摘要：
算法岗位和 NLP 岗位在工作内容上有以下一些差别： 算法岗位 通用算法研发与应用： 负责设计、开发和优化各种通用的机器学习、深度学习算法，如决策树、支持向量机、神经网络等，以解决各类预测、分类、聚类等问题。例如，在图像识别中，可能会使用卷积神经网络来识别图片中的物体类别；在推荐系统中，利用矩阵分解 阅读全文
posted @ 2025-06-18 19:31
m516606428
阅读(28)
评论(0)
推荐(0)
摘要：
用 i9-13900HX 搭配不同显卡训练大模型，差异主要看 显存容量、显卡算力，结合 CPU 共同影响训练效率，下面分两种对比场景详细说： 一、i9-13900HX + 4070（8G 显存） vs i9-13900HX + 5070Ti（假设常规 8G 显存，若实际是新出的 12G 显存，后面单 阅读全文
posted @ 2025-06-18 17:44
m516606428
阅读(678)
评论(0)
推荐(0)
摘要：
用 4070 显卡（8G 显存）训练大模型时，i9-13900HX 和 9 代 i5（比如 i5-9xxx 系列 ）的差异 非常大 ，主要体现在这几方面： 1. 核心性能：i9-13900HX 碾压 9 代 i5 i9-13900HX ： 核心数多：有 24 个核心（8 个性能核 + 16 个能效核 阅读全文
posted @ 2025-06-18 17:41
m516606428
阅读(147)
评论(0)
推荐(0)
摘要：
张图是关于 大语言模型（LLM）在 Int8 量化 下，不同参数规模模型所需显存、推荐 GPU 及参考模型的对应关系，帮你快速判断硬件能不能跑对应模型，大白话拆解如下： 核心信息：“模型参数规模 - 显存 - GPU - 参考模型” 对照表 每行对应一类模型，关键看 4 列： 模型（int8） ：模 阅读全文
posted @ 2025-06-18 17:38
m516606428
阅读(176)
评论(0)
推荐(0)
摘要：
笔记本的 RTX 4070 训练模型的大小，得看显存、模型精度（像 BF16、FP16 这些）、优化手段，还有模型结构，给你白话拆解下： 1. 看显存基础能力（以常见 8G 显存的笔记本 4070 为例 ） 纯推理（跑别人练好的模型，做预测等） ： 用量化、优化框架（比如 vLLM ）的话，8G 显 阅读全文
posted @ 2025-06-18 17:35
m516606428
阅读(410)
评论(0)
推荐(0)
摘要：
nn.Linear(1, 1) 是 PyTorch 中最基础的线性层，表示输入维度为 1、输出维度也为 1，对应数学公式 y = wx + b。如果想实现更复杂的函数（如包含 x²、e^x、log(x) 等非线性项），需要手动组合线性层和激活函数。 一、理解 nn.Linear 的局限性 nn.Li 阅读全文
posted @ 2025-06-18 01:45
m516606428
阅读(233)
评论(0)
推荐(0)
摘要：
是的，在最简单的线性模型 y = wx + b 中，参数确实只有两个：权重 w 和偏置 b。这是深度学习中最基础的参数概念示例。我们可以通过 PyTorch 代码来验证这一点： python 运行 import torch import torch.nn as nn # 定义一个最简单的线性模型 c 阅读全文
posted @ 2025-06-18 01:43
m516606428
阅读(30)
评论(0)
推荐(0)
摘要：
在深度学习大模型的语境中，“671b 的大模型参数” 与 “671B 向量” 是两个完全不同的概念，二者在定义、物理意义和体现方式上存在显著差异。以下是具体解析： 一、核心概念区分：参数≠向量 1. 大模型参数（Parameters）的本质 定义：参数是模型中可学习的权重（Weight）和偏置（Bi 阅读全文
posted @ 2025-06-18 01:42
m516606428
阅读(85)
评论(0)
推荐(0)
摘要：
import torchimport torch.nn as nnimport torch.optim as optimfrom torch.cuda.amp import autocast, GradScalerimport timeimport numpy as npimport os# 设置随 阅读全文
posted @ 2025-06-18 01:40
m516606428
阅读(13)
评论(0)
推荐(0)
摘要：
