【书生·浦语】大模型实战营——第三课作业

最新推荐文章于 2024-11-11 17:15:49 发布
最新推荐文章于 2024-11-11 17:15:49 发布
阅读量471 收藏 10
点赞数 9
文章标签： 深度学习 语言模型 人工智能 笔记
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/m0_50123831/article/details/135498493
版权

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1节】书生·浦语大模型全链路开源开放体系
熊猫小妖的AI世界
04-17 1542
书生·浦语 InternLM介绍InternLM 是在过万亿 token 数据上训练的多语千亿参数基座模型。通过多阶段的渐进式训练，InternLM 基座模型具有较高的知识水平，在中英文阅读理解、推理任务等需要较强思维能力的场景下性能优秀，在多种面向人类设计的综合性考试中表现突出。在此基础上，通过高质量的人类标注对话数据结合 RLHF 等技术，使得 InternLM 可以在与人类对话时响应复杂指令，并且表现出符合人类道德与价值观的回复。
NL2SQL技术方案系列(4)：金融领域NL2SQL技术方案以及行业案例实战讲解2
丨汀、的博客
04-24 436
NL2SQL技术方案系列(4)：金融领域NL2SQL技术方案以及行业案例实战讲解2
书生·浦语大模型实战营——第三课
Dominikzhuan的博客
04-21 1532
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——第四课作业
m0_50123831的博客
01-12 809
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——第四次作业
m0_61420917的博客
02-19 747
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——第二课
Dominikzhuan的博客
04-04 1239
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-第三课作业
02-20 278
使用之前已经配置好的基础环境，如下图所示。
NL2SQL技术方案系列(5)：金融领域NL2SQL技术方案以及行业案例实战讲解3--非LLM技术方案
丨汀、的博客
04-24 536
NL2SQL技术方案系列(5)：金融领域NL2SQL技术方案以及行业案例实战讲解3--非LLM技术方案
【书生·浦语大模型实战营】第三节 课后作业
CloudHuCoding
03-02 345
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）初始化数据库时间不是一般的长，总之我是没有耐心等待的，玩玩还可以，要是真正的产品，用户早就关闭了。这个进价作业，等春暖花开了，再补作业吧，手脚冰凉的我是无法完成的，555555……总之，没有必要一直等它加载，重要的是理解思路，乘船过河之后就不需要背着船走了。好不容易学习完，得快速完成作业，这天气还不回暖，手脚冰凉，555555……简约又时尚的网页界面，不忍直视！
NL2SQL技术方案系列(6)：金融领域知识检索，NL2SQL技术方案以及行业案例实战讲解4
丨汀、的博客
04-24 584
NL2SQL技术方案系列(4)：金融领域知识检索，NL2SQL技术方案以及行业案例实战讲解4
书生·浦语大模型实战营（二期）第三节课作业
m0_74453171的博客
05-10 195
【代码】书生·浦语大模型实战营（二期）第三节课作业。
如何解决RNN在处理深层序列数据时遇到的如梯度消失、长期以来等问题
m0_73640344的博客
11-06 619
这些技术各自以不同的方式解决了RNN在处理深层序列数据时遇到的关键问题，如梯度消失和长期依赖。选择哪种技术取决于特定任务的需求，包括模型的复杂性、训练时间和性能要求。通过适当选择和配置这些改进的RNN架构，可以显著提高序列数据处理任务的效果和效率。
基于卷积神经网络的桃子叶片病虫害识别与防治系统，vgg16，resnet，swintransformer，模型融合（pytorch框架，python代码）
蓝博AI工作室的博客
11-11 632
基于卷积神经网络的桃子叶片病虫害识别与防治系统是在pytorch框架下实现的，项目中有4个模型，前3个为VGG16、ResNet50、SwinTransformer，最后一个为前面3个模型的融合（预测结果的融合，提高系统预测结果的可靠性），各个模型之间可对比分析，工作量充足。界面可实现各个模型的切换，并且可以保存每次识别结果，生成识别报告该系统涉及的技术栈：python + pyqt5 + opencv。
CNN和MobileNetV2搭建的水果识别模型
chengxuyuanlaow的博客
11-09 688
在本项目中着重探索了利用深度学习模型进行水果图像分类的方法。具体而言包括使用卷积神经网络（CNN）模型进行水果图片的分类和探索轻量级神经网络模型MobileNetV2在水果图像分类中的应用。在第一项任务中，使用TensorFlow构建了一个简单的CNN模型，并通过调整模型参数来提高准确率。在实验过程中发现由于数据集的问题，训练结果并不理想，测试集上的准确率低于预期，同时出现了过拟合的情况。针对这个问题，从优化器、学习率和训练轮次等方面入手，对模型进行了改进和调整。
torch.nn.**和torch.nn.functional.**的区别
最新发布
laice的博客
11-11 205
torch.nn.**是一个继承了torch.nn.Module的类，使用前必须先构造对象，然后再调用。如果直接使用则会报错。torch.nn.functional.**是一个纯数学函数，可以直接使用。
AttriPrompter：基于属性语义的自动提示，用于通过视觉-语言预训练模型实现零样本细胞核检测|文献速递-基于深度学习的病灶分割与数据超分辨率
weixin_38594676的博客
11-06 557
此外，我们提出了一个自训练的知识蒸馏框架，GLIP作为教师模型，利用其初始预测作为伪标签，以应对高密度细胞核检测带来的挑战，包括漏检、误检和实例重叠问题。我们的方法在无标注的细胞核检测中表现出色，优于所有现有的无监督方法，并展现出良好的通用性。目前，大规模视觉-语言预训练模型（VLPMs）通过从大量网络来源的文本-图像对中学习对齐的文本和图像特征，获得了语义丰富、多功能且可迁移的视觉特征，从而催生了新的无监督学习方法。带有“*”标记的方法基于医学图像，而带有“**”标记的方法专门基于 H&E 图像。
《深度学习》——深度学习基础知识（全连接神经网络）
qq_59702185的博客
11-07 983
在介绍神经网络之前，我们先看下面这幅图：人工智能>机器学习>深度学习深度学习是机器学习的⼀个⼦集，也就是说深度学习是实现机器学习的⼀种⽅法。与机器学习算法的主要区别如下图所示：传统机器学习依赖于人工设计特征，并进行特征提取，而深度学习算法不需要人工，而是依赖算法自动提取特征，这也是深度学习被看做黑盒子、可解释性差的原因。卷积神经网络（CNN）循环神经网络（RNN）生成对抗网络（GAN）深度强化网络（DRN）
深度学习在图像识别中的应用
qq_36287830的博客
11-10 1032
深度学习是一种基于多层神经网络的机器学习方法，能够自动提取数据的高层次特征，实现对复杂问题的建模和预测。深度学习的核心任务包括图像识别、语音识别、自然语言处理和推荐系统等。
深度学习经典模型之VGGNet
weixin_43775295的博客
11-08 413
​ VGGNet是由牛津大学视觉几何小组（Visual Geometry Group, VGG）提出的一种深层卷积网络结构，他们以7.32%的错误率赢得了2014年ILSVRC分类任务的亚军（冠军由GoogLeNet以6.65%的错误率夺得）和25.32%的错误率夺得定位任务（Localization）的第一名（GoogLeNet错误率为26.44%）5^{[5]}5，网络名称VGGNet取自该小组名缩写。VGGNet是首批把图像分类的错误率降低到10%以内模型，同时该网络所采用的3×3。
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