茴香豆：企业级知识库问答工具

最新推荐文章于 2024-10-08 13:45:03 发布
最新推荐文章于 2024-10-08 13:45:03 发布
阅读量290 收藏 5
点赞数 10
分类专栏： 大模型 文章标签： 深度学习 大模型 书生·浦语 部署 书生
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_47524641/article/details/142722483
版权

茴香豆

茴香豆 是由书生·浦语团队开发的一款开源、专门针对国内企业级使用场景设计并优化的知识问答工具。在基础 RAG 课程中我们了解到，RAG 可以有效的帮助提高 LLM 知识检索的相关性、实时性，同时避免 LLM 训练带来的巨大成本。在实际的生产和生活环境需求，对 RAG 系统的开发、部署和调优的挑战更大，如需要解决群应答、能够无关问题拒答、多渠道应答、更高的安全性挑战。因此，根据大量国内用户的实际需求，总结出了三阶段Pipeline的茴香豆知识问答助手架构，帮助企业级用户可以快速上手安装部署。

参考教程

知识库创建

在这里插入图片描述
在这里插入图片描述

Gradio UI 界面测试

在这里插入图片描述
在这里插入图片描述

Tensorrrrrr
关注
专栏目录
茴香：Lua Lisp语言
01-31
茴香，或者Fennel，是一种独特的编程语言，它结合了Lua的简洁性和Lisp的语法结构，旨在提供一种高效、灵活且易于阅读的代码表示方式。Fennel的诞生是为了满足开发者对于嵌入式脚本语言的需求，尤其是在游戏开发和...
最新茴香行业企业安全生产目标管理.pdf
10-01
茴香行业的安全生产目标管理是确保企业在生产经营活动中遵循严格的安全生产法规，减少事故风险，提升安全绩效的重要手段。这一管理体系旨在制定明确的安全生产目标，通过一系列制度和流程，将目标细化并落实到各个...
茴香：使用Fennel配置和扩展Neovim（Lisp到Lua）
02-03
标题中的“茴香”指的是Fennel编程语言，它是一个基于Lisp的方言，而“使用Fennel配置和扩展Neovim”则涉及到在Neovim编辑器中使用Fennel来定制和增强其功能。Neovim是一款高度可扩展的文本编辑器，它在Vim的基础上...
排序你学废了吗，茴香豆有四种写法，排序有十种写法
03-31
在编程领域，排序是计算机科学中最基础且重要的概念之一，特别是在数据处理和算法设计中扮演着关键角色。这里我们讨论了十种不同的排序算法，它们分别是：冒泡排序、插入排序、选择排序、快速排序、归并排序以及堆...
fennel:适用于Python和Redis的任务队列库
05-14
茴香 基于Redis Streams的Python 3.7+的任务队列，带有类似Celery的API。 注意：这是Alpha版本。 该项目正在开发中，可能会发生重大变化。 特征 支持同步（例如Django，Flask）和异步（例如Starlette，FastAPI）...
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
阿利同学的博客
10-04 942
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
基于深度学习的不遗忘训练
weixin_42605076的博客
10-02 812
基于深度学习的不遗忘训练（也称为抗遗忘训练或持久性学习）是针对模型在学习新任务时可能会忘记已学习内容的一种解决方案。该方法旨在使深度学习模型在不断接收新信息的同时，保持对旧知识的记忆。
【深度学习】— 多层感知机介绍、 隐藏层、从线性到非线性、线性模型的局限性
我们都是被分成两半的人，一边热爱生活，一边憎恨生活。面对生活，我们总是在矛盾的两端摇摆，在反复的矛盾和犹豫中，一边踉跄前行，一边重振旗鼓。我渴望改变，渴望变得更好，渴望找到出口……就像一个溺水人的挣扎，就像一个救生圈。我是一个矛盾集合体，想要变得快乐，但是
10-05 987
在第 3 节中，我们介绍了 softmax 回归，并实现了其从零开始的实现和基于高级 API 的实现，训练了分类器来识别 10 类服装图像。这种网络共有 2 层，每层都是全连接的，每个输入都会影响隐藏层中的每个神经元，而隐藏层中的每个神经元又会影响输出层中的每个神经元。最简单的方法是堆叠多个全连接层，每一层的输出作为下一层的输入，最终生成输出。线性模型假设输入特征与输出之间的关系是单调的，例如收入增加会增加偿还贷款的概率，但这种关系不是线性的。个隐藏单元的单隐藏层多层感知机（MLP），隐藏层的输出可以用。
CNN+Transformer解说
owolai的博客
10-01 547
