【深度学习】wandb模型训练可视化工具使用方法

几度热忱2024-04-20 20:25

【深度学习】wandb模型训练可视化工具使用方法

本文参考的教程来自B站大学： wandb我最爱的炼丹伴侣操作指南
在此感谢UP主分享的教程～
wandb官方文档链接

wandb简介

  • Wandb（Weights & Biases）是一款专为机器学习和深度学习设计的可视化工具，旨在帮助开发者更高效地跟踪、可视化和共享实验结果
  • 提供在线平台，可以轻松记录实验的超参数、输出指标以及模型的变化，并通过直观的仪表盘展示这些信息
  • 与tensorboard类似，均是机器学习可视化分析工具
  • wandb相较于Tensorboard的优势：
    1.wandb的日志文件上传云端存储，可永久保存，tensorboard存储在本地
    2.wandb存储代码，数据集，模型，并进行版本管理（wandb.Artifact 自动完成），同时版本与日志关联
    3.wandb.Artifact 是 Weights & Biases (W&B) 提供的一个灵活且轻量级的构建块，用于数据集和模型的版本控制。通过使用 wandb.Artifact，用户可以轻松地跟踪和管理机器学习项目中的数据集、模型和其他重要文件
    4.可使用交互式表格进行模型评估（wandb.Table），excel表格的单元格中无法存储图像，视频，音频等内容，而wandb提供的Table可以实现上述功能
    5.可视化自动模型调参（wandb.sweep），可并行调参，相当优雅

功能介绍

  • 本文将介绍wandb以下4个功能：实验跟踪，版本管理，case分析（模型评估），参数调优

登陆注册以及API keys

  • 登陆注册就不进行介绍啦，很简单，wandb官网注册链接
  • wandb的API keys是一种用于身份验证的密钥，它允许用户连接和认证他们的机器学习项目与wandb平台
  • API keys作为一种访问控制机制，确保了用户能够安全地访问和管理在wandb平台上的项目、实验和运行
  • API keys的获取：登陆后右上角头像-->User Settings-->Danger Zone API keys--> 点击reveal即可看到
  • 另一种查看API keys的方法：访问https://wandb.ai/authorize[需要先注册登录，链接直达](https://wandb.ai/authorize)

project和runs

  • 在使用wandb进行机器学习项目管理和跟踪时，项目（project）和运行（runs）是两个核心概念
  • 项目（Project）：项目是在wandb中创建的一个容器，用于组织和管理相关的运行
  • 项目可以将不同的运行分组在一起，以便更好地跟踪和比较实验结果
  • 点击Project会进入项目空间
  • 运行代表了单个实验或模型训练的实例
  • 每次启动一个新的训练任务或实验时，都会创建一个新的运行
  • 运行会记录实验的所有详细信息，包括代码版本、数据集、超参数、日志数据和模型性能指标

project和runs的关系

  • 一个项目可以包含多个运行。每个运行都是项目下的一个子项，它们共享相同的配置和上下文
  • 运行可以被视为项目中的一个实验或迭代。通过比较同一项目下的不同运行，您可以分析不同超参数或方法的效果
  • 项目为运行提供了一个命名空间，使得您可以轻松地查找和比较相关的运行
  • 可以在项目中设置共享的配置和超参数，然后在创建运行时覆盖特定的值，这样可以进行有针对性的实验
  • 个人理解：一个项目就对应一个模型，一个运行对应该模型的一次执行（训练或测试）

在project中点击侧边栏的Runs会以Table形式显示多次run的结果


在project中点击侧边栏的Artifacts记录数据集，模型的版本

wandb的配置

  • 首先要安装pip install wandb哦
  • 在代码中进行身份验证，通过调用wandb.login函数，能够使用API key 来连接本地脚本与wandb服务
python 复制代码 
import wandb
wandb.login(key='你的API keys')

