- 博客(70)
- 收藏
- 关注
原创 【AI大模型】自动生成红队攻击提示--GPTFUZZER
但是LLM并不一定完全可靠,它有时会产生有毒或者误导性的内容,并且有时候还会产生一些“幻觉”
2024-05-13 19:34:48 729 1
原创 【AI大模型】用指令层级的方法提高LLM的安全性
他们提出一个理想的模型是:“当向模型提供多个指令时,较低特权的指令可以与较高特权的指令对齐或不对齐。我们的目标是教模型有条件地遵循基于与高级指令对齐的低级指令:•对齐的指令具有与高级指令相同的约束、规则或目标,因此LLM应该遵循它们”
2024-04-30 16:20:42 1018
原创 【机器学习笔记】第一章绪论
深度学习:人工神经网络为架构的表征学习,通过神经网络层次化的结构输入逐层进行特征提取和处理。强化学习:智能体和动态环境之间进行交互以学习策略问题。:模型在训练集上表现很好,但是泛化能力。反映预测结果和实际结果的差异。:模型适用于新样本的能力。
2024-04-28 15:39:40 555
原创 【AI大模型】Prompt Engineering 基础知识与挑战
Prompt Engineering 是指通过精心设计的提示来引导用户生成特定输出的一门技术。在自然语言处理领域,Prompt Engineering 通常用于指导语言模型生成符合特定要求的文本输出。例如,通过设计一个提示,我们可以让语言模型生成一段描述某个主题的文章,或者生成一个符合特定格式的对话回复。调整prompt是发挥AIGC模型输出的一项技术,好的prompt可以让一个LLM发挥到极致来帮助人类解决问题。
2024-04-28 14:24:04 1196
原创 【Jetson Nano】jetson nano一些基本功能命令
info中可以查看各种环境版本,Jetpack4.4.1,opencv4.1.1,CUDA20.2.89,cuDNN8.0.0.180,TensorRT7.1.3.0,IP地址等。重新安装,终端运行代码:sudo ./linuxqq_2.0.0-b2-1084_arm64.sh。device设备,Query疑问,deviceQuery设备查询。卸载QQ,终端运行代码:sudo dpkg -r linuxqq。0为最大功率模式,MAXN,CPU用0-3四核。1为最低功率模式,5W,CPU只用0-1两核。
2024-03-17 23:05:12 477
原创 【Jetson Nano】jetson Nano安装pytorch and torchvision
Pytorch是著名的人工智能框架,在部署人工智能项目的时候,就需要在嵌入式开发板上安装pytorch,下面就详解介绍关于安装pytorch的步骤。
2024-03-17 14:31:46 694
原创 【pyQT6】配置pycharm外部工具的小技巧
在PyQt6应用程序中,集成外部工具可以增强用户体验并提供更多功能,运用起来也十分方便。下面就来介绍两个比较常用的外部工具吧。
2024-01-30 16:25:25 623
原创 【pyqt6】用pyqt做一个点菜小程序
在本文中,我们将使用 PyQt6(Python的GUI库)创建一个简单的点菜小程序。该程序允许用户从菜单中选择菜品,将其添加到订单中,并通过点击“下单”按钮查看订单的总价。菜单选项:程序提供了一份菜单,用户可以从中选择心仪的菜品。已点菜品列表:显示用户已点的菜品,包括菜品名称和价格。实时总价:在用户点菜的过程中,程序会实时更新总价,使用户清晰了解订单的费用。下单按钮:点击该按钮后,弹出订单详情,包括已点菜品和总价。
2024-01-24 17:27:17 768
原创 【FastAPI】请求体(二)
在这个例子中,skip 和 limit 是查询参数,它们都有默认值,并且通过 Query(0, title=“Skip items”, ge=0) 和 Query(10, title=“Limit items”, le=100) 进行了验证。表示这个参数是必需的。在 FastAPI 中,这些声明式的参数处理方式不仅简化了代码,还提供了更好的类型提示和验证机制,使得 API 的开发更加方便和可靠。user_info 是请求体参数,它是一个自定义的类 UserInfo 的实例,包含了用户的新名称和年龄。
2024-01-17 10:26:35 472
原创 厚积薄发的一年---用Jetson Nano实现入侵检测的项目分享
