llm学习

原创 已于 2024-09-22 14:30:32 修改 · 292 阅读 · 3 ·
CC 4.0 BY-SA版权
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。
文章标签：

#人工智能 #nlp #自然语言处理

于 2024-09-20 16:25:34 首次发布

文章目录

前言

这是一篇学习第三期书生大模型实战营的记录。

TASK一、使用 OpenCompass 评测 internlm2-chat-1.8b 模型在 ceval 数据集上的性能，记录复现过程并截图。

在这里插入图片描述
在这里插入图片描述
再a100上做的OpenCompass评测，花了大概4个小时，从图中看出internlm2-chat-1.8b模型在ceval-middle_school_biology，ceval-middle_school_chemistry等中学题目上表现良好，在ceval-computer_architecture 计算机架构方面表现欠佳。

失千
关注
LLM 学习之「向量数据库」
2401_85324918的博客
06-14 1438
人工智能和机器学习领域的不断发展凸显了向量数据库在当今以数据为中心的世界中的不可或缺性。这些数据库具有存储、搜索和分析多维数据向量的独特能力，在推动人工智能驱动的应用程序方面发挥了重要作用。随着人工智能的不断发展，向量数据库在塑造数据检索、处理和分析的未来方面的作用无疑会越来越大，有望在各个领域提供更复杂、更高效、更个性化的解决方案。那么，我们该如何学习大模型？作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。
探索LLM世界：新手小白的学习路线图
m0_62110645的博客
07-24 2173
通过系统的学习和实践，新手小白也能逐步掌握LLM的核心技术。掌握LLM不仅能提升个人技术水平，还能为职业发展带来广阔的前景。未来，随着技术的不断进步，LLM将在更多领域发挥重要作用，成为推动科技进步的重要力量。学习LLM是一条充满挑战但也充满机遇的道路。只要你坚持不懈、不断学习和实践，就一定能够在LLM领域取得突破。希望本文提供的学习路线图能为你指明方向，助你早日掌握LLM，开启AI学习的新篇章！
从零基础到精通：LLM学习路线图
2401_85327249的博客
05-28 2186
第一部分：了解LLM的基本概念 1.1 什么是LLM？LLM（Large Language Models）是指具有大量参数和强大拟合能力的深度学习模型，它们通过大规模的数据训练，能够理解和生成自然语言。1.2 LLM的常见应用场景 LLM在文本生成、机器翻译、情感分析、智能客服等领域有着广泛的应用。了解这些应用场景，可以帮助您更好地理解LLM的学习目标和实际应用。第二部分：学习LLM所需的基础知识 2.1 Python编程基础 Python是自然语言处理领域中广泛使用的编程语言。
LLM学习笔记
weixin_45760926的博客
05-28 1198
​ LLM是自回归生成模型，每次只会生成一个 token，难道 SFT 时，对于一个 (L, D) 的数据，要调用 L 次LLM去计算loss？​ 像Q1中那样，我们生成的时候是一次性把整个序列的概率分布拿到。​ 在每个前向传播过程，模型一次性生成整个序列的概率分布，而不是逐个生成令牌。​ 首先，如果要是像问题中这种策略去训练，一来每次要调用。的输入，那么Attention后，我们还是会得到一个。一样，也就是在相对正确的环境下再去生成生成第。的策略，就在第i个位置，我们会得到一个。​ SFT时，构造的。
从小白到入门，写给程序员的LLM学习指南
2401_85373691的博客
08-07 1530
年初的时候，我第一次接触了ChatGPT，在被深深震撼之后，我意识到一个新的时代正在来临，作为程序员的我有了从未有过的危机感，在海量的信息里浸泡了几周后，作为程序员的我们需要大幅更新自己的技能栈，之后我便开始了更新技能栈的践行。经过过去几个月的学习，我逐渐度过了不知所措的阶段，慢慢地对以ChatGPT为代表的LLM有了一些感觉，这篇文章就把过去这段时间的学习整理成一个学习路线图，希望能对有志于入门AI的同学有点帮助。
2025年最新大模型学习路径，从入门到精通，学完即就业【LLM学习路线】