实验跟踪

  • 代码来自B站up主：一个有毅力的吃货，30分钟吃掉wandb模型训练可视化，再次感谢
  • 下面的代码涉及的数据集的划分，模型的搭建，以及训练和评估，在此省略不谈
  • 涉及到wandb的使用主要集中在def train(config = config)这个函数中
  • 涉及到使用wandb.init函数初始化wandb项目
  • 在每个epoch结束时，使用wandb.log函数记录当前的epoch数、验证准确率val_acc和最佳验证准确率model.best_metric。这些信息将被上传到wandb的云端，可以在wandb的仪表板上进行可视化
  • 在训练所有epoch后，使用wandb.finish函数标记当前运行完成
  • 对于wandb的函数具体方法需要查阅一下官方文档或其他教程
python 复制代码 
import wandb
wandb.login(key='你的API keys')

import os,PIL 
import numpy as np
from torch.utils.data import DataLoader, Dataset
import torch 
from torch import nn 
import torchvision 
from torchvision import transforms
import datetime
import wandb 
from argparse import Namespace

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
config = Namespace(
    project_name = 'wandb_demo',
    
    batch_size = 512,
    
    hidden_layer_width = 64,
    dropout_p = 0.1,
    
    lr = 1e-4,
    optim_type = 'Adam',
    
    epochs = 15,
    ckpt_path = 'checkpoint.pt'
)

def create_dataloaders(config):
    transform = transforms.Compose([transforms.ToTensor()])
    ds_train = torchvision.datasets.MNIST(root="./mnist/",train=True,download=True,transform=transform)
    ds_val = torchvision.datasets.MNIST(root="./mnist/",train=False,download=True,transform=transform)

    ds_train_sub = torch.utils.data.Subset(ds_train, indices=range(0, len(ds_train), 5))
    dl_train =  torch.utils.data.DataLoader(ds_train_sub, batch_size=config.batch_size, shuffle=True,
                                            num_workers=2,drop_last=True)
    dl_val =  torch.utils.data.DataLoader(ds_val, batch_size=config.batch_size, shuffle=False, 
                                          num_workers=2,drop_last=True)
    return dl_train,dl_val

def create_net(config):
    net = nn.Sequential()
    net.add_module("conv1",nn.Conv2d(in_channels=1,out_channels=config.hidden_layer_width,kernel_size = 3))
    net.add_module("pool1",nn.MaxPool2d(kernel_size = 2,stride = 2)) 
    net.add_module("conv2",nn.Conv2d(in_channels=config.hidden_layer_width,
                                     out_channels=config.hidden_layer_width,kernel_size = 5))
    net.add_module("pool2",nn.MaxPool2d(kernel_size = 2,stride = 2))
    net.add_module("dropout",nn.Dropout2d(p = config.dropout_p))
    net.add_module("adaptive_pool",nn.AdaptiveMaxPool2d((1,1)))
    net.add_module("flatten",nn.Flatten())
    net.add_module("linear1",nn.Linear(config.hidden_layer_width,config.hidden_layer_width))
    net.add_module("relu",nn.ReLU())
    net.add_module("linear2",nn.Linear(config.hidden_layer_width,10))
    net.to(device)
    return net 

def train_epoch(model,dl_train,optimizer):
    model.train()
    for step, batch in enumerate(dl_train):
        features,labels = batch
        features,labels = features.to(device),labels.to(device)

        preds = model(features)
        loss = nn.CrossEntropyLoss()(preds,labels)
        loss.backward()

        optimizer.step()
        optimizer.zero_grad()
    return model

def eval_epoch(model,dl_val):
    model.eval()
    accurate = 0
    num_elems = 0
    for batch in dl_val:
        features,labels = batch
        features,labels = features.to(device),labels.to(device)
        with torch.no_grad():
            preds = model(features)
        predictions = preds.argmax(dim=-1)
        accurate_preds =  (predictions==labels)
        num_elems += accurate_preds.shape[0]
        accurate += accurate_preds.long().sum()

    val_acc = accurate.item() / num_elems
    return val_acc
    
def train(config = config):
    dl_train, dl_val = create_dataloaders(config)
    model = create_net(config); 
    optimizer = torch.optim.__dict__[config.optim_type](params=model.parameters(), lr=config.lr)
    #======================================================================
    nowtime = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
    wandb.init(project=config.project_name, config = config.__dict__, name = nowtime, save_code=True)
    model.run_id = wandb.run.id
    #======================================================================
    model.best_metric = -1.0
    for epoch in range(1,config.epochs+1):
        model = train_epoch(model,dl_train,optimizer)
        val_acc = eval_epoch(model,dl_val)
        if val_acc>model.best_metric:
            model.best_metric = val_acc
            torch.save(model.state_dict(),config.ckpt_path)   
        nowtime = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
        print(f"epoch【{epoch}】@{nowtime} --> val_acc= {100 * val_acc:.2f}%")
        #======================================================================
        wandb.log({'epoch':epoch, 'val_acc': val_acc, 'best_val_acc':model.best_metric})
        #======================================================================        
    #======================================================================
    wandb.finish()
    #======================================================================
    return model   
model = train(config)