回顾2023,有为了一个BUG或知识熬过夜,也有为了项目连续几天三点一线,在这期间的积累的一砖一瓦中,除了直接获得专业知识,提高专业技能外,更多的是从项目中得到足以使我终生受益的其他收获。下面就一今年收获最多的项目来总结我的2023。
2024-01-16 16:49:52 1505
原创 【FastAPI】请求体
在 FastAPI 中,请求体(Request Body)是通过请求发送的数据,通常用于传递客户端提交的信息。FastAPI 使得处理请求体变得非常容易。请求体是客户端发送给 API 的数据。响应体是 API 发送给客户端的数据注:不能使用 GET 操作(HTTP 方法)发送请求体。要发送数据,你必须使用下列方法之一:POST(较常见)、PUT、DELETE 或 PATCH。运行结果用文档测试得:仅使用了 Python 类型声明,FastAPI 将会:将请求体作为 JSON 读取。
2024-01-16 15:25:05 467
原创 【FastAPI】查询参数
例如:http://127.0.0.1:8000/items/?查询字符串是键值对的集合,这些键值对位于 URL 的?之后,并以 & 符号分隔。声明不属于路径参数的其他函数参数时,它们将被自动解释为"查询字符串"参数。FastAPI中可以同时声明多个路径参数和查询参数。limit:对应的值为 10。skip:对应的值为 0。
2024-01-16 11:08:16 388
原创 【FastAPI】路径参数(二)
导入 Enum 并创建一个继承自 str 和 Enum 的子类。通过从 str 继承,API 文档将能够知道这些值必须为 string 类型并且能够正确地展示出来。如果你有一个接收路径参数的路径操作,但你希望预先设定可能的有效参数值,则可以使用标准的 Python Enum 类型。打开文档后出现了可选的选项,在就是枚举类型的结果。
2024-01-16 10:40:50 545
原创 【FastAPI】路径参数
当访问 http://127.0.0.1:8000/items/foo时候会出现报错,因为通过item_id传入的不是一个int类型的参数。运行以上程序当访问 :http://127.0.0.1:8000/items/fastapi时候。:当访问http://127.0.0.1:8000/items/3时候。可以使用标准的 Python 类型标注为函数中的路径参数声明类型。声明完成后具有数据校验,数据转换,功能。
2024-01-15 21:45:35 414
原创 【Git】GitHub上手动解决冲突
如果你的 Pull Request 中存在冲突,GitHub 将会在页面上显示冲突的文件,并提供 “Resolve conflicts” 按钮。在解决冲突并提交变更后,你可以请求审查,审查完成后点击 “Merge pull request” 按钮来合并你的 Pull Request。在解决冲突后,你需要在页面上找到 “Mark as resolved” 或类似的选项,以告诉 GitHub 你已经解决了冲突。解决冲突的地方会有类似 “”, 的标记。
2024-01-15 20:51:10 846
原创 【git】如何提交pull request
在你 fork 的仓库页面上,切换到你刚刚推送的分支,然后点击 “New Pull Request” 按钮。在弹出的页面中,选择要合并的分支,填写详细的说明,然后点击 “Create Pull Request”。Fork 仓库: 在 GitHub 上,找到你想为其贡献的仓库,然后点击右上角的 “Fork” 按钮。确保你的更改是在一个独立的分支上进行的,而不是在 main 或 master 分支上。合并更改: 一旦你的 PR 被审查通过,原始仓库的所有者可以选择合并你的更改。首先添加更改,然后进行提交。
2024-01-15 10:58:30 576
原创 【git使用】利用git从远端拉取分支并更新代码之后上传到远端
可以用git push origin 分支名 推送自己的修改;如果推送失败,则因为远程分支比你的本地更新,需要先用git pull试图合并;如果合并有冲突,则解决冲突,并在本地提交;没有冲突或者解决掉冲突后,再用。初始化git,接着文件夹里面就会出现.git说明初始化成功。2.在当前文件夹下鼠标右击打开Git Bash here。1.新建一个空文件夹,文件名自定义。7.把某个分支上内容进行拉取到本地。6.在本地创建分支并切换到分支。8.在本地文件夹查看拉取内容。4.和远程仓库建立连接。
2024-01-15 09:39:08 657
原创 【MySQL】MySQL基本语句