CNN（卷积神经网络）和Transformer是两种在深度学习领域广泛使用的模型架构，它们在处理不同类型的数据和任务时各有优势。CNN擅长捕捉局部特征和空间层次结构，而Transformer擅长处理序列数据和长距离依赖关系。将CNN与Transformer结合，可以创建出一种新的模型架构，这种架构能够同时利用CNN在图像处理中的优势和Transformer在处理序列数据中的优势。
CNN+Transformer在自然语言处理中的具体应用
owolai的博客
10-01 479
Transformer模型可以用于生成文本摘要，通过编码输入文本的全局信息，并生成连贯、准确的摘要。3.
【深度学习】损失函数
weixin_62403234的博客
10-04 648
同样，我们将这种理念运用到损失函数中，如果我们已知真实的样本分布和许多训练模型（即W和b），在二分类的情况下，我们知道，真实样本存在两种分布0（不是）或1（是），也就是我们常说的伯努利分布。但是考虑到如果是简单的绝对值求和，在其定义域上并非是全程可导的，这样对于梯度下降法的运用并不友好。我们将会引入一个极大似然估计的方法，在概率论中，我们可以知道，如果我们已知真实的分布情况和许多概率模型，我们就可以求出在某种概率模型下，这种分布情况发生的概率，而最大的那个概率值对应的模型便是最接近真实的概率模型。
甲虫身体图像分割系统源码＆数据集分享
最新发布
m0_73388125的博客
10-08 1044
数据集信息展示在本研究中，我们使用了名为“ground beetles”的数据集，以改进YOLOv8-seg的甲虫身体图像分割系统。该数据集专注于地面甲虫的多样性，包含18个不同的类别，涵盖了丰富的生态特征和形态特征。
基于深度学习的持续的知识积累与转移
weixin_42605076的博客
10-01 791
基于深度学习的持续知识积累与转移是指利用深度学习技术在多个任务或领域中有效地获取、更新和应用知识。这一过程能够提高模型在新任务上的性能，同时减少对大量标注数据的依赖。
深度学习的未来：推动人工智能进化的新前沿
2301_78944833的博客
10-04 1257
深度学习技术已经在多个领域展现了巨大的潜力，并正在改变我们的日常生活。从图像识别到自然语言处理，深度学习为我们带来了更加智能化的应用和服务。尽管面临数据依赖、计算资源、可解释性等挑战，但随着自监督学习、边缘计算和多模态学习等技术的不断进步，深度学习将继续推动人工智能的前沿发展，为各行各业带来更多创新和机遇。
【PyTorch】循环神经网络
Glass_Gun的博客
09-29 826
神经网络。
基于深度学习的编程错误自动修复
weixin_42605076的博客
10-05 1135
基于深度学习的编程错误自动修复（Automated Code Repair Using Deep Learning）是一种利用深度学习技术自动检测、定位并修复代码中的错误的技术。它旨在减少开发者手动调试和修复代码的时间，并提高代码的质量和可靠性。这一技术在大规模软件开发中具有显著的应用价值，尤其在提升开发效率、减少故障恢复时间方面表现突出。
毕业设计 深度学习水果识别
HUXINY的博客
10-02 674
Hi，大家好，这里是丹成学长，今天做一个 基于深度学习的水果识别毕业设计毕业设计 深度学习水果分类系统🧿 项目分享:见文末!深度学习作为机器学习领域内新兴并且蓬勃发展的一门学科， 它不仅改变着传统的机器学习方法， 也影响着我们对人类感知的理解， 已经在图像识别和语音识别等领域取得广泛的应用。因此， 本文在深入研究深度学习理论的基础上， 将深度学习应用到水果图像识别中， 以此来提高了水果图像的识别性能。
基于Word2Vec和LSTM实现微博评论情感分析
深度学习实战训练营，一起交流探索深度学习
10-02 1009
项目对原始微博数据进行了有效的清洗和处理，包括去除缺失值、停用词过滤以及中文分词。为了提升文本处理的效果，项目采用了jieba库进行分词，能够识别中文文本中的复杂语义结构。与传统的文本预处理相比，使用自定义的停用词表进一步过滤噪声词汇，从而保留更为关键的文本信息。在词向量表示中，项目通过Word2Vec模型生成了语料库中的词向量表示，并采用自定义的词典和填充机制。特别地，模型定义了词到索引的映射，使用“”符号作为填充符，使得所有序列长度一致，确保了数据输入的一致性。
深度学习--------------------长短期记忆网络(LSTM)
Einstein·Jun
10-01 1098
记忆单元会把上一个时刻的记忆单元作为状态放进来，所以LSTM和RNN跟GRU不一样的地方是它的状态里面有两个独立的。等于0的话，就是把现在的记忆单元丢掉。是1的话，就是希望尽量的去用它，如果。等于0的话，就是希望不要记住。：决定要不要忽略掉输入数据。：决定要不要使用隐状态。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值