import torchimport torch.nn as nnimport torch.optim as optimfrom torch.cuda.amp import autocast, GradScalerimport timeimport numpy as npimport os# 设置随 阅读全文
posted @ 2025-06-18 01:38
m516606428
阅读(333)
评论(0)
推荐(0)
摘要：
自注意力机制、Transformer 和 "Attention is All You Need" 大白话讲解 一、什么是注意力机制？—— 先理解人类的 “关注点” 比如你看一句话：“我今天去超市买了苹果和香蕉”。当你理解这句话时，大脑不会逐字扫描，而是会 “关注” 关键信息： 看到 “买了” 时，会 阅读全文
posted @ 2025-06-18 01:21
m516606428
阅读(94)
评论(0)
推荐(0)
摘要：
在 Python 中实现语音转文字（STT, Speech-to-Text）主要有两种方式：调用第三方 API（简单、准确，但可能有费用或限制）和本地部署模型（免费、隐私安全，但需要配置资源）。以下是具体实现方法： 一、使用第三方 API（以 OpenAI Whisper API 为例） 优点：准确 阅读全文
posted @ 2025-06-18 01:13
m516606428
阅读(310)
评论(0)
推荐(0)
摘要：
大模型训练调优，就是让预训练好的大模型（像 GPT、BERT 这些），通过一系列操作变得更适配特定任务或领域，大白话拆解关键要点： 一、核心步骤（给模型 “定制改造” 流程） 选任务与数据：先明确要让模型干啥，是分类、生成文案还是问答，接着准备对应高质量标注数据（几百到几千样本起步），还得把数据格式 阅读全文
posted @ 2025-06-18 01:11
m516606428
阅读(210)
评论(0)
推荐(0)
摘要：
这仨概念看着玄乎，用大白话拆成生活场景，秒懂它们咋给 AI “升级” ： 一、微调（Fine - Tuning）—— 给 AI 上 “定制私教课” 场景类比：你请了个全科家教（大模型），但你想冲刺数学竞赛。于是把 “竞赛真题、解题技巧” 整理成资料，让家教针对性学这些，学完后教你数学竞赛题更厉害。 阅读全文
posted @ 2025-06-18 01:06
m516606428
阅读(79)
评论(0)
推荐(0)
摘要：
能否语音输入输出 prompt 能实现语音输入输出，需结合语音识别（ASR）、大模型推理、语音合成（TTS） 技术流程。 本地实现思路 语音转文本（ASR）：用开源工具（如 PaddleSpeech、Whisper ），把麦克风采集的语音转成文字 prompt。 大模型推理：调用本地部署的大模型（如 阅读全文
posted @ 2025-06-18 00:55
m516606428
阅读(27)
评论(0)
推荐(0)
摘要：
RAG（检索增强生成，Retrieval - Augmented Generation ）本质不只是把 PDF 等信息切片成 context 输入大模型，它是先对 PDF 等文档进行拆分、向量化等处理构建检索库，当有请求时，从库中检索相关片段（context ），再结合大模型生成回答，核心是用外部知 阅读全文
posted @ 2025-06-18 00:54
m516606428
阅读(8)
评论(0)
推荐(0)
摘要：
用大白话来说，Function Call（函数调用）就是让大模型像 “工具人” 一样，遇到搞不定的事儿，自动喊外援、借外力解决问题 ，核心解决 “大模型自身能力不够，得靠外部工具补” 的痛点。给你拆几个生活 + 工作场景，秒懂它的作用： 一、生活场景类比：旅行规划 假设你想 “规划一趟 3 天的成都 阅读全文
posted @ 2025-06-18 00:48
m516606428
阅读(51)
评论(0)
推荐(0)
摘要：
以下以 ** 写一封「诗意辞职信」** 为例，用提示工程方法拆解创作，你可参考思路，替换成公众号、知乎回答等其他题材： 一、明确目标与需求 先清晰写作方向： 类型：辞职信，需正式又有文艺感 核心诉求：礼貌告别，传递离职决心，保留职场体面 风格：用诗意化表达（比喻、意象），让文字有温度 二、构建提示词 阅读全文
posted @ 2025-06-18 00:08
m516606428
阅读(21)
评论(0)
推荐(0)
浙公网安备 33010602011771号