m0_65555479的博客
11-12 2017
在掌握机器学习之前，理解支撑这些算法的基本数学概念非常重要。：这是理解许多算法（特别是深度学习算法）的关键。主要概念包括向量、矩阵、行列式、特征值和特征向量、向量空间以及线性变换。：许多机器学习算法涉及到连续函数的优化，这需要理解导数、积分、极限和级数。多变量微积分以及梯度的概念也很重要。：这些知识对于理解模型如何从数据中学习并进行预测至关重要。主要概念包括概率理论、随机变量、概率分布、期望、方差、协方差、相关性、假设检验、置信区间、最大似然估计和贝叶斯推断。有的时候临时抱佛脚也是可以的。
llm基础概念学习
qq_45080326的博客
12-03 801
llm学习
大语言模型(LLM)入门学习路线图
热门推荐
weixin_36751401的博客
02-28 2万+
Github项目上有一个，它涵盖了大语言模型基础学习，LLM前沿算法和架构学习，以及如何将大语言模型进行工程化，是一个很好的帮助初学者入门大语言模型的路线图。
AI大语言模型LLM学习-基础知识篇
fengqiuhuang123的专栏
09-21 1486
随着人工智能技术的飞速发展，大型语言模型（Large Language Model，简称LLM）逐渐成为自然语言处理（NLP）领域的研究热点。各类公众号、帖子涌现出了各种概念，AI、大模型、LLM、AI、AIGC、AGI、GPT、ChatGPT等等。总觉得被这些概念搞得头晕。本文梳理了大型语言模型的相关概念基础，以期为读者提供一个全面而清晰的认识。
吴恩达LLM学习笔记，吴恩达LangChain学习笔记（转载，免费，仅供学习）
05-06
含课程 Prompt Engineering for Developers、Building Systems with the ChatGPT API、LangChain for LLM Application Development、Building Generative AI Applications with Gradio、Evaluating and Debugging ...
硬件开发_基于STM32单片机的护眼语音台灯系统
weixin_45732499的博客
08-25 353
本文介绍了一种智能护眼语音台灯系统的设计与实现。该系统具备语音控制、超声波测距和距离报警三大功能，采用STM32F103C8T6单片机作为主控，搭配HC-SR04超声波模块和LU-ASR01语音识别模块。电路设计包含最小系统、测距、语音识别、按键设置和蜂鸣器报警模块。程序设计通过UART串口通讯实现功能整合，支持自定义距离阈值，当检测距离过近时会触发蜂鸣器报警，提醒用户保持适当距离，实现智能护眼功能。系统具有操作便捷、响应灵敏的特点。
Agentic AI 知识框架整理
形上得其象，形下合于数；阴阳自济，玄理自明。
08-23 1091
其战略价值在于将人类从复杂的、多步骤的认知劳动中解放出来，极大提升知识工作的效率与创新上限，是迈向通用人工智能（AGI）的核心路径。它不再是“你问我答”的聊天机器人，而是能。Agentic AI 的发展正遵循典型的。Agentic AI 的终极目标是创建能。
【笔记】动手学Ollama 第七章 搭建本地RAG
ReedFoley的博客
08-22 991
正文详见：7.3 使用 LangChain 搭建本地 RAG 应用。
Science Robotics 通过人机交互强化学习进行精确而灵巧的机器人操作
weixin_44887311的博客
08-23 961
本文提出了一种基于强化学习（RL）的机器人操作系统HIL-SERL，通过集成预训练视觉模型、样本高效算法和人机交互修正机制，可在1-2.5小时内完成复杂操作任务的训练。该系统在叠叠乐抽块、物体翻转、设备组装等任务中表现优异，平均成功率提升101%，执行速度提高1.8倍，显著优于模仿学习和传统控制方法。研究表明RL可直接在现实环境中高效学习视觉操控策略，为工业应用提供了新思路。
Paddle3D-PETRv1 精度测试与推理实践指南
Hi20240217的博客
08-22 1495