  • 如遇到CommError: Run initialization has timed out after 60.0 sec，wandb.init处报错，可尝试一下关闭代理后重新执行

  • 点击链接进入runs，可查看训练过程，默认的横坐标为step，每调用一次wandb.log，step就会+1

  • 点击 x → \underset{\rightarrow}{\text{x}} →x可修改横坐标


    点击delete可以将图放在hidden panels中
  • 点击add panel可以添加各种可视化图
  • 在Table（左侧runs）中，可对指标的进行pin column（置顶）


  • 点击右侧Manage Columns，可控制可见与不可见的变量

版本管理

  • wandb.Artifact 可以创建一个新的 artifact 对象，这个对象可以包含模型、数据集、代码片段等，它们可以一起被上传到 Wandb 的云端存储中
  • 通过调用 add_file 方法，可以将文件或目录添加到 artifact 中。这使得用户可以将训练好的模型、数据处理脚本、以及其他相关文件打包到一个 artifact 中，方便后续的分享和复现
  • wandb.log_artifact 方法，可以将 artifact 记录到当前的运行中。这样，每次实验的输出都可以与特定的运行相关联，便于跟踪和比较不同实验的结果
  • 使用 wandb.log_artifact 方法，可以将 Artifact 实例记录到当前的 W&B 运行（run）中。这允许用户在 W&B 的仪表板中查看和共享这些工件
python 复制代码 
import wandb 

run = wandb.init(project='wandb_demo', id= model.run_id, resume='must')
# save dataset 
arti_dataset = wandb.Artifact('mnist', type='dataset')
arti_dataset.add_dir('mnist/')
wandb.log_artifact(arti_dataset)
# save code 

arti_code = wandb.Artifact('ipynb', type='code')
arti_code.add_file('./30分钟吃掉wandb可视化模型分析.ipynb')
wandb.log_artifact(arti_code)
# save model

arti_model = wandb.Artifact('cnn', type='model')
arti_model.add_file(config.ckpt_path)
wandb.log_artifact(arti_model)
wandb.finish() #finish时会提交保存

  • 这里我就不进行演示啦，没上传成功，不然是可以在下图中找到代码和数据集的

  • 类似下面这样：

  • 按照上面的方法，我上传成功啦

Case可视化分析

  • wandb.Table 是用于创建表格的 Wandb 类，它可以将多个数据点以表格的形式展示。这对于比较不同模型的性能或者展示数据集的某些特征非常有用
  • wandb.Image 类用于上传和记录图像数据，可以用于展示模型输入、输出或中间结果的图像
  • 最后进行wandb.log，记录各种数据到当前运行，它可以记录标量、图像、表格、文本等多种类型的数据
python 复制代码 
#resume the run 
import wandb 
run = wandb.init(project=config.project_name, id= model.run_id, resume='must')

import matplotlib.pyplot as plt 
 
transform = transforms.Compose([transforms.ToTensor()])
ds_train = torchvision.datasets.MNIST(root="./mnist/",train=True,download=True,transform=transform)
ds_val = torchvision.datasets.MNIST(root="./mnist/",train=False,download=True,transform=transform)
    
# visual the  prediction
device = None
for p in model.parameters():
    device = p.device
    break
 
plt.figure(figsize=(8,8)) 
for i in range(9):
    img,label = ds_val[i]
    tensor = img.to(device)
    y_pred = torch.argmax(model(tensor[None,...])) 
    img = img.permute(1,2,0)
    ax=plt.subplot(3,3,i+1)
    ax.imshow(img.numpy())
    ax.set_title("y_pred = %d"%y_pred)
    ax.set_xticks([])
    ax.set_yticks([]) 
plt.show()

def data2fig(data):
    import matplotlib.pyplot as plt 
    fig = plt.figure()
    ax = fig.add_subplot()
    ax.imshow(data)
    ax.set_xticks([])
    ax.set_yticks([]) 
    return fig
 
def fig2img(fig):
    import io,PIL
    buf = io.BytesIO()
    fig.savefig(buf)
    buf.seek(0)
    img = PIL.Image.open(buf)
    return img

from tqdm import tqdm 
good_cases = wandb.Table(columns = ['Image','GroundTruth','Prediction'])
bad_cases = wandb.Table(columns = ['Image','GroundTruth','Prediction'])

# 找到50个good cases 和 50 个bad cases
 
plt.close()
 
for i in tqdm(range(1000)):
    features,label = ds_val[i]
    tensor = features.to(device)
    y_pred = torch.argmax(model(tensor[None,...])) 
    
