【LLM】3:从零开始训练大语言模型(预训练、微调、RLHF)

一、 大语言模型的训练过程

在这里插入图片描述

  1. 预训练阶段:PT(Pre training)。使用公开数据经过预训练得到预训练模型,预训练模型具备语言的初步理解;训练周期比较长;
  2. 微调阶段1:SFT(指令微调/有监督微调)。如果想要预训练模型在某个垂直领域(金融、法律、电商等)有更好的知识储备,就需要使用人工标注的QA问答对进行有监督的微调训练,从而得到精调模型;训练周期较短;
  3. 微调阶段2:对齐/强化训练。精调模型的输出并不是全部都令人满意的,我们还需要让模型知道回复的接受度。可以在运行日志中收集对齐数据,包含【问题,接受的回复,不接受的回复】,再进行对齐训练,得到最后可使用的模型;

二、 预训练

2.1、 预训练数据

目的:构建一个多样化、高质量的预训练语料库,为模型提供语言知识

  • 数据来源:从公开的数据集(如Common Crawl、Wikipedia、BooksCorpus)中获取文本数据。确保数据包含多种类型(如对话、新闻、小说、百科等),以提高模型的适用性;
  • 数据清洗:去除HTML标签、无意义字符、重复句子等。清洗过程中要特别注意去掉垃圾数据,以保证语料库的质量;
  • 分词与标志化:将数据按单词或子词进行分割。大部分大语言模型使用子词级别的标记化算法(如BPE、WordPiece、SentencePiece),因为它可以提高词汇表覆盖度并减少OOV(Out of Vocabulary)词的出现;
  • 词汇表生成:根据分词后的语料生成词汇表。词汇表大小根据模型大小调整,通常在3万到5万之间;
  • 数据格式:将标记化的数据保存成方便训练的格式(如TFRecord、HDF5),同时包含输入和输出标记以供训练时使用;

2.2、 模型架构选择

目标:定义大语言模型的结构,包括层数、隐藏单元大小、注意力头数等。

选择模型类型:根据任务选择模型架构,例如:

  • GPT类(自回归):适合顺序生成任务:聊天;
  • BERT类(自编码):适合文本理解任务:实体命名;
  • T5、BART等(编码-解码):兼顾生成和理解任务。

超参设计

  • 层数:通常在6层到24层,甚至更多;
  • 隐藏层维度:常见的选择是512、1024、2048等;
  • 注意力头数:可以选4、8、16头等,头数越多注意力计算越细致;
  • 词嵌入层和位置嵌入层:在每个输入标记中嵌入位置编码,用于帮助模型理解序列顺序。

初始化策略:采用适合深度网络的参数初始化方法(如Xavier、He初始化)以避免梯度消失或爆炸。

2.3、训练前准备

目标:配置训练硬件和分布式计算环境,优化数据加载和模型更新效率。

  • 硬件配置:大模型训练需要大量计算资源,建议使用多GPU集群或TPU集群;确保显存足够容纳模型参数和批量数据。
  • 分布式训练:采用数据并行或模型并行策略(如Megatron-LM、DeepSpeed)以提升训练速度。要确保数据加载的高效性和设备间的通信速度。
  • 优化器选择:一般选择Adam或AdamW优化器,针对大模型训练的优化方法(如LAMB、LARS)也可以提高效率。
  • 学习率调度:选择合适的学习率调度策略,如Warmup、Cosine Decay、Polynomial Decay等;在训练初期采用小学习率,以稳定模型更新。

2.4、 正式训练

目标:根据语言建模任务定义训练目标,使用反向传播优化模型参数。

  • 损失函数:大多数大语言模型的预训练目标是自回归语言建模填充式语言建模,两者都依赖于交叉熵损失函数 (Cross-Entropy Loss) 来优化模型参数,计算模型预测的概率分布和目标分布之间的误差。
  • 梯度累积:对于大模型,可以使用梯度累积来模拟更大的批次,从而节省显存开销。
  • 混合精度训练:采用FP16(半精度浮点数)进行训练,降低内存占用并加速计算。
  • 监控与日志记录:记录训练损失、精度、学习率、梯度大小等;可以借助TensorBoard或WandB监控训练进展。
  • 定期保存检查点:定期保存模型检查点,确保即使训练中断也可以从最新进度恢复。

