-
![]()
大模型基础架构
-
![]()
AI多模态- Janus-Pro-7B模型推理微调,融合实战2
基于Janus-Pro-7B的 ms-swift微调 ms-swift是魔搭社区提供的大模型与多模态大模型训练部署框架。现已支持450+大模型与150+多模态大模型的训练 (预训练、微调、人类对齐) -
![]()
WSL从C盘迁移到D盘
使用WSL(Linux子系统)做深度学习开发，Ubuntu会将系统默认安装在C盘，随着使用时间测增长，子系统的体积越来越大，本来就捉襟见肘的C盘更是雪上加霜,解决这个困扰。 -
![]()
AI多模态- Janus-Pro-7B模型本地部署1
Janus-Pro是DeepSeek最新开源的多模态模型，是一种新颖的自回归框架，统一了多模态理解和生成。通过将视觉编码解耦为独立的路径，同时仍然使用单一的、统一的变压器架构进行处理，该框架解决了先前方法的局限性。这种解耦不仅缓解了视觉编码器在理解和生成中的角色冲突，还增强了框架的灵活性。Janus-Pro 超过了以前的统一模型，并且匹配或超过了特定任务模型的性能 -
![]()
Dify+Ollama+deepseek部署本地大模型
Dify 作为同样开源的 AI 应用开发平台，提供完整的私有化部署方案。通过将本地部署的 DeepSeek 服务无缝集成到 Dify 平台，企业可以在确保数据隐私的前提下，在本地服务器环境内构建功能强大的 AI 应用。 -
![]()
Ubuntu上安装部署Dify
Dify 是一个开源的大语言模型（LLM）应用开发平台，融合了后端即服务（Backend as a Service,BaaS）和 LLMOps 的理念，旨在帮助开发者快速构建和部署生成式 AI 应用。 -
![]()
AI实战(Text_To_SQL)-数据库(mongodb) + MCP
Text-to-SQL也称为NL2SQL，是将自然语言查询转换为可在关系数据库上执行的SQL查询的技术 -
![]()
AI实战-数据库(database) + MCP提高大模型检索外部知识
MCP（Model Context Protocol，模型上下文协议 ）介绍了一种规范：应用如何为LLM提供上下文。官网称MCP为AI应用的USB-C端口，提供一种将AI模型连接到不同数据源、工具的标准化方法。 -
![]()
深度学习识别滑动验证码缺口
深度学习识别滑动验证码缺口 -
![]()
Ai之大模型-公开数据集-理论6.2
如何将领域文献转换为可供模型微调的数据集？ 想微调特定领域的DeepSeek，数据集究竟要怎么搞？ 了解一些获取公开数据集的途径和注意事项 -
![]()
Ai之大模型-数据集-理论6.1
数据集在大模型的开发和训练中起着至关重要的作用。 -
![]()
OCR使用深度学习识别图形验证码
OCR（Optical Character Recognition，光学字符识别）技术通过光学输入设备（如扫描仪、数码相机）将纸质文档中的文字转化为可编辑的数字化文本。其核心是将图像中的文字信息转化为计算机可处理的字符编码，结合图像处理、模式识别等多领域技术实现信息自动化提取 -
![]()
Ai之大模型进阶模型微调-Unsloth微调-实战5.2
Unsloth 采用了某些优化技术，可以帮助我们在比较低级的硬件设备资源下更高效的微调模型 -
![]()
Ai之大模型进阶模型微调-Unsloth微调-实战5.1
Unsloth 采用了某些优化技术，可以帮助我们在比较低级的硬件设备资源下更高效的微调模型 -
![]()
Ai之大模型进阶模型微调-平台微调大模型-实战4
模型微调（Fine-Tuning）是提升大模型在特定领域或任务性能的核心技术，其核心逻辑是通过调整预训练模型的参数，使其适应下游任务需求 -
![]()
Ai之大模型进阶模型微调--理论篇3
模型微调（Fine-Tuning）是提升大模型在特定领域或任务性能的核心技术，其核心逻辑是通过调整预训练模型的参数，使其适应下游任务需求 -
![]()
Ai之大模型加知识库检索RAG-实战2
增强模型自身的知识和内容生成，从而缓解内容幻觉和知识及时性的问题。这也就是目前很火的RAG -
![]()
Ai之本地部署大模型超详细-实战1
本地大模型部署的优点:数据隐私与安全性,控制与独立性，性能与成本，实时响应，离线运行，定制化与控制，边缘计算应用 -
![]()
python语音识别
语音识别技术，也被称为自动语音识别，目标是以电脑自动将人类的语音内容转换为相应的文字。应用包括语音拨号、语音导航、室内设备控制、语音文档检索、简单的听写数据录入等。
19 条记录 1/1 页
