LoRA解讀：https://zx2ow2qh1z5.feishu.cn/docx/XTq5daVFio7UWAxjgDmcfVu7nSb[https://zx2ow2qh1...
發(fā)簡信
IP屬地：臺灣
-
LLM筆記
-
RAG的效果評估RAG有兩個核心部分： 檢索部分：保證系統(tǒng)能根據(jù)用戶的Prompt找到對應(yīng)的chunk 生成部分：充分發(fā)揮大模型能力，生成一個滿足用戶要求的正確回答 評估和優(yōu)化生成部分 優(yōu)化...
-
第七節(jié) 評測OpenCompass 評測 https://github.com/InternLM/Tutorial/blob/camp2/opencompass/readme.md[ht...
-
第六節(jié) AgentLagent & AgentLego 智能體應(yīng)用搭建 一、概述 Lagent 是一個輕量級開源智能體框架，旨在讓用戶可以高效地構(gòu)建基于大語言模型的智能體。同時它也提供了一些典...
-
第五節(jié)LMDeploy 量化部署 LLM&VLM 實踐 一、理論基礎(chǔ) 大模型部署面臨的挑戰(zhàn)： 計算量巨大 內(nèi)存開銷巨大 訪存瓶頸：硬件計算速度遠快于顯存帶寬 動態(tài)請求：請求量不確定...
-
第三節(jié)筆記搭建 RAG 智能助理 一、RAG 1.1 概述 RAG（Retrieval Augmented Generation）技術(shù)，通過檢索與用戶輸入相關(guān)的信息片段，并結(jié)合外部知識...
-
第四節(jié)筆記&作業(yè)XTuner 微調(diào) LLM：1.8B、多模態(tài)、Agent 微調(diào)效果： XTuner 一個大語言模型&多模態(tài)模型微調(diào)工具箱。由 MMRazor 和 MMDeploy 聯(lián)合開發(fā)。...
-
第二節(jié)作業(yè)1. 使用 InternLM2-Chat-1.8B 模型生成 300 字的小故事 2. Lagent 部署 在 terminal 中輸入指令，構(gòu)造軟鏈接快捷訪問方式： 在代碼...
-
第二節(jié)筆記玩轉(zhuǎn)趣味Demo 主要任務(wù) 部署 InternLM2-Chat-1.8B 模型進行智能對話 部署實戰(zhàn)營優(yōu)秀作品 八戒-Chat-1.8B 模型 通過 InternLM2-Ch...
-
第一節(jié)筆記InternLM2.0主要亮點 從模型到應(yīng)用典型流程 模型選型：根據(jù)業(yè)務(wù)的特性選擇合適的模型（產(chǎn)品向） 判斷業(yè)務(wù)場景是否復(fù)雜：如果復(fù)雜，則要進行針對性的微調(diào) 算力：達則全局微...
-
吃瓜第六章 支持向量機2023-12-27一 支持向量機 1 算法原理 從幾何角度，對于線性可分數(shù)據(jù)集，支持向量機就是找距離正負樣本都最遠的超平面。相比于感知機，解是唯一的，且不偏不倚，泛化性能最好。設(shè)劃分超平面是，...
-
吃瓜第五章 神經(jīng)網(wǎng)絡(luò) 2023-12-23神經(jīng)網(wǎng)絡(luò) 1 神經(jīng)元模型 1.1 M-P神經(jīng)元 “ “——《機器學(xué)習(xí)》周志華 1.2 激活函數(shù) 常用Sigmoid函數(shù)，把在較大范圍內(nèi)變化的輸入值擠壓到(0, 1)輸出范圍內(nèi)...
-
吃瓜第四章 決策樹 2023-12-19決策樹 1 概述 決策樹的學(xué)習(xí)目的是產(chǎn)生一棵泛化能力強的決策樹，基本流程遵循“分而治之”的策略。 決策樹 最頂層是根節(jié)點，包含所有樣本 每個葉節(jié)點代表類或類分布（幾類的概率分...
-
吃瓜 3.5, 3.6 多分類&類別不平衡 2023-12-183.5 多分類問題 三種拆分策略 一對一 OvO 一對其余 OvR 多對多 MvMOvO與OvROvO:把共N個類別兩兩配對，產(chǎn)生N(N - 1) / 2個二分類器。在測試時...
-
吃瓜3.4 LDA 2023/12/18線性判別分析 Linear Discriminant Analysis 1 PCA（主成分分析）與LDA PCA與LDA都是一種降維的方法。PCA僅關(guān)注方差最大的方向，LDA...
-
基于膚色保護的自然飽和度增強算法飽和度增強指的是通過調(diào)整圖片和視頻畫面的飽和度特性，使得畫面色彩得以還原真實色彩更加逼真或相比原畫面更加豐富，從而提升人的視覺主觀感受。對視頻圖像等后處理具有重要的意義。 1...
-
吃瓜3.3 對數(shù)幾率回歸 2023-12-16對數(shù)幾率回歸 回歸的結(jié)果是連續(xù)的，但是我們需要做分類任務(wù)，所以在線性模型的基礎(chǔ)上套一個映射函數(shù)，把結(jié)果映射到01之間來實現(xiàn)分類。 算法 y是離散型隨機變量，值取0或者1，取1...
-
吃瓜3.1, 3.2 線性回歸（一） 2023-12-13極大似然估計 有一批樣本，估計它符合的分布的參數(shù)。 先寫出此分布的概率密度函數(shù)。 把所有樣本的概率做連乘，算聯(lián)合概率。 求出使得式子取到最大值的參數(shù)。 ps：對聯(lián)合概率進行l(wèi)...
-
吃瓜第二章 2023-12-11
第二章 模型評估與選擇 2.1 經(jīng)驗誤差與過擬合 概念： 錯誤率（分類） 精度：（分類） 誤差：輸出和真實值的差異 經(jīng)驗誤差：訓(xùn)練誤差 泛化誤差：新樣本上的誤差 過擬合ove...
-
吃瓜第一章 2023-12-11學(xué)習(xí)目標 看懂每一步推導(dǎo) 會調(diào)scikit-learn庫實現(xiàn)代碼 第一章 緒論 1 基本術(shù)語 模型：一個函數(shù) 樣本空間 ：表示 標記：標記取值為離散型，是分類任務(wù)classi...