2.5、 评估与验证

目标:评估模型在验证集上的表现,确保模型未出现过拟合或欠拟合。

  • 验证集构建:从原始语料中划分出一部分作为验证集,保持数据分布与训练集一致。
  • 评估指标:使用困惑度(Perplexity,PPL)等指标,评估模型生成内容的连贯性和准确性。
  • 调优超参数:根据验证集上的表现,调节学习率、批次大小、正则化等超参数。

2.6、 后处理与保存

目标:对训练好的模型进行优化和保存,方便后续使用和部署。

  • 模型剪枝与量化:通过模型剪枝(去除冗余参数)和量化(如8位或混合精度量化)来减少模型大小、提升推理效率。
  • 保存模型:将训练好的模型权重、词汇表等保存成可加载格式(如PyTorch的.pt或TensorFlow的SavedModel格式)。
  • 模型测试:在实际下游任务上测试模型生成和理解能力,确保模型可以在推理时高效工作

2.7、 模型部署

目标:将训练好的模型集成到应用中,提供生成或理解任务的服务。

  • 推理优化:通过ONNX、TensorRT等工具优化推理速度,降低延迟。
  • 部署平台:可以选择部署在云平台(如AWS、GCP)、本地服务器或边缘设备,根据应用场景选择合适的架构。

三、 指令微调

3.1、微调数据

微调模型时使用的数据类型应与目标应用场景紧密相关,数据的具体类型取决于任务要求。以下是几种常见的微调数据类型及示例:

  1. 问答数据:适用于客服问答系统、知识库系统;
{"question": "如何重置我的密码?","answer": "请前往设置页面,选择“安全设置”,然后点击“重置密码”按钮,按提示操作即可。"
},
{"question": "你们的退款政策是什么?","answer": "在购买后的30天内,符合条件的订单可申请全额退款。"
}
  1. 对话数据:适用于聊天机器人、客户服务、智能助理
[{"role": "user", "content": "你们的营业时间是几点?"},{"role": "assistant", "content": "我们每天早上9点到晚上9点营业,周末时间相同。"}
],
[{"role": "user", "content": "今天有什么优惠活动?"},{"role": "assistant", "content": "本周有会员双倍积分活动,消费满100元还可享9折优惠。"}
]
  1. 分类数据:情感分析、意图识别、文本分类任务
{"text": "这个产品的质量真差,下次不会再买了!","label": "负面"
},
{"text": "客服服务很好,很满意!","label": "正面"
}
  1. 生成任务数据:适用于内容生成、摘要生成、翻译等任务
{"prompt": "请写一封申请信用卡的邮件","completion": "尊敬的银行工作人员:\n您好!我想申请一张信用卡,希望能获得适合我的信用额度。感谢您的帮助!"
},
{"prompt": "产品描述:请简要描述这款运动手表的功能","completion": "这款运动手表具有心率监测、GPS定位、步数计算和防水功能,是运动爱好者的理想选择。"
}
  1. 指令式数据:适用于对话式AI助理、智能客服、内容推荐
{"instruction": "给出3个关于如何提高生产力的建议。","output": ["每天制定一个合理的工作计划。","避免长时间分心,集中精力处理手头任务。","使用任务管理工具追踪进度。"]
},
{"instruction": "解释一下什么是机器学习。","output": "机器学习是一种让计算机通过数据自动学习和改进的方法,不需要人为编程。"
}
  1. 知识图谱或事实数据:适用于事实问答系统、知识性内容生成
{"entity": "爱因斯坦","facts": [{"fact": "出生日期", "value": "1879年3月14日"},{"fact": "国籍", "value": "德国"},{"fact": "主要成就", "value": "相对论"}]
},
{"entity": "太阳系","facts": [{"fact": "行星数量", "value": "8"},{"fact": "最大行星", "value": "木星"},{"fact": "距银河系中心的距离", "value": "约2.7万光年"}]
}

3.2、任务类型、损失函数、评估指标

任务类型:

  1. 生成任务:如对话生成、文章续写等,模型的目标是生成连贯的文本。
  2. 分类任务:如情感分析、意图识别等,模型需要在每个输入上输出特定类别。
  3. 问答任务:针对用户提出的问题,生成相关回答。

损失函数选择:

