书生100-CSDN博客

原创书生·浦语大模型实战营(MindSearch 部署到Github Codespace 和 Hugging Face Space)

其中，app.py 的内容如下可查看以下链接:git clone https://huggingface.co/spaces/<你的名字>/<仓库名称>cd <仓库名称>

2024-09-25 23:38:20 229

原创书生.浦语大模型实战营(茴香豆：企业级知识问答工具实践闯关任务)

然后自己用刚才的数据做数据库，效果没有Web 版茴香豆效果好，不知道是什么问题，以后再改进，后面再补充。上传了自己的金融资料，回答效果比较满意。问了一个问题，回答效果还好。

2024-09-23 21:57:33 153

原创书生.浦语大模型实战训练营(InternVL 微调实践闯关任务)

我们使用InternVL2-2B模型,该模型已在share文件夹下挂载好，我们创建模型的软链接cd /root数据集我们从官网下载下来并进行去重，只保留中文数据等操作。并制作成XTuner需要的形式。并已在share里，同样地，我们制作软链接推理后我们发现直接使用2b模型不能很好的讲出梗，现在我们要对这个2b模型进行微调。

2024-09-22 21:39:20 1151

原创书生.浦语大模型实战营(LMDeploy 量化部署实践闯关任务)

由于都使用BF16精度下的internlm2.5 1.8B模型，故剩余显存均为20.4GB，且 cache-max-entry-count 均为0.4，这意味着LMDeploy将分配40%的剩余显存用于kv cache，即20.4GB*0.4=8.16GB。这意味着int4的Cache可以存储的元素数量是BF16的四倍。不过使用这个命令的时候会报错，是因为远程下载‘ptb’数据集的时候报错的，之后参照以下链接，在本地下载’ptb’数据，然后传输到开发机上，最终在开发机的磁盘上读取数据的方式，报错消失。

2024-09-20 17:12:20 652

原创书生大模型实战营(Lagent 自定义你的 Agent 智能体)

按照错误提示，采用"pip install class_registry"指令安装class_registry库，重新启动Web Demo后，报错消失。闯关任务要求:使用 Lagent 自定义一个智能体，并使用 Lagent Web Demo 成功部署与调用，记录复现过程并截图。我们同时启用两个工具，然后输入“请帮我生成一幅山水画”我在启动Lagent的Web Demo的时候报错了(不知道别人有没有遇到)然后，我们再试一下“帮我搜索一下 MindSearch 论文”

2024-09-18 11:19:14 253

原创书生浦语大模型实战营(OpenCompass 评测 InternLM-1.8B 实践)

补充一下，正常完成分析时，本次进行评测耗时4个小时左右，由于是远程在开发机上操作，之前有因为本地网络中断导致连接中断，执行的评测程序也结束了，请教别人后，使用了tmux，不再出现这种情况，程序正常执行。在创建开发机界面选择镜像为 Cuda11.7-conda，并选择 GPU 为10% A100。

2024-09-13 14:18:18 437

原创书生大模型实战营(XTuner 微调大模型个人小助手认知)

微调结束后，需要读模型进行转换，模型转换的本质其实就是将原本使用 Pytorch 训练出来的模型权重文件转换为目前通用的 HuggingFace 格式文件，最终模型被转换为 HuggingFace 中常用的 .bin 格式文件。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。可见模型微调后，模型权重文件发生了改变，影响了对话效果。下面是未微调前的对话效果。

2024-09-11 16:24:19 334

原创书生大模型实战营(基础关 InternLM+LlamaIndex RAG 实践)

由于训练internlm2-chat-1_8b模型时候，xtuner框架还没出来，模型就没有xtuner的知识库，基于internlm2-chat-1_8b的问答系统给不出正确的答案。报错，提示"protobuf库未安装"(不知道是我哪个环节出了问题，别人好像没出现这种问题)，然后又通过"pip install protobuf"指令安装protobuf库。之后通过RAG技术，利用github上xtuner工程中readme中的资料作为知识，利用相对轻量、支持中文且效果较好的开源词向量模型。

2024-09-11 10:48:03 242

原创书生大模型实战营(浦语提示词工程实践)

1、首先按照以下链接https://github.com/InternLM/Tutorial/tree/camp3/docs/L1/Prompt中操作步骤操作，最终根据上面的提示打开浏览器，浏览器中出现以下界面。未添加系统提示前，大模型的回答确实有出现错误的现象，添加了系统提示词后，回答是正确的，可见好的提示词的重要性。完成一次并提交截图即可。下面根据langgpt的方法，提供合适的提示词，看能否解决开头说的"背景问题"2、学习了langgpt的写提示词的方法，在系统提示这一栏输入以下提示词。

2024-09-10 17:18:15 254

原创书生大模型实战营(8G 显存玩转书生大模型 Demo)

按照入门课"书生大模型实战营(linux学习)“的步骤通过vscode远程到开发机后，通过以下指令(linux平台)建立一个demo文件，同时在demo文件下面新建cli_demo.py文件。在上述conda环境下执行cli_demo.py文件，模型加载完成后，再输入"帮我生成300字小故事”，会有输出结果。

2024-09-10 10:22:15 206

原创书生大模型实战营(书生·浦语大模型全链路开源开放体系)

InternLM实战

2024-09-09 16:58:21 295

原创书生大模型实战营(python 学习)

安装完，插件后设置代码断点，在vscode界面右上角选择下拉菜单中选择”Python Debugger:Debug Python File”，接下来就可以进行debug了。使用命令行发起python debug本质上是使用命令行发起一个python debug sever，通过vscode去连接debug sever,然后再去做debug。有两种debug方式，一种是对单个python文件进行非命令行debug,另一种是命令行debug。2、在vscode终端中执行pythontask.py，结果如下。

2024-09-08 16:24:13 374

原创书生大模型实战营(linux学习)

学习网址链接:https://github.com/InternLM/Tutorial/tree/camp3/docs/L0/Linux。在本地vscode中远程开发机，在vscode终端运行如下hello_world.py程序。在本地浏览器网址栏输入"http://127.0.0.1:7860"，会出现如下图。

2024-09-05 21:24:10 114

img24or16_to_8.py

python编写，需调用pil库，代码很简洁，功能为将3通道图像转化成单通道图像

2019-09-26

稀疏保持投影matlab代码

运用稀疏保持投影进行特征提取（已应用于人脸识别领域）

2015-05-28

流行学习工具箱

关于非线性降维的算法，流行学习，有PCA、KPCA、LDA、局部切空间排列，等距映射，局部保持投影等大部分流形学习的代码

2014-10-24

LearningOpenCV_Code

里面有学习oPENcv的代码包/* 程序名：hello.c 功能：从磁盘中读入图像文件，并将图像显示在屏幕上 */ #include "cv.h" #include "highgui.h" int main( int argc, char** argv ) { IplImage* pImg; //声明IplImage指针 //载入图像 if( argc == 2 && (pImg = cvLoadImage( argv[1], 1)) != 0 ) { cvNamedWindow( "Image", 1 ); //创建窗口 cvShowImage( "Image", pImg ); //显示图像 cvWaitKey(0); //等待按键 cvDestroyWindow( "Image" );//销毁窗口 cvReleaseImage( &pImg ); //释放图像 return 0; } return -1; }

2014-10-24

l1_ls_matlab

对于求解稀疏表示 l1_ls solves problems of the following form: minimize ||A*x-y||^2 + lambda*sum|x_i|

2014-09-20

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人