调试 .dmp 文件

这张图通过展示不同置信度阈值下的F1分数变化，帮助我们理解模型在不同置信度下的整体性能，并找到一个最优的置信度阈值以平衡精确率和召回率。这张图通过展示不同置信度阈值下的精确率变化，帮助我们理解模型在不同置信度下的整体性能，并找到一个最优的置信度阈值以达到最高的精确率。这张图通过展示不同召回率下的精确率变化，帮助我们理解模型在不同召回率下的整体性能，并找到一个最优的召回率阈值以平衡精确率和召回率。通过这种方式，你可以快速识别模型在不同召回率阈值下的性能，并选择最适合你应用场景的阈值。

简而言之，Precision 关注的是“准确性”，即你所选择的内容中有多少是对的；例如，在一些应用场景下，可能更倾向于减少漏报（提高 Recall），而在其他场景下则可能更注重降低误报（提高 Precision）。因此，选择优化的方向取决于具体的应用需求。但是，在这个案例中，由于 Recall 只有 0.5，意味着有一半的垃圾邮件未被发现，可能会让用户错过重要的过滤。意味着几乎所有的垃圾邮件都能被捕捉到，但同时可能也会误判一些正常的邮件为垃圾邮件（如上述例子中的 FP），导致 Precision 下降。

common_voice_yue_31189594.wav 睇我几有礼貌去之前讲返声。

一款全功能的AI编辑器。现有的编辑器在面对文本生成、图像生成、图像识别、视觉识别以及语音识别等功能时，需要依赖多个外部工具，流程繁琐且不易于管理。本方案旨在解决这一痛点，通过本地化推理集成多个大语言模型、语音模型和视觉多模态模型，打造一个全功能的AI编辑器。

ϵ′\epsilon'ϵ′我们定义一个新的随机变量ϵ′\epsilon'ϵ′ϵ′αt1−αt−1ϵt−21−αtϵt−1ϵ′αt​1−αt−1​​ϵt−2​1−αt​​ϵt−1​。

通过对数似然的下界推导，我们得到了一个可以优化的目标函数，这个目标函数由两部分组成：重构误差（第一项）和正则化项（KL散度，第二项）。在VAE中，我们通过优化这个下界来间接优化对数似然，从而达到学习数据生成分布的目的。

自 2021 年以来一直维护 Gym 的团队已将所有未来的开发转移到 Gymnasium，这是 Gym 的替代品（将 gymnasium 导入为 gym），Gym 将不会收到任何未来的更新。请尽快切换到 Gymnasium。我用的是 Python 3.7.16。

【代码】Qwen 微调LoRA之后合并模型，使用 webui 测试。

【代码】Qwen 微调脚本分析 Qwen/finetune.py。

我这里是本地电脑 显卡是 GTX-4070ti-super 16G ，单卡。因为是Qwen模型，不是Qwen1.5及以后的模型 所以。在 LLaMA-Factory 路径下 创建虚拟环境。这里必须这样，不然报错！然后保存配置参数，然后点击。在虚拟环境中安装依赖。我这里使用自带的数据。

## Qwen量化脚本run_gptq.py解析模型路径 [https://github.com/QwenLM/Qwen/](https://github.com/QwenLM/Qwen/)run_gptq.py路径 [https://github.com/QwenLM/Qwen/blob/main/run_gptq.py](https://github.com/QwenLM/Qwen/blob/main/run_gptq.py)

3 基于上面查询提供语言模型 promt。1 把给定的文档向量化存储为数据库。基于 langchain 框架。4 语言模型生成答案。

【代码】强化学习A3C算法。

在训练时，目标网络𝑄𝜃’(𝑠𝑡+1, 𝑎)和预测网络𝑄𝜃(𝑠𝑡, 𝑎𝑡)来自同一网络，但是𝑄𝜃’(𝑠𝑡+1, 𝑎)网络的更新频率会滞后𝑄𝜃(𝑠𝑡, 𝑎𝑡)其中 gym version = 0.26.2。

强化学习PPO

tensorflow-gpu版本对应关系。

策略网络输入状态s，输出动作a的概率分布如下： πa∣s多次训练轨迹如下​s11​a11​r11​……s1t​a1t​r1t​……s1T​a1T​r1T​………………sn1​an1​rn1​……snt​ant​rnt​……snT​anT​rnT​………………sN1​aN1​rN1​……sNt​aNt​rNt。

我安装 python 3.10 和 tensorflow_gpu-2.10.0。这里根据自己的版本安装，按照表格推荐tensorflow-gpu==2.10.0。这里根据自己的版本安装，按照表格推荐 11.2 ，我这里是12.2。这里根据自己的版本安装，按照表格推荐 8.1 ，我这里是 8.9。适用于Microsoft窗口的 CUDA 安装指南。显卡 GTX 1660 Ti。系统 win10 x64。

7 Please specify optimization flags to use during compilation when bazel option “–config=opt” is specified [Default is -Wno-sign-compare]: --copt=-march=native # 配置 bazel 编译的参数，我这是纯 cpu 加速，所以填写。: 这是两个选项的组合，用于以交互式终端运行容器，并将终端连接到容器的输入/输出（stdin/stdout）。

通过 scikit-learn 库提供的便捷工具生成 2000 个线性不可分的 2 分类数据集。按着7: 3比例切分训练集和测试集。