Demo02_sxm_240123

最新推荐文章于 2024-09-28 09:34:36 发布

m0_74918883

最新推荐文章于 2024-09-28 09:34:36 发布

阅读量322

点赞数 9

文章标签： java

本文链接：https://blog.csdn.net/m0_74918883/article/details/135780532

版权

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

m0_74918883

关注关注

9
点赞
踩
6

收藏

觉得还不错? 一键收藏
1
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

LLM - 使用 TRL 库微调(Fine-Tuning) Llama3 以及合并微调模型教程

Mystra

08-15

928

TRL(Transformer Reinforcement Learning) 是 HuggingFace 的全栈库，提供一套工具，用于通过强化学习训练 Transformer 语言模型，从监督微调(Supervised Fine-tuning, SFT)、奖励建模(Reward Modeling, RM)、近端策略优化(Proximal Policy Optimization, PPO)。

煤矿安全大模型：微调internlm2模型实现针对煤矿事故和煤矿安全知识的智能问答

丨汀、的博客

07-03

402

煤矿安全大模型：微调internlm2模型实现针对煤矿事故和煤矿安全知识的智能问答

1 条评论您还未登录，请先登录后发表或查看评论

Demo_sxm_240122

m0_74918883的博客

01-22

322

医疗金融法律大模型：从ChatDoctor到BloombergGPT/FinGPT/FinBERT、ChatLaw/LawGPT_zh

热门推荐

结构之法算法之道

07-05

1万+

第一部分各种医疗类ChatGPT：或中英文数据微调LLaMA、或中文数据微调ChatGLM 1.1基于LLaMA微调的中英文版ChatDoctor 11.1.1 ChatDoctor：通过self-instruct技术提示API的数据和医患对话数据集微调LLaMA

8G 显存玩转书生大模型 Demo

qq_42427964的博客

08-29

529

把远程开发机上所有的python安装包手动删除conda也手动删除然后重新安装miniconda3终端中下载miniconda3安装程序然后安装安装后激活conda环境检查conda安装PS: 如果安装时候选择了conda基础环境手动激活则需要每次打开终端激活基础环境$(conda init然后运行这样每次都自动进入base环境。。。。创建demo环境安装相关的依赖包# 创建环境# 激活环境# 安装 torch# 安装其他依赖。。。。

书生·浦语大模型实战营之XTuner 微调个人小助手认知

段智华的博客

04-12

1265

书生·浦语大模型实战营之XTuner 微调个人小助手认知在本节课中讲一步步带领大家体验如何利用 XTuner 完成个人小助手的微调！为了能够让大家更加快速的上手并看到微调前后对比的效果，用 QLoRA 的方式来微调一个自己的小助手！可以通过下面两张图片来清楚的看到两者的对比。

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

5638

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

【chatglm2】使用Python在CPU环境中运行 chatglm.cpp 可以实现本地使用CPU运行chatglm2模型，速度也特别的快可以本地部署，把现有项目进行AI的改造。

freewebsys的专栏

08-16

4796

也可以支持英文，但是最后几个字有点问题。最后有点乱码，不知道是不是因为模型裁剪的问题。同时也有可能是原始素材就有这个问题。可以使用docker 在 CPU上面运行 chatglm ，同时安装了 pytorch 的CPU 版本，镜像缩小到 1.5 G了。并且速度也是非常的快了。可以在非GPU的机器上面运行了。可以解决很多问题呢。

Nodejs中对文件执行读写操作(多demo)

一期一会的博客

03-01

2926

在nodejs中实现对文件及目录读写操作的功能是fs模块。另外与文件及目录操作相关的一个模块是path模块。 fs模块可以实现所有有关文件及目录的创建、写入与删除操作。这些操作分为同步与异步两种方法。两者的区别在于：同步方法立即返回操作结果，但会阻塞后续代码执行；异步方法不会阻塞后续代码执行，只需等到该异步执行完成调用相应回调函数来返回结果。出于性能考虑多数情况下都是使用异步方法，少数场景会用到同...

Demo_Sxm1278(V1.3).pdf

09-18

文档中提到的"SXM1276"是LoRa通信模块的核心芯片，具备高灵敏度和低功耗特性。该芯片支持多种工作模式，如FSK、GFSK、MSK和LoRa调制方式。引脚布局包括电源、数字输入输出、时钟、重置和天线接口等，如GND、MISO、...

A coverflow +exten demo

03-31

【标题】"A coverflow +exten demo" 指的是一种使用了Coverflow效果并结合了exten扩展的示例项目。Coverflow效果通常在图形用户界面设计中使用，模仿了翻页或流动的视觉体验，让用户可以浏览一系列元素，如图片、...

