自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(2)
  • 收藏
  • 关注

原创 语音降噪学习记录

语音其实是人类采集的声音的幅度强度随着时间变化的一系列点。如下图为汉语元音韵母 “a”的声音波形图的一部分。声音即为空气分子不断的振动和传播。把声音想象成水龙头中流出的水流,用一个传感器以某种频率探入这股水流,每探测一次测量一次声音的振幅强度以及振动的方向,即可以得到一系列的随时间变化的点。这种频率就是采样频率。例如有一个语音,某个录音机器以 16000个点/秒的速度(采样率)去测试这个声音, 测了2s,我们则会得到 2 * 16000 = 32000个采样点。

2024-02-03 21:55:40 909

原创 LLM学习记录(lora、Qlora与量化)

PTQ虽然简单,但是有个比较大的弊端是,对训练后的参数直接量化会削弱模型性能,于是有学者提出了QAT的方法,这个方法宗旨是让模型更适应后量化,主要操作是在模型训练阶段,前向推理使用低精度的模型参数,计算得到损失之后,反量化至高精度如FP16,根据这一损失优化fp16的原参数,原参数优化后再量化为低精度,参与下一轮参数更新(大致过程应该是这样,有错误的欢迎指出)。因为硬件资源有限,本来在研究LLM量化的,后来发现这与lora和Qlora有点关系,刚好我对这两个技术知之甚浅,一并进行学习了。

2024-01-25 16:54:49 1123 2

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除