在深度学习领域中，已经经过验证的成熟算法，目前主要有深度卷积网络（DNN）和递归网络（RNN），在图像识别，视频识别，语音识别领域取得了巨大的成功，正是由于这些成功，能促成了当前深度学习的大热。

本文主要介绍PyTorch的基础知识，PyTorch的优点，案例，PyTorch和Tensorflow的对比，让我们对PyTorch的框架有一个基本的了解。

在 x（原帖链接见文章末尾） 上看到有人分享一组图解 LLM 工作原理的帖子，内容通俗易懂，就搬运过来汉化一下，和大家一起学习！

今天给大家推荐一本丹尼斯·罗斯曼(Denis Rothman)编写的关于大语言模型（LLM）权威教程！Google工程总监Antonio Gulli作序，这含金量不用多说，在这里给大家强烈推荐一下这本黑书，下面直接开始介绍！

LangChain 是一个强大的框架，可以简化构建高级语言模型应用程序的过程。随着大模型的热度不断攀升，LangChain也获得了越来越多的开发人员亲睐。嗨，你好！让我向你介绍LangChain，这是一个非常棒的库，它能让开发者利用大型语言模型（LLMs）和其他计算资源来构建强大的应用。在这份指南中，我将快速概述LangChain的工作原理，并探讨一些很酷的使用案例，例如问答系统、聊天机器人和智能

大模型本地化微调+部署：使用ollama进行本地化微调+部署（附教程）

在当今数字化信息爆炸的时代，语言模型作为人工智能领域的关键技术，正以惊人的速度发展和演进。它不仅深刻改变了我们与计算机交互的方式，还在众多领域展现出巨大的应用潜力，从智能客服、机器翻译到内容创作、数据分析等，语言模型的身影无处不在。今天，就让我们一同深入探索语言模型的奥秘，了解它的发展历程、工作原理以及未来的无限可能。

Indexing（索引）：将文档分割成chunk，编码成向量，并存储在向量数据库中。Retrieval（检索）：根据用户输入query和向量数据库中chunks语义相似度检索与问题最相关的前k个chunk，形成本次问答的上下文。Generation（生成）：将原始问题和检索到的chunks整合形成合适的prompt一起输入到LLM中，让LLM输出与上下文有关的回答。用户发起query结合Bot实际

LLM表现出PLM所没有的Emergent Abilities（涌现能力）,这些能力是LLM在复杂任务上表现惊人的关键，使得得人工智能算法前所未有的强大，但这些能力是如何获得的还不具有理论支持

MaxKB 是一款基于 LLM 大语言模型的知识库问答系统。MaxKB = Max Knowledge Base，旨在成为企业的最强大脑。