  • 交叉熵损失:分类任务通常使用交叉熵损失,评估模型生成的词分布与目标词的匹配度。
  • KL散度:通常用于生成模型,评估两个概率分布的相似性;
  • 定制损失:如果有特定需求,也可以根据任务要求设计损失函数,增加正则化或加权方式等。

评估指标:

  • 困惑度 (Perplexity, PPL):适用于生成任务,评估生成文本的质量。
  • 准确率 (Accuracy):适用于分类任务,评估标签预测的准确度。
  • BLEU/ROUGE:适用于文本生成任务,评估生成文本与参考文本的相似度。
  • F1、召回率:适用于多分类或不平衡数据任务,问答任务或情感分析任务。

3.3、代码

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, Trainer, TrainingArguments
from datasets import load_dataset, Dataset# Step 1: 加载预训练模型和分词器
model_name = "your_pretrained_model"  # 预训练模型名称
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)# Step 2: 加载私域数据集(假设为JSON格式)
# 私域数据的格式为 [{"input": "input text", "target": "target text"}]
data_path = "path_to_your_data.json"  # 数据文件路径
raw_datasets = load_dataset("json", data_files=data_path)# Step 3: 数据预处理
def preprocess_function(examples):# 将输入和目标文本编码为模型可以理解的token形式inputs = tokenizer(examples['input'], padding="max_length", truncation=True, max_length=128)targets = tokenizer(examples['target'], padding="max_length", truncation=True, max_length=128)# 创建labels,将target部分作为训练目标inputs["labels"] = targets["input_ids"]return inputs# 使用map函数对数据集进行预处理
tokenized_datasets = raw_datasets.map(preprocess_function, batched=True)# Step 4: 配置训练参数
training_args = TrainingArguments(output_dir="./finetuned_model",  # 模型保存路径evaluation_strategy="epoch",learning_rate=5e-5,per_device_train_batch_size=8,per_device_eval_batch_size=8,num_train_epochs=3,weight_decay=0.01,logging_dir="./logs",logging_steps=10,save_strategy="epoch",save_total_limit=2,
)# Step 5: 初始化Trainer并微调模型
trainer = Trainer(model=model,args=training_args,train_dataset=tokenized_datasets['train'],eval_dataset=tokenized_datasets['test'] if 'test' in tokenized_datasets else None,
)# 开始训练
trainer.train()# Step 6: 保存微调后的模型
model.save_pretrained("./finetuned_model")
tokenizer.save_pretrained("./finetuned_model")print("模型微调完成并保存至 ./finetuned_model")

3.4、大模型微调建议

模型结构:

  • 模型结构+训练目标: Causal Decoder + LM、有很好的zero-shot和few-shot能力,涌现效应
  • layer normalization: 使用Pre RMS Norm
  • 激活函数: 使用GeLU或SwiGLU
  • embedding层后不添加layer normalization,否则会影响LLM的性能
  • 位置编码: 使用ROPE或ALiBi。ROPE应用更广泛
  • 去除偏置项:去除dense层和layer norm的偏置项,有助于提升稳定性

训练配置:

  • batch: 选用很大的batch size; 动态地增加batch size的策略,GPT3逐渐从32K增加到3.2M tokens。
  • 学习率调度:先warmup再衰减。学习率先线性增长,再余弦衰减到最大值的10%。最大值一般在5e-5到1e-4之间。
  • 梯度裁剪:通常将梯度裁剪为1.0。
  • 权重衰减: 采用AdamW优化器,权重衰减系数设置为0.1Adamw相当于Adam加了一个L2正则项
  • 混合精度训练:采用bfloat16,而不是foat16来训练。

训练崩溃挽救:

  • 选择一个好的断点,跳过训练崩溃的数据段,进行断点重训。选择一个好的断点的标准:损失标度lossscale>0;梯度的L2范数<一定值 && 波动小

四、 人类反馈强化学习RLHF

人类反馈强化学习(RLHF, Reinforcement Learning from Human Feedback)

  • 目的:是使用人类反馈强化模型对话的质量和合规性,使其回答更自然、准确且符合伦理,也叫奖励模型训练或强化学习过程。
  • 方法:构建奖励模型并使用它来调整生成模型的输出。通常涉及三个步骤:人类生成数据反馈、奖励模型训练、PPO算法(策略优化)训练。
  • 工具:需要一定的标注人员提供人类反馈,OpenAI等方法中使用PPO(Proximal Policy Optimization)算法。