    # log badcase
    if y_pred!=label:
        if len(bad_cases.data)<50:
            data = features.permute(1,2,0).numpy()
            input_img = wandb.Image(fig2img(data2fig(data)))
            bad_cases.add_data(input_img,label,y_pred)
            
    # log goodcase
    else:
        if len(good_cases.data)<50:
            data = features.permute(1,2,0).numpy()
            input_img = wandb.Image(fig2img(data2fig(data)))
            good_cases.add_data(input_img,label,y_pred)
            
wandb.log({'good_cases':good_cases,'bad_cases':bad_cases})
wandb.finish()
  • 然后根据提示的同步命令将日志文件上传至wandb服务器
  • 在wandb官网打开对应的runs，可以看到这两个表格，按道理应该显示出图片的

  • 不知道为什么图片没显示，按道理应该是这个样子的

  • 不知道是不是因为上传的文件太大了

  • 在表格中可对各列进行升序降序显示

  • 在表格中可进行聚合Group by

  • 可对列进行编辑，类似excel的公式，十分灵活


可视化自动调参（wandb.sweep）

下面的图来自的原作者30分钟吃掉wandb可视化自动调参

  • wandb.sweep使用流程

配置wandb.sweep

python 复制代码 
from argparse import Namespace

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

#初始化参数配置
config = Namespace(
    project_name = 'wandb_demo',
    
    batch_size = 512,
    
    hidden_layer_width = 64,
    dropout_p = 0.1,
    
    lr = 1e-4,
    optim_type = 'Adam',
    
    epochs = 15,
    ckpt_path = 'checkpoint.pt'
)

1.配置 sweep_config

  • 1.选择调优算法
  • 2.定义调优目标,设置优化指标，以及优化方向
    sweep agents 通过 wandb.log 的形式向 sweep controller 传递优化目标的值
  • 3.定义超参空间,超参空间可以分成 固定型，离散型和连续型
  • 4.定义剪枝策略 (可选)，定义剪枝策略，提前终止那些没有希望的任务

在使用 wandb.sweep 进行超参数调优时，可以通过定义剪枝策略来提前终止那些表现不佳的任务，从而节省资源并加速寻找最佳超参数的过程。
early_terminate 配置允许你指定一个早期终止策略，下面的代码使用的是 hyperband 算法。
以下是 hyperband 早期终止策略的参数解释：
'type': 指定使用的早期终止算法的类型。在这个例子中，我们使用 'hyperband'，这是一种基于成功率的早期终止策略，它在多个性能水平上并行运行实验，并根据性能结果动态调整资源分配。
'min_iter': 每个实验的最小迭代次数。即使实验表现不佳，也会运行足够多次以收集有意义的数据。
'eta': 性能水平之间的资源比例。例如，eta=2 意味着每次迭代，实验的资源会减半。这通常与 's' 参数一起使用，以确定每个性能水平的资源分配。
's': 性能水平的数量。这是一个整数，指定算法在早期终止过程中使用的资源级别数。s 越大，算法在早期阶段就越保守，因为它会尝试更多的性能水平。
通过设置这些参数，你可以定制 hyperband 算法的行为，以平衡资源使用效率和找到最佳超参数配置的可能性。例如，如果你希望在早期阶段快速淘汰表现不佳的实验，可以增加 s 的值并减小 eta 的值。

  • 上述步骤代码汇总：
python 复制代码 
from argparse import Namespace

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

#初始化参数配置
config = Namespace(
    project_name = 'wandb_demo',
    
    batch_size = 512,
    
    hidden_layer_width = 64,
    dropout_p = 0.1,
    
    lr = 1e-4,
    optim_type = 'Adam',
    
    epochs = 15,
    ckpt_path = 'checkpoint.pt'
)

