书生·浦语大模型实战合集

原创

清荷月下猫 2024-01-29 10:36:46 ©著作权

文章标签 大模型实战 InternLM 文章分类 NLP 人工智能

©著作权归作者所有：来自51CTO博客作者清荷月下猫的原创作品，请联系作者获取转载授权，否则将追究法律责任

D1-书生·浦语大模型全链路开源体系

D2-InternLM-Chat-7B 智能对话 Demo

D2-Lagent 智能体工具调用 Demo

D2-浦语·灵笔图文理解创作 Demo

InternLM智能创作Work及总结

D3-基于InternLM和LangChain搭建知识库

D4-XTuner 大模型单卡低成本微调

自定义微调及用MS-Agent数据集赋予LLM以Agent能力

XTuner InternLM-Chat 个人小助手认知微调

D5-LMDeploy 大模型量化部署

D6-OpenCompass 大模型评测

上一篇：Quant-Ch04 量化选股策略

下一篇：Quant-Ch05 量化择时策略

提问和评论都可以，用心的回复会被更多人看到评论

发布评论

相关文章

第二期-Ⅱ书生·浦语大模型趣味 Demo

〇、完成结果基础作业使用 InternLM2-Chat-1.8B 模型生成 300 字的小故事进阶作业熟悉 huggingface 下载功能，使用 huggingface_hub python 包，下载 InternLM2-Chat-7B 的 config.json 文件到本地完成浦语·

语言模型大模型 InternLM
D1-书生·浦语大模型全链路开源体系

大模型成为发展通用人工智能的重要途径。“书生·浦语”是商汤科技、上海AI实验室联合香港中文大学、复旦大学及上海交通大学发布千亿级参数大语言模型。业务场景简单，如通用对话，直接将模型拿过来，运用prompt engineering接入业务场景；部分微调，如LoRA；调用外部API，或与数据库交互 → 需要智能体；模型评测通过则上线，评测不通过需要在之前的微调中做迭代；模型部署问题：最少的资源来增加吞

人工智能大模型开源
w~大模型~合集6

大模型

大模型
二、轻松玩转书生·浦语大模型趣味 Demo

八戒-Chat-1.8B、Chat-嬛嬛-1.8B、Mini-Horo-巧耳均是在第一期实战营中运用 InternLM2-Chat-1.8B 模型进行微调训练的优秀成果。其中，八戒-

python 大模型 git 端口号
一、书生·浦语大模型全链路开源体系

文章目录概述亮点亮点一亮点二亮点三亮点四亮点五应用开放体系数据预训练微调评测部署智能体概述亮点亮点一亮点二亮点三亮点四亮点五应用开放体系数据预训练微调评测部署智能体

大模型数据
LMDeploy 量化部署实践闯关任务---基于书生·浦语大模型

一：概述一：概述什么是部署呢？在软件工程中，部署通常指的是将开发完毕的软件投入使用的过程。在人工智能领域，模

chatgpt gpt AIGC 权重服务器
作业一：《书生·浦语大模型全链路开源体系》

相关知识链接：视频链接InternLM2 技术报告文档Github链接HuggingFace链接开源数据集1. 大模型是发展人工智能的重要途径专用模型：一个模型解决一个问题，如围棋比赛、语言识别、人脸识别、图像分类等；通用大模型：一个模型应对多种任务，如ChatGPT一个模型就可以解决各种从文本到文本的任务。2. 书生浦语大模型开源历程从2023.6.7到2024

AI InternLM
浦语大模型趣味 Demo笔记

浦语大模型趣味 Demo笔记任务列表部署 InternLM2-Chat-1.8B 模型进行智能对话部署实战营优秀作品八戒-Chat-1.8B 模型部署大模型InternLM2-Chat-1.8B过程首先是创建开发机和创建虚拟环境，并且安装必备的依赖库，这个过程耗时较长下载大模型将课程文档中复制代码，然后再终端运行命令python /root/demo/download_mi

屏幕截图 python 3c
浦语大模型趣味 Demo作业

作业
Lagent 自定义你的 Agent 智能体--书生·浦语实战系列

一：概述一：概述Lagent是一个轻量级开源智能体框架，旨在让用户可以高效地构建基于大语言模型的智能体。Lagent不仅允许开发者使视化编辑的特点。

AI作画 chatgpt AIGC gpt 自定义
实践分享|书生·浦语 InternLM2.5 PyTorch模型微调的最佳实践

openMind工具，让模型微调推理更丝滑

AI 模型推理 AI开发模型分析模型微调
书生·浦语大模型全链路开源体系2.5——第一节课作业

##书生·浦语大模型全链路开源体系###介绍开篇介绍了通用大模型发展历程以及书生浦语的开源历程，并且展示了目前浦语大模型的体系，分为7B和20B两个规格，每个规格包含三个版本，可根据实际需求进行选择面对现在百花齐放的大模型，InternLM有以下亮点其中最令我眼前一亮的特性是工具的调用，支持多类型文本输出以及多模态###应用通过介绍通用大模型的应用流程，可以看出书生浦语在这方