4.1、 人类生成数据反馈

  1. 采样生成数据:模拟真实的对话场景,让预训练模型根据预设任务和指令生成多条不同的回复。
  2. 构建评分体系:建立标准的评分准则,常见的评价维度包括:准确性、相关性、自然性、简介性,让人类标注员从多个维度来评价模型输出的质量,可以用分数(如1-5分)或“优劣”排序来标注。
  3. 优选与排序:要求标注员对多个模型输出进行排序,以选择最符合用户期望的回复。可以采用成对比较的方式,即给定两条回复,让标注员选择较好的一个。

示例 1:问答任务

输入:
“火星与地球相比有何不同?”模型输出:
火星的重力比地球低、气温更低,且大气主要由二氧化碳组成。
火星是一个有红色表面的星球,但地球有生命和大量水。
火星比地球小,没有适合人类生存的大气。人类反馈:
准确性:输出 1 得分 5/5,输出 2 得分 3/5,输出 3 得分 4/5。
相关性:输出 1 得分 5/5,输出 2 得分 2/5(提及地球和水,但无关主题),输出 3 得分 4/5。
排序:1 > 3 > 2

示例 2:情感分析任务

输入:
“我觉得这次旅行很糟糕,遇到的每件事都令人失望。”模型输出:
情感:负面
情感:正面
情感:中性
人类反馈:准确性:输出 1 得分 5/5(准确反映了消极情绪),输出 2 得分 1/5(与情感明显不符),输出 3 得分 2/5(偏离原意)。
排序:1 > 3 > 2

示例 3:产品推荐任务

输入:
“我在寻找一款轻便耐用的旅行背包,有推荐吗?”模型输出:
建议选择30L的轻便背包,款式多样且适合短途旅行。
推荐X品牌的登山包,非常耐用且轻便。
旅行背包款式众多,推荐考虑容积和耐用性。
人类反馈:准确性:输出 2 得分 5/5(具体推荐了品牌),输出 1 得分 4/5(描述具体,但无品牌推荐),输出 3 得分 3/5(没有实际推荐)。
排序:2 > 1 > 3

4.2、奖励模型训练

数据准备:奖励模型的数据一般有三个部分:输入、输出、评分的格式,例如如下数据:

# 示例数据格式
training_data = [{"input": "火星与地球相比有何不同?","outputs": [{"response": "火星的重力比地球低...", "score": 5},{"response": "火星是一个有红色表面...", "score": 3},{"response": "火星比地球小,没有适合人类生存...", "score": 4}]},{"input": "我觉得这次旅行很糟糕,遇到的每件事都令人失望。","outputs": [{"response": "情感:负面", "score": 5},{"response": "情感:正面", "score": 1},{"response": "情感:中性", "score": 2}]},# 更多样例...
]

构建奖励模型:奖励模型通常基于预训练语言模型(如GPT、BERT),并在其基础上添加一个奖励预测层。这个层的输出是模型对给定输入-输出对的评分预测。

import torch
from transformers import AutoModelForSequenceClassification, AutoTokenizer# 使用预训练模型作为奖励模型基础
model_name = "bert-base-uncased"  # 可根据需求选择模型
model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=1)  # 设置单一输出(奖励分数)
tokenizer = AutoTokenizer.from_pretrained(model_name)

准备训练数据,生成奖励分数,将输入和模型输出对进行标记转换,以训练奖励模型预测分数。

def preprocess_data(training_data):inputs, scores = [], []for item in training_data:input_text = item["input"]for output in item["outputs"]:response = output["response"]score = output["score"]# 将输入和输出连接,作为奖励模型的输入combined_input = f"输入: {input_text} 输出: {response}"inputs.append(combined_input)scores.append(score)return inputs, scores# 生成输入文本和奖励分数
inputs, scores = preprocess_data(training_data)
# 进行tokenization
tokenized_inputs = tokenizer(inputs, padding=True, truncation=True, return_tensors="pt")
labels = torch.tensor(scores).float()  # 奖励分数标签

