人工智能 — 木小良

unsloth微调DeepSeek

## unsloth微调DeepSeek https://github.com/unslothai/unsloth https://kq4b3vgg5b.feishu.cn/wiki/WWzZwHVNei8zsWkieJ3cyHzWnFe ## 安装库首先确保已在项目目录中，并已激活虚拟环境 `pip install --upgrade pip` 升级pip `pip install "unsloth[cu124-torch250]

vllm 运行DeepSeek-R1-7B

## vllm 运行DeepSeek-R1-7B 本示范使用vllm，只支持linux环境 ## 创建python环境 `sudo mkdir -p /home/deepseek` 创建目录 `sudo chown -R $USER:$USER /home/deepseek` 修改目录权限，防止后续权限不够，因为python虚拟环境需要写权限 `cd /home/deepseek` 打开目录 `sudo apt install -y

llm常见显存推理和微调硬件方案

## 模型微调知识 ## 微调配置与显存要求对照表(上下浮动) | 模型大小 | 配置类型 | 显存需求 | 推荐GPU硬件 | |----------|-----------------|------------|-------------------------| | 7B | Freeze (FP16) | 20GB | RTX 4090

回归

## 回归 ### 损失函数均方误差（Mean Squared Error，MSE）：用于回归任务，计算预测值与真实值之间的平方差，并取平均值。MSE的值越小，说明模型的预测越接近真实值。平均绝对误差（Mean Absolute Error，MAE）：也用于回归任务，计算预测值与真实值之间的绝对差，并取平均值。与MSE不同，MAE的值对离群点不太敏感。交叉熵（Cross-entropy）：用于分类任务，根据预测值和真实值计算两

卷积神经网络

## 卷积神经网络池化（Pooling）、卷积（Convolution）、激活函数（Activation Function）是卷积神经网络（Convolutional Neural Network，CNN）的基本组成部分，它们的运行原理分别如下：池化：在卷积神经网络中，池化操作是为了减少特征图（Feature Map）的维度，从而减少计算量，防止过拟合。池化操作的原理是将特征图分成若干个区域，然后对每个区域进行池化操作，通常是取区

yolov5目标检测

## yolov5目标检测 ! 训练的时候要注意，**如果开启了同步盘，要关闭**，不然可能因为网盘正在读取而无法保存. 包含数据集的信息与配置，包括自定义数据集的标注和图像，训练、验证和测试数据集的配置文件等 ├── data/ # 数据集目录 │ ├── custom.yaml # 自定义数据集配置 │ ├── images/ # 存放待训练图片 │ ├── labels/ # 存放标签 │ ├── test.yaml # 测试集

pytorch基础

## pytorch基础安装torch2的cu118版本 `pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118` 检查是否已有cuda合并列表，如果有可用cuda默认设置为cuda ```python import torch if torch.cuda.is_available(): de

vott标注文件csv转yolov5脚本

## vott标注文件csv转yolov5脚本 ```python import os import csv # 定义 COCO 类别编号和类别名称映射表 CLASS_MAPPING = { 'ziji': 0, 'npc': 1, 'gebulin': 2, 'rennanyao': 3, 'rennvyao': 4, 'rensiqi': 5 } # 指定一个适当的值来计算 YOLO

pytorch训练图片分类模型

## pytorch训练图片分类模型 ```python import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader import torchvision.transforms as transforms from torchvision.datasets import ImageFolder

pytorch调用已训练图片分类模型

## pytorch调用已训练图片分类模型 ```python import os import shutil import time import torch import torch.nn as nn from torchvision import transforms import torch.nn.functional as F from PIL import Image #指定被操作的文件夹绝对路径 mubiao_path =

yolov5监视应用

## yolov5监视应用 ```python import numpy as np import cv2 as cv import cv2 from mss import mss #实测比PIL库效率更高 import torch import win32gui #找窗口句柄 model = torch.hub.load('ultralytics/yolov5', 'custom', 'best.pt') #找根据父类名或窗口查

快乐的人也会让别人感到快乐 -- 安妮·法兰克

分类 / 人工智能 — 木小良