正则化技术控制模型复杂度，从而提高泛化能力。实验结果表明，适当的正则化能有效缓解过拟合问题。
基于Matlab的交通设施识别：从理论到实践
最新发布
2503_94165661的博客
11-22 414
1-85 基于Matlab的交通设施识别基于Matlab的交通设施识别。GUI设计+图像处理 基于数字图像处理，设计实现一个自然场景下公路交通限速标志分割和识别的程序。要求系统具有界面，并实现以下功能： 1）读入自然场景下包含交通标志的图像；2）对图像进行预处理；3）限速交通标志的分割；4）交通标志区域的定位。5）对限速标志中的数字进行分离和识别。具有完整试验文档。数据可更换自己的，程序已调通，可直接运行。在智能交通系统（ITS）日益发展的今天，交通设施识别是其中关键的一环。
深度学习日记2025.11.20
leiming6的博客
11-20 545
在深度学习里通常指：。它是衡量的指标，比参数量更能反映“推理时到底要算多少”。
深度学习培训
2509_93943639的博客
11-18 306
比如，在医疗影像分析的项目中，学员需要运用深度学习技术对X光、CT等影像进行分析，辅助医生进行疾病诊断，这就要求学员具备扎实的技术功底和灵活的应变能力。另一方面，深度学习对计算资源要求较高，学员在实践过程中可能会面临硬件资源不足的问题。深度学习培训是推动人工智能发展的重要力量，它为个人的成长和社会的进步提供了强大的支持。相信在未来，会有越来越多的人通过深度学习培训，在智能时代书写属于自己的精彩篇章。在当今数字化飞速发展的时代，深度学习作为人工智能领域的核心技术，正深刻地改变着我们的生活与工作方式。
交通标志识别系统【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积神经网络算法
2301_78372746的博客
11-22 476
交通标志识别系统，本项目基于TensorFlow框架，构建了一套完整的交通标志识别系统。系统采用卷积神经网络（CNN）算法，针对40种常见交通标志（包括“停车避让”“减速让行”“限速15千米”“注意行人”“禁止左转弯”等）构建数据集，通过多轮迭代训练，最终获得高精度识别模型，并实现了基于Web的可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。
书生浦语大模型实战课：解决配置与端口问题
"书生浦语大模型实战课的第二课作业中，学员们通过视频教程进行学习，但在实际操作中遇到了一系列问题，包括端口配置、权限不足、端口被占用以及URL无法打开等。这些问题主要围绕SSH免密登录和端口占用问题展开。在...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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