训练奖励模型:通过监督学习训练奖励模型,使其预测的奖励分数与人类评分接近。损失函数可以采用均方误差(MSE),因为我们希望奖励模型的输出值与人类评分之间的误差最小

from torch.utils.data import DataLoader, TensorDataset
from transformers import AdamW# 创建DataLoader
dataset = TensorDataset(tokenized_inputs["input_ids"], tokenized_inputs["attention_mask"], labels)
dataloader = DataLoader(dataset, batch_size=8, shuffle=True)# 设置优化器
optimizer = AdamW(model.parameters(), lr=5e-5)# 训练循环
model.train()
epochs = 3
for epoch in range(epochs):total_loss = 0for batch in dataloader:input_ids, attention_mask, label = batchoutputs = model(input_ids=input_ids, attention_mask=attention_mask, labels=label)loss = outputs.losstotal_loss += loss.item()# 反向传播和参数更新loss.backward()optimizer.step()optimizer.zero_grad()print(f"Epoch {epoch + 1} - Loss: {total_loss / len(dataloader)}")

奖励模型训练完成后,将其应用到生成模型的强化学习环节。例如,通过强化学习算法(如PPO)更新生成模型,使其生成的输出逐渐朝着奖励模型给高分的方向优化。具体来说,生成模型每次生成输出后,奖励模型会评估输出质量,生成模型根据奖励反馈调整生成策略,从而生成更加符合人类偏好的内容

4.3、 PPO算法(策略优化)训练

代码步骤概述:

  1. 设置生成模型和奖励模型:加载生成模型(如GPT)和奖励模型(可以是微调过的BERT)。
  2. 实现PPO训练:为生成模型的输出提供奖励反馈。
  3. 更新生成模型:根据奖励值和策略更新生成模型。

设置生成模型和奖励模型

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, AutoModelForSequenceClassification# 加载生成模型(例如,GPT-2)
gen_model_name = "gpt2"
gen_model = AutoModelForCausalLM.from_pretrained(gen_model_name)
gen_tokenizer = AutoTokenizer.from_pretrained(gen_model_name)# 加载已经训练好的奖励模型(例如,BERT)
reward_model_name = "bert-base-uncased"  # 根据实际选择
reward_model = AutoModelForSequenceClassification.from_pretrained(reward_model_name)
reward_tokenizer = AutoTokenizer.from_pretrained(reward_model_name)

定义奖励函数
奖励函数用于评估生成模型的输出质量。将输入文本和生成的响应传递给奖励模型,得到分数并作为奖励信号返回。

def compute_reward(input_text, generated_text):# 将输入和输出拼接成奖励模型的输入格式combined_input = f"输入: {input_text} 输出: {generated_text}"# 对拼接输入进行tokenizationinputs = reward_tokenizer(combined_input, return_tensors="pt", truncation=True, padding=True)# 通过奖励模型计算分数(输出的logits用于评分)with torch.no_grad():reward_score = reward_model(**inputs).logits.squeeze().item()return reward_score

训练循环 - PPO 更新
通过策略梯度方法逐步更新生成模型的参数,PPO的关键点:

  • 奖励计算:利用奖励模型给生成的文本打分,分数越高代表生成效果越好。
  • 优势计算:在PPO中,我们用奖励减去当前策略的log_probs均值,来估计策略的相对优势。
  • 策略更新:PPO主要通过限制更新步长来避免策略的剧烈变化,通常通过优势函数和log概率的乘积来调整生成模型的策略。
from transformers import AdamW
import numpy as np# 超参数设置
ppo_epochs = 5
batch_size = 8
learning_rate = 5e-5# 优化器
optimizer = AdamW(gen_model.parameters(), lr=learning_rate)# PPO训练过程
gen_model.train()
for epoch in range(ppo_epochs):for batch in range(batch_size):# Step 1: 采样输入input_text = "火星与地球相比有何不同?"  # 示例输入,可以改成实际数据的batchinput_ids = gen_tokenizer(input_text, return_tensors="pt").input_ids# Step 2: 生成输出generated_outputs = gen_model.generate(input_ids, max_length=50)generated_text = gen_tokenizer.decode(generated_outputs[0], skip_special_tokens=True)# Step 3: 计算奖励reward = compute_reward(input_text, generated_text)# Step 4: 计算PPO损失outputs = gen_model(input_ids=input_ids, labels=generated_outputs)logits = outputs.logitslog_probs = torch.nn.functional.log_softmax(logits, dim=-1)# 计算优势函数(假设reward即优势)# 可以加入熵正则化项来鼓励探索advantages = reward - log_probs.mean().item()# 计算损失ppo_loss = -advantages * log_probs.mean()ppo_loss.backward()# 参数更新optimizer.step()optimizer.zero_grad()print(f"Epoch {epoch + 1}/{ppo_epochs} - PPO Loss: {ppo_loss.item()}")