请将 column1、column2 和 your_table 替换为实际的列名和表名。请将 your_table 替换为你想要查看的表的名称。查看表中的数据: 选择你要查看的表,然后运行。或者直接按 Ctrl + D(在终端中)。来查看表中的所有数据。这将列出数据库中所有的表。
2024-01-11 20:52:24 448
原创 【Linux】Linux常用命令
traceroute 或 tracepath: 追踪数据包的路由路径。ifconfig 或 ip: 显示和配置网络接口信息。shutdown 或 reboot: 关机或重启系统。nano 或 vim 或 emacs: 文本编辑器。top 或 htop: 显示系统资源使用情况。less 或 more: 逐页查看文件内容。chown: 修改文件或目录的所有者。chgrp: 修改文件或目录的所属组。date: 显示或设置系统日期和时间。chmod: 修改文件或目录的权限。mv: 移动或重命名文件或目录。
2024-01-11 09:40:12 468
原创 Linux 之间通过 SSH 传输文件
在 Windows 10 的较新版本中,可以通过“设置”应用程序中的“可选功能”启用 OpenSSH 客户端。您可以按下 Win + R,输入 cmd 或 powershell,然后按回车键。是目标 Linux 主机的 IP 地址或主机名。是 Linux 主机的 IP 地址或主机名。是目标 Linux 主机上的目标路径。是 Linux 主机上目标目录的路径。是目标 Linux 主机上的用户名。使用 scp 命令传输文件。是您在 Linux 主机上的用户名。是要传输的本地文件的路径。是要传输的文件的路径。
2024-01-10 16:27:16 594
原创 【Qt开发】PyQt6--标签控件
QLabel标签控件,用于显示用户不能编辑的文本,主要起提示的作用。通过这可以设置文本对齐方式。直接导入图片所在文件。
2024-01-08 17:17:46 439
原创 【YOLOv5】数据增强Mosaic,把Mosaic3变成Mosaic9
Mosaic数据增强,将图片进行随机裁剪,缩放后排列接成一张图片,实现丰富数据集,增加小样本目标,提升网络的训练速度。数据增强代码在utils/dataloaders.py,找到。更改这两个地方,就可以吧Mosaic改为Mosaic9。
2023-05-06 22:09:13 1348 1
原创 【Docker】从 Docker 镜像中下载内容到本地
其中 /local/path 为本地文件路径,my-container 为容器名字,/path/to/file 为容器中要复制的目标路径。其中 /path/to/file 为容器中要复制的文件路径,/local/path 为本地路径。使用 docker commit 命令将修改后的容器保存为新的镜像。使用 docker cp 命令将容器中的文件复制到本地。使用 docker cp 命令将本地文件复制到容器中。其中 my-container 为你给容器取的名字。在容器中进行所需的操作,例如下载文件到容器中。
2023-04-11 18:34:18 6658
原创 【Pyhton+Excel】利用Python把Excel的数据导入并且绘图
然后,我们从data变量中提取需要绘制的列,并将其分别存储在x和y变量中。最后,使用matplotlib库中的plot()函数绘制折线图,并设置图表标题和坐标轴标签,最后使用show()函数显示图表。需要注意的是,在使用这个程序前,需要确保已经安装了pandas和matplotlib库,并且Excel文件中的数据需要符合一定的格式要求。另外,如果需要绘制其他类型的图表,可以根据具体的需求使用matplotlib库中的其他函数进行绘制。
2023-04-11 18:15:57 6768
原创 【分享NVIDIA GTC大会干货】基于真实世界的数据集的深度强化学习
机器学习大规模成功的共同要素是使用大量模型和大量的GPU训练,大多数的数据集都是有标签的数据集,虽然在传统意义上可以获得很好的效果,但是大多GPU训练都需要很高的花费和大型的数据集。然而进近几年未标记的数据运用越来越多,是现在机器学习非常重要的一部分,这就自然引入了强化学习技术,强化学习是直接推理决策及其后果的机器学习框架。然而,将强化学习与大多数现代机器学习系统运行的数据驱动范式相协调是很困难的,因为经典形式的强化学习是一种主动的在线学习范式。
2023-03-23 11:33:21 458