作业
[大模型]浦语灵笔图文理解&创作

首先在AutoDL上租一台显卡驱动支持11.7以上的双卡3090机器.在选择镜像是选择Miniconda-->conda3-->–>11.6打开中的终端，首先

python git github
实践分享|探索书生·浦语2.5（InternLM2.5）：PyTorch模型微调的最佳实践

引言 2024年6月30日，上海人工智能实验室发布InternLM2.5-7B系列模型，包括InternLM2.5-7B、InternLM2.5-7B-Ch

shot https openmind lora examples
揭秘大模型“书生·浦语灵笔”：如何用人工智能创作出图文并茂的文章（开源、可商用）

在这个数字化的世界里，人工智能的发展如同潮水般汹涌而来，为我们的生活带来了前所未有的变革。今天，推荐一款革命性的图文混合创作工具——“浦语灵笔”（InternLM-XComposer），这是由上海AI实验室精心打造的一款大模型，它不仅基于先进的“浦语”大语言模型，还融入了多模态技术，使其在图文创作领域独领风骚。一、什么是“浦语灵笔”“浦语灵笔”是一款视觉-语言大模型，能够将图文信息完美融合，为用户

模态多任务数据集
书生大模型实战营第0节课-Linux关卡任务

书生大模型实战营第0节课-Linux关卡任务1.完成SSH连接与端口映射并运行hello_world.py2.将Linux基础命令在开发机上完成一遍3.使用 VSCODE 远程连接开发机并创建一个 conda环境4.创建并运行文件test.sh

屏幕截图
书生大模型实战营第0节课-Python关卡任务

书生大模型实战营第0节课-Python关卡任务1.任务一请实现一个wordcount函数，统计英文字符串中每个单词出现的次数。返回一个字典，key为单词，value为对应单词出现的次数。这里有两种实现方法，一开始就想到的列表方法，但是正则表达式部分是忘了import redef wordcount(text): """ 统计给定文本中每个单

分割文本
浦语提示词工程实践

Task：利用LangGPT优化对比浮点数大小提示词，使LLM输出正确结果1 实现过程1.1 配置环境!conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia -y!pip install transformers==4.43.3!pip

大模型
书生大模型全链路开源开放体系----大模型探索

一：概述。

AIGC 数据搜索开源工具
大语言模型合集

一、语言模型本文尽量通俗解释一下困惑度的概念。既然题目中写了是用来评价语言模型的好坏，那么首先来看一下语言模型：简单地说，语言模型就是用来计算一个句子的概率的模型，也就是判断一句话是否是人话的概率？那么如何计算一个句子的概率呢？给定句子（词语序列）它的概率可以表示为：也就是说在给定一句话的前k个词，我们希望语言模型可以预测第k+1个词是什么，即给出一个第k+1个词可能出现的概率的分布p(xk+1|

大语言模型合集语言模型 lua 机器翻译
部署rustdesk需要多大配置的虚拟机

rust编程 Rust是一种越来越流行的编程语言，被定位为硬件接口的最佳选择。通常将其与C的抽象级别进行比较。本文介绍了Rust如何以多种方式处理按位运算，并提供了既安全又易于使用的解决方案。语言起源官方说明总览 C 1972年 C是一种通用编程语言，具有表达经济，现代控制流和数据结构以及丰富的运算符集的特点。（来源： CS基础知识） C是命令式语言，旨在以相对简单的方

编程语言 python java linux 人工智能
Idea 调试flink job

前言对于分布式系统的调试不知道大家有什么好的方法。对于我来说，在知道远程调试这个方法之前就是在代码中打各种log，然后重新部署，上线，调试，这样比较费时，有什么更好的办法呢？有时候，本地调试的时候没有问题，打包部署到测试环境的时候却爆出一堆莫名其妙的问题，这时该怎么办呢？偶然间了解到的远程调试的功能简直是一把利器，能够非常好地解决上述问题，还不赶紧来了解一下？远程调试使用特定JVM参数运行服务端代

Idea 调试flink job 远程调试 JVM 远程服务器
如何解决java中sql set无法填入null

at com.opensymphony.xwork2.ognl.OgnlValueStack.setValue(OgnlValueStack.java:160) at com.opensymphony.xwork2.ognl.OgnlValueStack.setValue(OgnlValueStack.java:151) at com.opensymphony.xwork2.interce

struts2 ongl java apache struts
ant design配置主题色文件

该笔记分为两部分，前面部分为官方文档介绍，后面为实际项目改造的历程本文档不定时更新,你想要的在实战部分如果你对react、dva等一些概念不是很清晰，建议先看以下概念：react：https://www.runoob.com/react/react-tutorial.html dva：https://dvajs.com/guide/concepts.html最终效果最终实现了增删改查、刷新、批量删

ant design配置主题色文件 ant design ant design pro dva react
centos sqlservr cpu占用较高

第三章 High CPU Utilization.CPU使用率过高问题很容易被发现，但是诊断却不是很容易。CPU使用过高很多时候会成为其它问题的替罪羊，所以在确认和故障诊断时要抽丝剥茧。调查CPU压力三个主要的工具：性能监视器，SQLTrace,DMV. 性能监视器：首先用它来确认是SQL Server还是其它进程使用了过多的CPU。主要计数器有：&

数据库 SQL sql Server

官方博客	全部文章	热门标签	班级博客
了解我们	网站地图	意见反馈

鸿蒙开发者社区	51CTO学堂
51CTO	软考资讯