这份代码是一个基本的实现,可以进一步在以下方面进行改进:

  • 批量化处理:为提高效率,使用批量数据进行生成和奖励计算。
  • 熵正则化:加入熵项,以鼓励探索、提升生成模型的多样性。
  • 优势函数:采用更加复杂的优势计算方法,如引入值函数基线,进一步提高PPO训练的稳定性。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/469321.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

YOLO即插即用---PConv

Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks 论文地址&#xff1a; 1. 论文解决的问题 2. 解决问题的方法 3. PConv 的适用范围 4. PConv 在目标检测中的应用 5. 评估方法 6. 潜在挑战 7. 未来研究方向 8.即插即用代码 论文地址&#xff1a; …

Fortran安装(vscode+gcc+Python)

编写时间&#xff1a; 2024年11月7日 环境配置&#xff1a; gcc VScode Python 条件&#xff1a; Windows 10 x64 VMware虚拟机 前言 这是我出的第2个关于Fortran安装的教程&#xff0c;由于上一个方法&#xff08;你可以在本专栏里找到&#xff09;对储存空间的要求比较…

ModuleNotFoundError: No module named ‘_ssl‘ centos7中的Python报错

报错 ModuleNotFoundError: No module named ‘_ssl’ 解决步骤&#xff1a; 1.下载openssl wget https://www.openssl.org/source/openssl-3.0.7.tar.gz tar -zxvf openssl-3.0.7.tar.gz cd openssl-3.0.72.编译安装 ./config --prefix/usr/local/openssl make make install3…

TensorFlow|猫狗识别

&#x1f368; 本文为&#x1f517;365天深度学习训练营中的学习记录博客&#x1f356; 原作者&#xff1a;K同学啊 要求&#xff1a; 了解model.train_on_batch()并运用了解tqdm&#xff0c;并使用tqdm实现可视化进度条 &#x1f37b; 拔高&#xff08;可选&#xff09;&…

Python学习从0到1 day27 Python 高阶技巧 ③ 设计模式 — 单例模式

此去经年&#xff0c;再难同游 —— 24.11.11 一、什么是设计模式 设计模式是一种编程套路&#xff0c;可以极大的方便程序的开发最常见、最经典的设计模式&#xff0c;就是我们所学习的面向对象了。 除了面向对象外,在编程中也有很多既定的套路可以方便开发,我们称之为设计模…

【算法速刷(9/100)】LeetCode —— 42.接雨水

目录 自我解法 官方解法 解法一&#xff1a;动态规划、前后缀 解法二&#xff1a;单调栈 自我解法 这道题刚拿到的时候&#xff0c;第一时间的想法是将其想象成MC一样的方块世界&#xff0c;如何去生成水一样的去解决。后来发现有点复杂化了&#xff0c;因为题目只需要累计…

Spring学习笔记(四)

二十一、Spring事务详解 &#xff08;一&#xff09;、Spring基于XML的事务配置 1.环境搭建 1.1 构建maven工程&#xff0c;添加相关技术依赖 <dependencies><dependency><groupId>org.springframework</groupId><artifactId>spring-context…

区块链技术在知识产权保护中的应用

&#x1f493; 博客主页&#xff1a;瑕疵的CSDN主页 &#x1f4dd; Gitee主页&#xff1a;瑕疵的gitee主页 ⏩ 文章专栏&#xff1a;《热点资讯》 区块链技术在知识产权保护中的应用 区块链技术在知识产权保护中的应用 区块链技术在知识产权保护中的应用 引言 区块链技术概述 …

NLP论文速读(NeurIPS2024)|使用视觉增强的提示来增强视觉推理

论文速读|Enhancing LLM Reasoning via Vision-Augmented Prompting 论文信息&#xff1a; 简介: 这篇论文试图解决的问题是大型语言模型&#xff08;LLMs&#xff09;在处理包含视觉和空间线索的推理问题时的局限性。尽管基于LLMs的推理框架&#xff08;如Chain-of-Thought及其…

