对于计算机视觉问题，效果最好的模型仍然是卷积神经网络。卷积神经网络针对视觉问题的特点进行了网络结构优化，可以直接处理原始形式的图像数据，保留像素间的空间信息，因此更适合处理视觉问题。通过搭建卷积神经网络来构建手写数字识别，验证一下它的准确率。

如果我们需要的语言中没有可用的大语言模型，或者我们要预测的数据集与我们选择的大语言模型训练的数据集非常不同，我们就需要使用适合我们的数据的tokenizer从头开始重新训练模型，训练tokenizer可以不必从头开始

随着互联网、尤其是物联网的发展，我们需要把各种类型的终端实时监测、检查与分析设备所采集、产生的数据记录下来，在有时间的坐标中将这些数据连点成线，往过去看可以做成多纬度报表，揭示其趋势性、规律性、异常性;往未来看可以做大数据分析，机器学习，实现预测和预警。这些数据的典型特点是：产生频率快（每一个监测点一秒钟内可产生多条数据）、严重依赖于采集时间（每一条数据均要求对应唯一的时间）、测点多信息...

LORA: LOW-RANK ADAPTATION OF LARGE LANGUAGE MODELS，直接翻译过来就是大模型的低秩适配2021年微软提出的LoRA，它的灵感来自于 Li和 Aghajanyan等人的一些关于内在维度（intrinsic dimension）的发现：模型是过参数化的，它们有更小的内在维度（low intrinsic dimension）。于是假设模型在任务适配过程中权

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】

LORA: LOW-RANK ADAPTATION OF LARGE LANGUAGE MODELS，直接翻译过来就是大模型的低秩适配2021年微软提出的LoRA，它的灵感来自于 Li和 Aghajanyan等人的一些关于内在维度（intrinsic dimension）的发现：模型是过参数化的，它们有更小的内在维度（low intrinsic dimension）。于是假设模型在任务适配过程中权

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】

针对google/vit-large-patch32-384模型进行微调，根据自己的数据来训练自己的分类。大模型出现以后，我们不需要再重头来训练我们的模型，直接根据已经训练好的大模型进行微调即可

通常大家觉得大模型微调比较麻烦，其实只要看到这篇博客，就能实现文本的分类，直接代码贴进去运行即可，非常的便捷。

利用uvicorn、Starlette和pipeline将一个训练好的大模型发布成一个web服务