本文介绍了在Paddle3D中使用PETRv1模型进行3D物体检测的完整流程。首先通过Docker配置标准测试环境，安装Paddle3D并下载预训练权重。然后准备NuScenes迷你数据集，生成所需的注解文件。接着对原始模型进行精度测试，获取mAP、NDS等关键指标。最后将训练好的模型导出为推理格式，便于后续部署。文章详细说明了每个步骤的操作命令和参数含义，特别对精度测试结果中的各项指标进行了专业解读，帮助读者理解模型性能评估标准。整个流程涵盖了从环境搭建到最终模型导出的全链路操作，为3D目标检测任务提供了
快速了解深度学习
wzdzgdf的博客
08-22 739
在人工智能的浪潮中，“深度学习” 无疑是最热门的词汇之一。从手机里的人脸识别到语音助手，从自动驾驶汽车到医疗影像诊断，深度学习技术正悄然改变着我们的生活。
【机器学习驱动的智能化电池管理技术与应用】
最新发布
weixin_51101456的博客
08-26 317
采用长短时记忆网络（LSTM）或卷积神经网络（CNN）实时估算电池的荷电状态（SOC）、健康状态（SOH）和功率状态（SOP）。例如，LSTM通过处理电压、电流和温度序列数据，SOC预测误差可控制在1%以内。输入特征包括循环次数、环境温度和放电深度，输出为剩余使用寿命（RUL）。边缘设备处理实时控制，云端执行重训练。智能手机通过动态电压调整算法（DVA）降低快充损耗，实验数据表明100次循环后容量衰减减少18%。某2MWh储能站采用随机森林算法优化充放电策略，日历寿命延长至8年，等效循环次数达6000次。
“Datawhale AI夏令营--coze空间
qq_26249811的博客
08-25 769
本文介绍了一个播客制作流程：首先将PDF文档转换为文本文件，从中提取计算机图形学专业视角下AIGC技术的核心内容（包括NeRF、3D高斯飞溅等算法原理，以及汽车设计、VR建模等应用案例）。经评估内容足够全面后，将其转化为口语化播客脚本，最终生成主题为"AI与图形学的创意革命"的播客产物，涵盖技术解析、应用场景及未来趋势等完整框架。
LLM学习路线
03-24
### LLM学习路径与资源 对于希望系统化学习LLM（大型语言模型）的人来说，可以从以下几个方面入手： #### 1. **基础知识积累** 掌握必要的理论基础是学习任何技术的第一步。这包括但不限于线性代数、概率论、统计学以及计算机科学的基础知识[^1]。 #### 2. **学习阶段划分** 整个学习过程可以分为多个阶段，逐步深入理解大模型的核心概念和技术实现。具体来说，这些阶段涵盖了从基本原理到实际应用的内容[^2]。 - 初级阶段：熟悉Python编程语言及其常用库如NumPy, Pandas等；了解深度学习框架TensorFlow或者PyTorch。 - 中级阶段：研究神经网络结构特别是Transformer架构的工作机制；探索预训练模型如何工作并尝试微调已有模型完成特定任务。 - 高级阶段：参与基于真实世界场景的大规模项目实践，在此过程中不断优化自己的解决方案能力，并最终能够独立设计新的算法来解决复杂问题。 #### 3. **实战案例分析** 通过观察其他人在不同领域内的成功经验可以帮助加速个人成长速度。例如利用星火大模型、文心一言这样的开源工具创建属于自己的应用程序实例。 #### 4. **多媒体辅助教学材料** 观看高质量的教学视频往往能带来直观的感受从而加深记忆效果。因此推荐寻找那些专注于讲解最新研究成果并且提供详尽代码演示的系列课程作为补充参考资料之一。 #### 5. **阅读专业书籍** 获取纸质版或电子版本关于人工智能、机器学习方面的经典著作也是不可或缺的一部分。它们通常包含了更为全面而深刻的见解供读者参考学习。 ```python import torch from transformers import GPT2Tokenizer, GPT2Model tokenizer = GPT2Tokenizer.from_pretrained('gpt2') model = GPT2Model.from_pretrained('gpt2') text = "Replace me by any text you'd like." encoded_input = tokenizer(text, return_tensors='pt') output = model(**encoded_input) print(output) ``` 上述代码展示了如何加载GPT-2模型并对给定文本进行编码处理的一个简单例子[^3]。 --- ###
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