Qt_day7_文件IO

目录 文件IO 1. QFileDialog 文件对话框&#xff08;熟悉&#xff09; 2. QFileInfo 文件信息类&#xff08;熟悉&#xff09; 3. QFile 文件读写类&#xff08;掌握&#xff09; 4. UI操作与耗时操作&#xff08;掌握&#xff09; 5. 多线程&#xff08;掌握&#xff09;…

如何管理好自己的LabVIEW项目

在LabVIEW项目开发中&#xff0c;项目管理对于提高开发效率、确保项目质量、减少错误和维护成本至关重要。以下从项目规划、代码管理、测试与调试、版本控制、团队协作等方面&#xff0c;分享LabVIEW项目管理的体会。 ​ 1. 项目规划与需求分析 关键步骤&#xff1a; 需求分析…

三周精通FastAPI:40 部署应用程序或任何类型的 Web API 概念

官方文档&#xff1a;部署概念 - FastAPI 部署概念 在部署 FastAPI 应用程序或任何类型的 Web API 时&#xff0c;有几个概念值得了解&#xff0c;通过掌握这些概念您可以找到最合适的方法来部署您的应用程序。 一些重要的概念是&#xff1a; 安全性 - HTTPS启动时运行重新…

【算法一周目】双指针(1)

目录 1.双指针介绍 2.移动零 解题思路 C代码实现 3.复写零 解题思路 C代码实现 4.快乐数 解题思路 C代码实现 5.盛水最多的容器 解题思路 C代码实现 1.双指针介绍 常见的双指针有两种形式&#xff0c;一种是对撞指针&#xff0c;一种是快慢指针。 对撞指针&#x…

ARXML汽车可扩展标记性语言规范讲解

ARXML: Automotive Extensible Markup Language &#xff08;汽车可扩展标记语言&#xff09; xmlns: Xml name space &#xff08;xml 命名空间&#xff09; xsd: Xml Schema Definition (xml 架构定义) 1、XML与HTML的区别&#xff0c;可扩展。 可扩展&#xff0c;主要是…

自监督学习:机器学习的未来新方向

引言 自监督学习&#xff08;Self-Supervised Learning, SSL&#xff09;是近年来机器学习领域的一个重要发展方向&#xff0c;迅速成为许多研究和应用的热点。与传统的监督学习不同&#xff0c;自监督学习利用未标注数据&#xff0c;通过设计自我生成标签的任务&#xff0c;帮…

FFMPEG录屏(22)--- Linux 下基于X11枚举所有显示屏,并获取大小和截图等信息

众人拾柴火焰高&#xff0c;github给个star行不行&#xff1f; open-traa/traa traa is a versatile project aimed at recording anything, anywhere. The primary focus is to provide robust solutions for various recording scenarios, making it a highly adaptable tool…

多媒体信息检索

文章目录 一、绪论二、文本检索 (Text Retrieval)(一) 索引1.倒排索引2.TF-IDF (二) 信息检索模型 (IR模型&#xff0c;Information Retrieval)1.布尔模型 (Boolean模型)(1)扩展的布尔模型 (两个词)(2)P-Norm模型 (多个词) 2.向量空间模型 (Vector Space Model&#xff0c;VSM)…

MySql-8.0.40安装详细教程

文章目录 原创下载安装包安装配置初始化MySQL数据库安装mysql服务并启动启动MySQL服务连接MySQL配置环境变量 原创 MySql-8.0.26安装详细教程&#xff08;保姆级&#xff09; 下载安装包 MySQL Community Downloads 直接到选择MySQL Community Server版本页面 MySQL Commun…

openai Realtime API (实时语音)

https://openai.com/index/introducing-the-realtime-api/ 官方demo https://github.com/openai/openai-realtime-console 官方demo使用到的插件 https://github.com/openai/openai-realtime-api-beta?tabreadme-ov-file 装包配置 修改yarn.lock 这个包是从github下载的 &q…

杨辉三角-一维数组与二维数组解法

这种问题是很有规律的 这里 总结一下 这类问题输出&#xff1a;对称 且数据相同的很多 就比如首位都是1 如果计算中间值遇到困难 可以试着把边界值单独输出 一维数组 // // Created by 徐昌真 on 2024/11/11. // #include <stdio.h> //一维数组 int main() {int n; /…