#选择一个调优算法
sweep_config = {
    'method': 'random'
    }


#定义调优目标 设置优化指标，以及优化方向
metric = {
    'name': 'val_acc',
    'goal': 'maximize'   
    }
sweep_config['metric'] = metric



#定义超参空间
sweep_config['parameters'] = {}

# 固定不变的超参
sweep_config['parameters'].update({
    'project_name':{'value':'wandb_demo'},
    'epochs': {'value': 10},
    'ckpt_path': {'value':'checkpoint.pt'}})

# 离散型分布超参
sweep_config['parameters'].update({
    'optim_type': {
        'values': ['Adam', 'SGD','AdamW']
        },
    'hidden_layer_width': {
        'values': [16,32,48,64,80,96,112,128]
        }
    })

# 连续型分布超参
sweep_config['parameters'].update({
    
    'lr': {
        'distribution': 'log_uniform_values',
        'min': 1e-6,
        'max': 0.1
      },
    
    'batch_size': {
        'distribution': 'q_uniform',
        'q': 8,
        'min': 32,
        'max': 256,
      },
    
    'dropout_p': {
        'distribution': 'uniform',
        'min': 0,
        'max': 0.6,
      }
})

#定义剪枝策略，提前终止那些没有希望的任务
sweep_config['early_terminate'] = {
    'type':'hyperband',
    'min_iter':3,
    'eta':2,
    's':3
} #在step=3, 6, 12 时考虑是否剪枝

from pprint import pprint
pprint(sweep_config)

2.初始化 sweep controller

  • 调用 wandb.sweep() 并传入一个函数，该函数将使用 wandb.init() 初始化每个实验的配置
python 复制代码 
sweep_id = wandb.sweep(sweep_config, project=config.project_name)
  • 点击链接查看sweep
  • 或者在侧边栏的Sweeps

3.启动 Sweep agent

  • 把模型训练相关的全部代码整理成一个 train函数
  • 让agent执行训练，搜索超参数
python 复制代码 
#把模型训练相关的全部代码整理成一个 train函数
def create_dataloaders(config):
    transform = transforms.Compose([transforms.ToTensor()])
    ds_train = torchvision.datasets.MNIST(root="./mnist/",train=True,download=True,transform=transform)
    ds_val = torchvision.datasets.MNIST(root="./mnist/",train=False,download=True,transform=transform)

    ds_train_sub = torch.utils.data.Subset(ds_train, indices=range(0, len(ds_train), 5))
    dl_train =  torch.utils.data.DataLoader(ds_train_sub, batch_size=config.batch_size, shuffle=True,
                                            num_workers=2,drop_last=True)
    dl_val =  torch.utils.data.DataLoader(ds_val, batch_size=config.batch_size, shuffle=False, 
                                          num_workers=2,drop_last=True)
    return dl_train,dl_val

def create_net(config):
    net = nn.Sequential()
    net.add_module("conv1",nn.Conv2d(in_channels=1,out_channels=config.hidden_layer_width,kernel_size = 3))
    net.add_module("pool1",nn.MaxPool2d(kernel_size = 2,stride = 2)) 
    net.add_module("conv2",nn.Conv2d(in_channels=config.hidden_layer_width,
                                     out_channels=config.hidden_layer_width,kernel_size = 5))
    net.add_module("pool2",nn.MaxPool2d(kernel_size = 2,stride = 2))
    net.add_module("dropout",nn.Dropout2d(p = config.dropout_p))
    net.add_module("adaptive_pool",nn.AdaptiveMaxPool2d((1,1)))
    net.add_module("flatten",nn.Flatten())
    net.add_module("linear1",nn.Linear(config.hidden_layer_width,config.hidden_layer_width))
    net.add_module("relu",nn.ReLU())
    net.add_module("linear2",nn.Linear(config.hidden_layer_width,10))
    return net 

def train_epoch(model,dl_train,optimizer):
    model.train()
    for step, batch in enumerate(dl_train):
        features,labels = batch
        features,labels = features.to(device),labels.to(device)

        preds = model(features)
        loss = nn.CrossEntropyLoss()(preds,labels)
        loss.backward()

        optimizer.step()
        optimizer.zero_grad()
    return model

def eval_epoch(model,dl_val):
    model.eval()
    accurate = 0
    num_elems = 0
    for batch in dl_val:
        features,labels = batch
        features,labels = features.to(device),labels.to(device)
        with torch.no_grad():
            preds = model(features)
        predictions = preds.argmax(dim=-1)
        accurate_preds =  (predictions==labels)
        num_elems += accurate_preds.shape[0]
        accurate += accurate_preds.long().sum()