工厂模式的介绍及实现

户伟伟的博客

09-25

114

工厂模式（Factory Pattern）是一种创建型设计模式，提供了一种创建对象的接口，而无需显式指定对象的具体类。在这种模式中，我们通过定义一个工厂类，专门负责生产各种类型的对象，这样我们可以避免直接在代码中实例化具体类，使代码更具扩展性、灵活性和维护性。解耦：客户端代码与具体的类解耦，避免了对象创建逻辑的重复。简化对象创建：通过工厂统一管理对象的创建逻辑，使代码更清晰易懂。扩展性强：新增类时，只需在工厂中增加创建逻辑，而不必修改现有的业务代码。

Spring Boot 学习和使用

cesske的博客

09-24

1084

Spring Boot是一款开源的Java Web应用框架，旨在简化Spring应用的初始搭建以及开发过程。Spring Boot通过整合Spring技术栈中的诸多关键组件，为开发者提供了一种快速、简便的Spring应用开发方式。它遵循“约定优于配置”的原则，通过自动配置、起步依赖和内置的Servlet容器，极大地简化了传统Spring应用的配置和部署过程。Spring Boot通过其自动化配置、起步依赖、内嵌服务器等特性，极大地简化了Spring应用的开发和部署过程。

基于Hive和Hadoop的哔哩哔哩网站分析系统

图南的博客

09-27

416

本项目是一个基于大数据技术的哔哩哔哩平台分析系统，旨在为用户提供全面的哔哩哔哩视频数据和深入的用户行为分析。系统采用 Hadoop 平台进行大规模数据存储和处理，利用 MapReduce 进行数据分析和处理，通过 Sqoop 实现数据的导入导出，以 Spark 为核心进行高效的数据处理。整个系统结合了大数据处理技术，为用户提供精准的内容推荐和深入的用户兴趣分析，帮助平台更好地了解视频趋势和用户需求。

基于JavaWeb开发的Java+SpringMvc+vue+element实现驾校管理系统详细设计

央顺科技官方博客

09-24

899

机遇与挑战始终并存。在开放的互联网平台面前，驾校预约管理系统的信息管理面临着巨大的挑战。传统的管理模式局限于简单数据的管理，无法适应不断变化的市场格局。在早期阶段，在将计算机技术和网络技术融入驾校预约管理系统数据管理方法之前，所有管理方式都通过人工操作完成了管理信息的。系统管理也都将通过计算机进行整体智能化操作，对于驾校预约管理系统所牵扯的管理及数据保存都是非常多的，举例像所有详细信息包括，管理员；首页、个人中心、学员管理、驾校教练管理、驾校车辆管理、预约管理、取消预约管理、驾校公告管理、系统管理。

Java Alibaba Druid 数据库连接池

miracle的专栏

09-24

742

在Java开发中，数据库连接池是性能优化的重要一环。而作为一款强大的数据库连接池解决方案，凭借其和对多种数据库的支持，成为了许多企业级应用的首选。本篇文章将介绍Druid的核心特性，并结合不同数据库的实际用法。

JPA+Thymeleaf增删改查

y050505的博客

09-25

465

在使用JPA（Java Persistence API）和Thymeleaf作为模板引擎进行Web开发时，实现增删改查（CRUD）操作是一个常见的需求。下面，我将简要介绍如何使用Spring Boot框架结合JPA和Thymeleaf来实现这一功能。

Java - LeetCode面试经典150题(二)

最新发布

心如冰清，天塌不惊

09-28

590

否则，返回 false。给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出和为目标值 target 的那两个整数，并返回它们的数组下标。遍历字符串数组，将其中的字符串，进行排序，这样就形成一个唯一的字符串了，之后将原字符串追加到这个排序完的字符串映射的String列表中。这里的遵循指完全匹配，例如， pattern 里的每个字母和字符串 s 中的每个非空单词之间存在着双向连接的对应规律。将magazine中的每个字符的个数记录下来，用map映射成。

query_feature.cuda()

09-28

由于你提到的问题涉及到一个MMCV库与CUDA环境的兼容性问题[^1]，`query_feature.cuda()`这个函数可能是在使用MMCV进行深度学习任务时，尝试利用CUDA加速计算特征查询的部分。当你遇到错误`undefined symbol`，这通常意味着你在运行的环境中找不到对应的CUDA内核（kernel）。在你的场景中，工作站在使用GeForce RTX 2080 Ti，Turing架构的GPU，而Docker容器里则是Tesla V100-SXM2-32GB，Volta架构的GPU。要解决这个问题，你需要注意两个关键点： 1. **不同架构之间的兼容**：由于两个GPU属于不同的架构（Turing vs Volta），某些CUDA内核可能不兼容。当安装MMCV时，建议指定特定的CUDA架构以确保库能够找到正确的内核。如你所说，可以使用`TORCH_CUDA_ARCH_LIST=7.0`来告诉pip安装对应于V100 Volta架构的库。 2. **导入模块**：在调用`query_feature.cuda()`之前，确保已经正确地设置了CUDA路径和配置，并且MMCV库已经被安装到支持该架构的版本上。这可能包括更新环境变量、重新加载库或者其他适当的初始化步骤。然而，具体的解决方案会依赖于你的实际代码环境和MMCV库的具体实现。你可以尝试按照以下步骤操作： ```bash # 设置CUDA架构 export TORCH_CUDA_ARCH_LIST="7.0" # 更新mmcv-full pip install --upgrade mmcv-full # 确保已正确初始化cuda设备 import torch device = torch.device('cuda') # 如果有mmcv相关的初始化，也需要做类似的操作 if hasattr(mmcv, 'set_device'): mmcv.set_device(device) # 然后尝试运行query_feature.cuda() from mmcv.ops import query_feature feature = query_feature(cuda=True) ``` 如果上述步骤无法解决问题，可能需要查看MMCV的文档或社区论坛，寻求针对你所遇到的具体错误更详细的指导。