2024年9月2日
摘要: 分类任务 import numpy as np import evaluate metric = evaluate.load("accuracy") def compute_metrics(eval_pred): logits, labels = eval_pred predictions = np 阅读全文
posted @ 2024-09-02 04:41 黑逍逍 阅读(28) 评论(0) 推荐(0) 编辑
  2024年8月31日
摘要: p from peft import PromptEncoderConfig, get_peft_model peft_config = PromptEncoderConfig(task_type="CAUSAL_LM", num_virtual_tokens=20, encoder_hidden_ 阅读全文
posted @ 2024-08-31 22:25 黑逍逍 阅读(42) 评论(0) 推荐(0) 编辑
  2024年8月29日
摘要: 它主要用于创建和管理容器,但它也支持在管理容器时构建镜像 version: '3'设置 version: '3' 表示使用 Docker Compose 文件格式的第 3 版标准services: 配置服务 1 基础配置 2 运行配置 3 网络端口配置 4 存储卷配置 5 环境配置 6 启动顺序配置 阅读全文
posted @ 2024-08-29 18:42 黑逍逍 阅读(21) 评论(0) 推荐(0) 编辑
摘要: 用来构建镜像的, 指令: FROM 指定基础镜像,用于后续的指令构建。 MAINTAINER 指定Dockerfile的作者/维护者。(已弃用,推荐使用LABEL指令) LABEL 添加镜像的元数据,使用键值对的形式。 RUN 在构建过程中在镜像中执行命令。下载库 CMD 指定容器创建时的默认命令。 阅读全文
posted @ 2024-08-29 14:47 黑逍逍 阅读(7) 评论(0) 推荐(0) 编辑
  2024年8月24日
摘要: RAG,全称为“Retrieval-Augmented Generation”,是一种结合信息检索和生成式模型的方法。它主要用于提高生成式模型(如GPT、BERT等)的准确性和实用性,特别是在需要从大规模知识库或文档中提取相关信息的任务中。 RAG的工作原理: 信息检索(Retrieval):首先, 阅读全文
posted @ 2024-08-24 12:00 黑逍逍 阅读(68) 评论(0) 推荐(0) 编辑
  2024年8月13日
摘要: 创建文件夹 初始化 go mod init 文件夹名字 阅读全文
posted @ 2024-08-13 22:12 黑逍逍 阅读(4) 评论(0) 推荐(0) 编辑
  2024年6月20日
摘要: 官网: AutoPeftModel类通过从配置文件中自动推断任务类型来加载适当的PEFT模型。它们被设计成在一行代码中快速、轻松地加载PEFT模型,而不必担心您需要哪个确切的模型类,或者手动加载PeftConfig.v AutoModel、Transformers提供了一种简单统一的方法来加载预训练 阅读全文
posted @ 2024-06-20 20:34 黑逍逍 阅读(119) 评论(0) 推荐(0) 编辑
  2024年6月17日
摘要: PEFT(Parameter-Efficient Fine-Tuning参数高效微调) huggingface:PEFT (huggingface.co) github:GitHub - huggingface/peft: 🤗 PEFT: State-of-the-art Parameter-Ef 阅读全文
posted @ 2024-06-17 18:02 黑逍逍 阅读(234) 评论(0) 推荐(0) 编辑
  2024年6月14日
摘要: 怎么下载的都有,还是看官网,以官网为准 阅读全文
posted @ 2024-06-14 15:31 黑逍逍 阅读(2) 评论(0) 推荐(0) 编辑
  2024年6月13日
摘要: func Login(r *gin.Engine) { r.POST("/bindpost", func(c *gin.Context) {c可以获取请求信息、处理数据,并通过各种方法将处理结果返回给前端 在 Gin 框架中,c 是 *gin.Context 类型的一个变量。*gin.Context 阅读全文
posted @ 2024-06-13 14:30 黑逍逍 阅读(22) 评论(0) 推荐(0) 编辑



点击右上角即可分享
微信分享提示