所以引入了“随即优先级采样”和“重要性采样”（重要性采样是以后总用于估计某一分布性质的方法，它的基本思想是，我们可以通过与带古迹分布不同的另一个分布中采样，然后通过采样样本的权重来估计待估计分布的性质）的技巧。状态或者说环境会发生变换，并且这些变化不是由于智能体的行为导致的，描述这个的特点的矩阵就是状态转移矩阵，状态转移矩阵是环境的一部分。不过经验回放的容量应当是有限的，不是由于成本导致的，而是因

然后使用PIL库读取图片，并进行预处理。预处理的四步是缩放、裁剪、转 Tensor、归一化，此处不再赘述。此外还需要读取映射字典。注意：在gpu中训练得到的权重文件不能直接用于cpu，需要通过加入参数map_location='cpu'进行映射，如右下图所示。

本次任务是测试集上评估图像分类算法的精度。在大佬开源的代码中，无论是准确率评估指标还是混淆矩阵、PR曲线、ROC曲线、降维可视化，都可以很容易地得到结果。而在这些代码中可能出现的问题，也都在前面的任务中已经解决，比如matplotlib绘制中文的处理、gpu上训练的权重用于cpu上需要加映射参数等。可以说，只要前面的任务认真完成，这次的任务至少在代码运行上是没有任何问题。基于此种情况，我认为这个任

本系列文章是参与书生浦语全链路开源体系学习的笔记文章。B站视频教程地址：# 笔记正文## 大模型成为热门关键词LLM受到高关注，因为大模型成为发展通用人工只能的重要途经。专用模型：针对特定任务，一个模型解决一个问题。通用大模型：一个模型应对多种任务、多种模态。书生·浦语全链路开源体系是一个全面、多元化的项目，涵盖了从数据、预训练到微调、部署等多个环节。

本次参加的是DataWhale组织的2023年2月份学习计划。学习内容为李航老师的《统计学习方法（第二版）》的第一到六章。习题的解答开源在datawhale的GitHub账号。

无监督学习是机器学习的一种类型，它不依赖于预先标记的训练数据。相反，它直接对输入数据进行模式识别和结构分析。无监督学习的主要目标是发现隐藏在数据中的有意义的结构和模式。常见的无监督学习方法包括聚类、降维等。市场细分是无监督学习的一个重要应用领域。通过分析大量的用户行为数据，无监督学习可以帮助企业将市场划分为不同的细分市场，从而更好地满足不同用户群体的需求。常用的无监督学习算法有聚类算法（如K-me

对的系列的学习（大佬的完整代码在2022年人工智能依旧飞速发展，从传统机器学习模型到如今以“炼丹”为主的深度神经网络，代表着模型拟合度与模型各自的发展趋势。至此，深刻体会并成功解释NN为何能取得更优的效果成为各行各业的新目标，而可解释性机器学习便应运而生。

众所周知，国产大模型如千问、书生、易等等都有开源大模型，但是出场时效果就很不错的讯飞星火大模型却迟迟没有见到开源的消息，原来是憋了发大的啊！今天下午收到了讯飞星火发布会的微信推送属实是挺期待的。讯飞大模型定制训练平台。

上述种种都是使用预编译包安装moveit。可能预编译包就是不好用吧，现在在搞源码安装了。

对于datawhale的开源学习计划，我眼馋很久了，只是之前在学校，不敢轻易尝试。此次寒假终于能够克服畏难情绪进行尝试，终归是有所进步的。第一个任务即是构建自己的图像分类数据集，看起来还是一个比较简单的任务，没想到还是让我头大许久。