专注于计算机视觉、目标检测、目标跟踪等方向

介绍大模型智能体构建与安全风险测评：了解大模型智能体的架构与常见应用；了解大模型智能体驱动的“自主操作系统”；尝试大模型智能体安全测评与分析。

介绍多模态大语言模型的常见架构以及构建方法。大语言模型的出现让大家看到，高阶的智能在语言模态上得到了充分的体现。作为能够更充分模拟真实世界的多模态大语言模型，其如何实现更强大的多模态理解和生成能力？多模态大语言模型是否能够帮助实现AGI？

想要得到更好的安全，要先从学会攻击开始。让我们了解越狱攻击如何撬开大模型的嘴！目标：熟悉使用EasyJailbreak工具包；掌握大模型的常用越狱方法的实现与结果。

介绍语言模型的水印，在语言模型生成的内容中嵌入人类无法察觉，但却可以被算法检测的到的“水印”。

大模型知识编辑。教程目标：熟悉使用EasyEdit工具包；掌握语言模型的编辑方法（最简）；了解不同类型的编辑方法的选型和应用场景。

介绍大模型的API调用与推理指南。教程目标：1. 熟悉大语言模型的使用方式；2. 掌握零样本和少样本提示工程；3. 了解思维链推理技术。

从一些大模型相关的论文里学了一些理论知识，但是还是欠缺实践经验，本系列博文是在学习上交大张倬胜老师的开源项目的基础上写的相关总结，旨在提升自己的大模型实践能力。备注：本项目大部分资源都需要科学上网才能获取。免责声明本系列博文所有技巧仅供参考，不保证百分百正确。若有任何问题，欢迎联系本人。

从零开始学大模型之——LLaMa2-7B。

包括已经精读完成和之后将要精读的论文，10年内深度学习里有影响力文章（必读文章），或者近期比较有意思的文章。总论文数 96，阅读完成数 79，博文完成数1。

本专栏会分以下入门、初级、中级和高级四部分详细介绍Stable Diffusion的安装使用、原理和模型结构、模型训练和优化等。文章索引持续更新中。

不同的模型有不同的风格，本文介绍了模型的文件构成、加载位置，分享了几个常用的模型下载网站，及一些模型的分类。

当提示词不足以表达你的想法，或者你希望以一个更为简单清晰的方式传递一些要求的时候，可以给AI输入一张图片，此时图片和文字是相当的，都是作为一种信息输送给模型，让它拿来生成一张新的图片。

详细介绍AI绘画提示词的分类、书写方法、权重等，提供详细的参数设置攻略。

【Stable Diffusion】应用安装详细步骤！

经常遇到这个问题，特记录解决方法，供后续遇到同样问题时查阅。

广度优先搜索算法（Breadth-First-Search，缩写为 BFS），是一种利用队列实现的搜索算法。简单来说，其搜索过程和 “湖面丢进一块石头激起层层涟漪” 类似。深度优先搜索算法（Depth-First-Search，缩写为 DFS），是一种利用递归实现的搜索算法。简单来说，其搜索过程和 “不撞南墙不回头” 类似。BFS 的重点在于队列，而 DFS 的重点在于递归。这是它们的本质区别。BFS 常用于找单一的最短路线，它的特点是 “搜到就是最优解”，而 DFS 用于找所有解的问题，它的空间效率

使用Python获取天气数据有两种方法：1、通过爬虫的方式，获取天气预报网站的HTML页面，然后使用XPath或BeautifulSoup解析HTML页面的内容；2、通过天气预报网站提供的API，直接获取结构化数据，省去了解析HTML页面这一步。本例使用中国天气网站提供的API，中国天气官网地址：[http://www.weather.com.cn](http://www.weather.com.cn)。

数据增强（Data Augmentation），基于有限的数据生成更多等价（同样有效）的数据，丰富训练数据的分布，使通过训练集得到的模型泛化能力更强。数据增强可以分为两类，离线增强和在线增强。主要有仿射变换、透视变换、色调变换等等。

模型分类效果主要是通过计算混淆矩阵已经准确率、召回率和F Score来分析，下面对以上指标进行详细的介绍。

# -*- coding = utf-8 -*-# @Time: ${DATE} ${TIME}# @Author: Donvink ${USER}# @Site: ${SITE}# @File: ${NAME}.py# @Software: ${PRODUCT_NAME}