    val_acc = accurate.item() / num_elems
    return val_acc

def train(config = config):
    dl_train, dl_val = create_dataloaders(config)
    model = create_net(config);
    model = model.to(device) 
    optimizer = torch.optim.__dict__[config.optim_type](params=model.parameters(), lr=config.lr)
    #======================================================================
    nowtime = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
    wandb.init(project=config.project_name, config = config.__dict__, name = nowtime, save_code=True)
    model.run_id = wandb.run.id
    #======================================================================
    model.best_metric = -1.0
    for epoch in range(1,config.epochs+1):
        model = train_epoch(model,dl_train,optimizer)
        val_acc = eval_epoch(model,dl_val)
        if val_acc>model.best_metric:
            model.best_metric = val_acc
            torch.save(model.state_dict(),config.ckpt_path)   
        nowtime = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
        print(f"epoch【{epoch}】@{nowtime} --> val_acc= {100 * val_acc:.2f}%")
        #======================================================================
        wandb.log({'epoch':epoch, 'val_acc': val_acc, 'best_val_acc':model.best_metric})
        #======================================================================        
    #======================================================================
    wandb.finish()
    #======================================================================
    return model   

# 该agent 随机搜索 尝试5次
wandb.agent(sweep_id, train, count=5)

  • 上面的代码会将完整的训练过程执行5遍

  • 注意每一遍的超参数是不同的

  • wandb.agent(sweep_id, train, count=5) 是 Weights & Biases (Wandb) 提供的一个函数，用于启动一个或多个超参数调优任务（称为 "sweep agents"），这些任务会根据指定的超参数范围（由 sweep_id 指定）来执行训练函数 train 多次。count 参数指定了要运行的实验次数

  • 可以在多个 Jupyter notebook 中使用相同的 sweep_id 执行 wandb.agent 来并行化超参数调优任务。这样做可以利用多台机器的计算资源来加速超参数搜索过程，每个 Jupyter notebook都会作为一个独立的 "agent" 运行，它们会向 Wandb 的服务器请求任务并执行相应的超参数调优实验

  • 在侧边栏的controls中可对sweeo进行控制，比如暂停，继续，关闭或者杀死controller，若关闭则无法重新启动

  • 在官网侧边栏的sweep可视化查看调参：

  • 超参数重要性图：

  • 但我这里又没显示...

就介绍到这里啦，完结撒花~

相关推荐
热爱跑步的恒川33 分钟前
【论文复现】基于图卷积网络的轻量化推荐模型
网络·人工智能·开源·aigc·ai编程
阡之尘埃3 小时前
Python数据分析案例61——信贷风控评分卡模型(A卡)（scorecardpy 全面解析）
人工智能·python·机器学习·数据分析·智能风控·信贷风控
孙同学要努力5 小时前
全连接神经网络案例——手写数字识别
人工智能·深度学习·神经网络
Eric.Lee20215 小时前
yolo v5 开源项目
人工智能·yolo·目标检测·计算机视觉
其实吧36 小时前
基于Matlab的图像融合研究设计
人工智能·计算机视觉·matlab
丕羽6 小时前
【Pytorch】基本语法
人工智能·pytorch·python
ctrey_6 小时前
2024-11-1 学习人工智能的Day20 openCV（2）
人工智能·opencv·学习
SongYuLong的博客6 小时前
Air780E基于LuatOS编程开发
人工智能
Jina AI6 小时前
RAG 系统的分块难题：小型语言模型如何找到最佳断点？
人工智能·语言模型·自然语言处理
-派神-6 小时前
大语言模型(LLM)量化基础知识(一)
人工智能·语言模型·自然语言处理
热门推荐
01【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总02(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明03组基轨迹建模 GBTM的介绍与实现（Stata 或 R）04【AIGC】重塑未来的科技巨轮05全面解析：构建基于深度学习的安全帽检测系统（UI界面+YOLO代码+数据集）06【经验分享】Ubuntu22.04安装微信(linux官方版)07基于YOLOv10深度学习的CT扫描图像肾结石智能检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测08Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO09RAG 实践- Ollama+RagFlow 部署本地知识库10红米手机使用google play