Self-Attention
Self-Attention核心公式$$\text{Attention}(Q, K, V) =...
DL基础
激活函数$g’(z)=g(z)(1-g(z))$ tanh：$g(z)=tanh(z)=a=\frac{e^z-e^{-z}}{e^z+e^{-z}}$,$g’(z)=(1-g^2(z))$ ReLU:$g(z)=a=max(0,z)$ leaky ReLU:$a=max(0.01z,z)$ 损失函数常见的损失函数有均方误差和交叉熵误差 均方误差(MSE)公式：$E = \frac{1}{2} \sum_{k}(y_k - t_k)^2$，其中$y_k$表示神经网络的输出，$t_k$表示监督数据，k表示数据的维数。 python实现： 12def mean_squared_error(y, t): return 0.5 * np.sum((y-t)**2) 交叉熵误差公式：$E = -\sum_{k} t_k \log y_k$ python实现： 123def cross_entropy_error(y, t): delta = 1e-7 return...
LLaMAFactory各参数详解
1. 模型与数据配置 参数/选项 详细说明 模型名称或路径 - 作用：指定要微调的基座模型。可以是 Hugging Face 上的模型标识符（如 meta-llama/Llama-2-7b-chat-hf），也可以是本地模型文件夹的路径。 - 注意：需要确保 LLaMA Factory 支持该模型架构，并且你有权限访问该模型。 适配器名称或路径 - 作用：如果之前进行过 LoRA 微调，可以在这里加载已有的 LoRA 适配器权重，用于继续训练或进行推理。 微调方法 - 作用：选择核心的微调策略。 - Full：全参数微调。消耗资源巨大，通常只在资源充足且需要最大程度改变模型时使用。 - Freeze：冻结微调。只训练模型的部分层（如最后几层），其余层参数冻结。是一种轻量级方法。 - LoRA：最常用。在原始模型旁增加低秩适配器，只训练这些小的适配器参数，极大减少显存和计算需求。 - QLoRA：LoRA 的量化版本。将基座模型以 4-bit...
Jupyter的缩写启动方式
实现方法找到Python Scripts文件夹（jupyter.exe 一般在这里） 1C:\Program Files\Python310\Scripts 或者 1C:\Users\你的用户名\AppData\Local\Programs\Python\Python310\Scripts 需要确保的是，这个文件夹在系统环境变量PATH里 在该目录下创建缩写.bat(下以jnb.bat为例)，内容是 12@echo offjupyter notebook %* 随后启动jupyter notebook时直接输入jnb即可。 原理原理也很简单，执行bat里的命令时，默认会把要执行的命令显示到终端上，echo off 是取消命令的回显，@的作用是将echo off这行命令的回显也取消掉，%*是用来接受参数(jnb test.ipynb=jupyter notebook test.ipynb)，所以运行时会执行”jupyter notebook %*”的命令，等同于在终端上输入了jupyter notebook。 破案了，直接配vscode+jupyter更简单
Jupyter7下的翻译问题的解决
Problemjnb更新到7版本后，不少nbextension也随之失效，其中当然包括nbtranslate， 尽管jnb7是基于jlab的，有着jlab的扩展支持，但其中也没有翻译方面的扩展。 但不得不面对的是，不少ipynb是英文版本的，有些时候必然会造成困扰 Solution提升英语水平，写一个python脚本，亦或者降级到jnb6() 大模型时代当然要使用大模型，可以直接将文件喂给大模型，但是不氪金会受到点限制寻找solution时，逛到jnb的侧栏ai agent，感觉很是方便，而且模型能自己选择，缺点是不氪金一个月只能对话50次（可以换着号来用），但是只用来翻译够用了 下面呈现方法 1pip install runcell 在查看(View)-右侧边栏(Right Sidebar)-show打开，用github/google登录即可 破案了，直接vscode+jupyter+copilot完事