Teknologian jakaminen

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Kysymys 1: Muuntajamatriisiulotteinen analyysi ja monipään yksityiskohtainen selitys:

Tarkempi linkki 1
Tarkempi linkki 2

Kysymys 2: Muuntajan rakenne, prosessi, mittamuunnos, kooderi, dekooderi:

Kuinka muuttaa monipään mittoja: Käsittele ensin q:n, k:n ja v:n tuloliittimet siten, että niiden mitat ovat embedding_size/nums_head. Lopuksi viimeistely tehdään huomiokerroksessa.Tästä syystä: päiden lukumäärän on oltava jaollinen embedding_size-arvolla
Huomio: Laske huomiopaino Q:n ja K:n kautta ja toimi sitten V:llä saadaksesi koko painon ja tehon
Tarkemmat linkit

Kysymys 3: P-virityksen, loran ja sovittimen yksityiskohtainen algoritmi:

p-viritys
lora
sovitin

Kysymys 4: Mitkä ovat arviointikehyksen tehtävät? cblue

Kysymys 5: Mitkä mallit on koulutettu, tietojoukkoongelmia

Kysymys 6: cv, deepsortv3, yolon kehityshistoria, yolon selkäranka

Kysymys 7: Ero dataloaderin ja tietojoukon välillä:

ⅰ Dataset on perinteinen luokka, ja käyttäjät määrittävät erityisiä luokkia ominaisvaatimusten perusteella.
https://huggingface.co/docs/datasets/loading
ⅱ Dataloader hyväksyy tietojoukon määrittämät luokat ja jakaa ne eriin helpottaakseen myöhempää koulutusta, päättelyä ja muita toimintoja.
ⅲ Tietojoukko hakee tietojoukkomme ominaisuudet ja merkitsee yhden näytteen kerrallaan. Kun dataloader kouluttaa mallia, haluamme yleensä toimittaa näytteet "mini-erissä" ja järjestää tiedot uudelleen jokaisessa jaksossa mallin ylisovituksen vähentämiseksi.