原创 【机器学习】--朴素贝叶斯简介及实现
朴素贝叶斯分类的核心思想是基于贝叶斯定理,即给定类别的概率可以用给定特征的概率来计算。该算法假设特征之间相互独立,这是朴素贝叶斯分类的“朴素”之处。然后,它使用贝叶斯定理计算每个类别的概率并选择概率最高的类别作为预测结果。朴素贝叶斯分类是一种基于概率的分类算法,它通过计算每个特征对于类别的贡献来预测给定数据的类别。它是一种监督学习(Supervised Learning)算法,用于解决分类问题(Classification)。
2023-02-13 19:03:01 155
原创 Faster R-CNN简述
Faster R-CNN的网络架构由两个主要部分组成:一个卷积神经网络(Cnn)作为特征提取器,一个区域提议网络(Rpn)用于生成候选目标区域。对于每个预测,使用监督学习算法(例如交叉熵损失)来评估模型的性能,并通过反向传播算法来更新模型参数。特征提取器用于从输入图像中提取特征,可以是预先训练的卷积神经网络(如VGG,ResNet等)或自定义的神经网络。训练Faster R-CNN的流程是:首先,使用训练图像的特征提取器来生成特征图。RPN是一种生成提议的网络,它接收特征图并在其中生成对象的矩形提议。
2023-02-13 19:00:16 1091
原创 【YOLO学习笔记】———Batch Size
在训练神经网络时,模型需要对整个训练数据集进行训练,但是数据集通常很大,如果一次把整个数据集提供给模型训练,可能导致内存不足或运算时间太长。因此,我们通常将数据集分成若干个 Batch,每次提供一个 Batch 给模型训练。Batch Size 就是指一个 Batch 中数据的数量。如果 Batch Size 过小,模型可能无法很好地捕捉数据中的规律,影响模型的性能。因此,我们需要调整 Batch Size,使其合适。1.Batch Size 是指在训练神经网络时,一次提供给模型的数据的数量。
2023-02-09 18:03:50 1722 1
原创 【参加CUDA线上训练营】--储存单元及矩阵乘法
板子上芯片周围的显存颗粒(on board),读取速度相对慢,如下图中的local memory,global memory,constant memory,texture memory。global memory,constant memory,texture memory和主机之间都可以通信读写,通常显卡说明书写的显存大小,就是global memory。d_m:指向存储在Device端数据的地址的指针,从CPU内存传输到GPU存储单元。sizeof(int)* m * m:数据传输的大小。
2023-02-07 16:19:48 211
原创 【参加CUDA线上训练营】--CUDA编程模型线程组织
GPU在管理线程的时候是以block为单元调度到SM上执行,每个block中以warp作为一次执行的单位,每个warp包括32个线程。
2023-02-07 16:04:05 293
原创 【YOLOV5环境搭建】--报错:module ‘cv2‘ has no attribute ‘gapi wip_ gst GStreamerPipeline‘
这种情况是opencv版本过高,降一下版本就好了,但是要注意,YOLO要求的opencv版本opencv-python>=4.1.2。
2023-02-07 11:19:43 284
原创 【参加CUDA线上训练营】——初识CUDA
执行空间说明符,声明一个函数,在device上执行,host和device上调用。将函数声明为内核,在device上执行,device上调用。一般显卡,服务器用 nvidia-smi查看相关参数。从.cu 编译为.o,再从.o编译为可执行文件。3.将计算结果从GPU显存复制到CPU内存中。2.执行芯片缓存数据,加载gpu程序并执行。声明了一个函数,执行和调用都是在host。1.把数据用CPU处理好复制到gpu。int main()在host执行。2.Device GPU和显存。在device上执行。
2023-02-07 10:43:52 181
原创 【YOLOv5】--图像增强部分
YOLOV5关于对图像的增强可谓是下了一番功夫,在代码部分之间就做到图像增强,可以说是功能越来越自动化,人工参与程度越来越低,下面就来详细了解一下YOLOv5所用的图像增强方法。
2023-02-05 17:27:57 1798
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