- 博客(10)
- 资源 (1)
- 收藏
- 关注
原创 书生大模型实战营(第三期)-L1:OpenCompass 评测 InternLM-1.8B 实践
在 OpenCompass 中评估一个模型通常包括以下几个阶段:配置 -> 推理 -> 评估 -> 可视化。
2024-08-25 16:35:53 494
原创 书生大模型实战营(第三期)-L1:XTuner 微调个人小助手认知任务
对于 LoRA 或者 QLoRA 微调出来的模型其实并不是一个完整的模型,而是一个额外的层(Adapter),训练完的这个层最终还是要与原模型进行合并才能被正常的使用。对于全量微调的模型(full)其实是不需要进行整合这一步的,因为全量微调修改的是原模型的权重而非微调一个新的 Adapter ,因此是不需要进行模型整合的。,在使用前我们需要准备好三个路径,包括原模型的路径、训练好的 Adapter 层的(模型格式转换后的)路径以及最终保存的路径。模型进行指令微调,所以与我们的需求最匹配的配置文件是。
2024-08-24 18:13:39 987
原创 书生大模型实战营(第三期)-L1:llamaindex+Internlm2 RAG实践
正常情况下,其会自动从互联网上下载,但可能由于网络原因会导致下载中断,此处我们可以从国内仓库镜像地址下载相关资源,保存到服务器上。:(我们也可以选用别的开源词向量模型来进行 Embedding,目前选用这个模型是相对轻量、支持中文且效果较好的,同学们可以自由尝试别的开源词向量模型) 运行以下指令,新建一个python文件。我们在使用开源词向量模型构建开源词向量的时候,需要用到第三方库。运行以下指令,新建一个python文件。运行以下指令,新建一个python文件。运行以下指令,新建一个python文件。
2024-08-17 18:03:14 1307
原创 书生大模型实战营(第三期)-L1:浦语提示词工程实践
近期相关研究发现,LLM在对比浮点数字时表现不佳,经验证,internlm2-chat-1.8b (internlm2-chat-7b)也存在这一问题,例如认为13.8<13.11。
2024-08-15 15:00:37 394
原创 书生大模型实战营(第三期)-L1:8G 显存玩转书生大模型 Demo
InternLM-XComposer2 是一款基于 InternLM2 的视觉语言大模型,其擅长自由形式的文本图像合成和理解。自由形式的交错文本图像合成:InternLM-XComposer2 可以根据大纲、详细文本要求和参考图像等不同输入,生成连贯且上下文相关,具有交错图像和文本的文章,从而实现高度可定制的内容创建。准确的视觉语言问题解决:InternLM-XComposer2 基于自由形式的指令准确地处理多样化和具有挑战性的视觉语言问答任务,在识别,感知,详细标签,视觉推理等方面表现出色。
2024-08-11 15:52:49 860
原创 书生大模型实战营(第三期)-L1:HelloIntern
主讲老师个人感觉20B的模型出现了“涌现”,即在训练阶段未见过的数据都能有很好的理解。 亮点:可视化模型规划思考路径
2024-08-11 10:59:32 308
原创 书生大模型实战营(第三期)-L0:Git
官方地址fork上面官方的项目,再从自己项目里面克隆分支效果如图:checkout新分支git branch -a # 用于列出本地和远程的所有分支git checkout -b camp3_1259 # # 自定义一个"camp3_1259"分支效果如图:创建自己的破冰文件touch ./data/Git/task/camp3_1259.md # 修改为自己的问卷ID提交更改到分支git add .
2024-07-27 17:51:34 417
原创 书生大模型实战营(第三期)-L0:Python
为开发机安装Python插件,用于debug。(只需要安装合适版本Python即可,根据我个人经验,安装较为老一点的版会更好,当然这个平台安装最新的没有出现什么问题)通过SSH连接InternStudio的开发机。
2024-07-27 15:54:58 243
原创 书生大模型实战营(第三期)-L0:Linux
这一步遇到配置不上情况可能是网络问题,换个网络可以解决。映射端口并执行python文件,即可在浏览器上查看。创建开发机,选择需要的“”创建,创建好后选择“
2024-07-27 11:31:22 611
转载 2.论文笔记
文章信息背景、目的及结论结果与讨论文章好在哪里自我想法(125)复旦大学类脑智能科学技术研究所;复旦大学计算神经科学与类脑智能教育部重点实验室HCC的早期诊断和治疗对于成功切除肿瘤至关重要[3]。允许确定基于体积的定量信息(例如纹理特征)的准确肿瘤分割可以有利于肝脏治疗计划程序,并提供更可靠的治疗反应分类[4]、肝脏肿瘤分类[5]和患者生存预测[6]。并且深度学习在肝肿瘤分割方面也取得了显著成果,肝脏肿瘤的准确分割,有助于医生做出适当的治疗决策,评估手术治疗的有效性,对肝癌的临床诊断至关重要。
2022-09-16 21:04:19 300 1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人