本文介绍了RAG技术中语义检索的两种向量表示方法：稀疏向量（基于字词匹配）和稠密向量（基于语义）。通过BGEM3FlagModel库演示了如何生成这两种向量，并提供了处理向量格式的注意事项：稀疏向量需转换为{Long,Float}键值对，稠密向量需从np数组转为普通数组才能JSON化。代码示例展示了如何正确提取和处理这两种向量，为语义检索提供基础数据支持。

它是在各种音频的大型数据集上训练的，也是一个多任务模型，可以执行多语言语音识别、语音翻译和语言识别。如果为true，则前一个模型的输出会作为下一个窗口的提示，禁用可能导致窗口之间的文本不一致，但该模型不太容易陷入故障循环。在CPU接口下，torch使用的线程数量，取代 MKL_NUM_THREADS/OMP_NUM_THREADS。在srt和vtt中说出的每个单词下面加下划线(条件：--word_

利用multiprocessing的Process可以非常方便的实现多进程架构，另外使用它的Queue也可以非常便捷的进行进程间通信，这样每个进程指定特定的GPU卡，就实现了GPU卡的利用。

NexNoSQL Client是全网唯一一款不需要写任何DSL语句就能操作elasticsearch的客户端软件，并且还支持Redis和MongoDB

当模型参数越来越大的情况下，如果我们的GPU内存比较小，那么就没办法直接进行全参数微调，此时我们可以借助deepspeed来进行微调。1、deepspeed的配置文件：deepspeed.json。当前我们利用44G的GPU全参微调了Qwen2.5-3B的模型。这里我们启动的ZeRO-1：优化器状态跨 GPU 分区。

member:PRIMARY> rs.status(){        "ok" : 0,        "errmsg" : "not authorized on admin to execute command { replSetGetStatus: 1.0 }",        "code" : 1

在前面的几篇中，我们学习了使用卷积神经网络进行图像分类，比如手写数字识别是用来识别0~9这十个数字。与图像分类处理单个物体的识别不同，目标检测它识别的不仅是物体，还是多个物体，不仅要确定物体的分类，还要确定物体的位置。比如下图：目标检测不仅要告诉我们这张图片上既有小狗也有小猫，还要告诉小狗处于左边红色方框内，而小猫处于右边的红色方框内。也即目标检测的输出结果是【目标分类+目标坐标】

深度学习的模型开发的五个步骤：1、数据处理；2、模型设计；3、模型训练；4、参数保存；5、模型预测

向量字段函数向量函数的计算是把所有匹配的文档都计算一遍，因此花费的查询时间会随着匹配文档的数量线性增加。因为这个原因，我们建议通过query参数来限制匹配的文档数量下面是可用的向量函数和向量访问方法：cosineSimilarity– 计算余弦相似性dotProduct– 计算点积l1norm– 计算曼哈顿距离l2norm- 计算欧几里德距离doc[<field>].vectorVal

机器学习中会经常用到向量，包括对特征的存储，优化的计算等。但是具体实现时，经常会采用两种方式存储向量：稀疏向量和密集向量密集向量：也称为稠密向量，使用普通的数组来存储向量的值稀疏向量：通常用两部分表示：一部分是索引向量，另一部分是值向量。例如：向量(1.0,0.0,1.0,3.0)用密集格式表示为[1.0,0.0,1.0,3.0]，用稀疏格式表示为(4,[0,2,3],[1.0,1.0,3.0])