本文记录了在配备GTX 1660 Ti 6GB显卡的Ubuntu 20.04系统上本地部署Qwen3-8B大语言模型的完整过程。文章从硬件评估、模型选型（选择GGUF格式的Q4_K_M量化版）开始，详细介绍了使用Ollama工具的部署流程，包括驱动升级、Python环境配置等常见问题的解决方案。重点分析了KV Cache原理对显存的影响，展示了不同上下文长度下的性能表现（最佳19-38 tok/s

本文记录了在配备GTX 1660 Ti 6GB显卡的Ubuntu 20.04系统上本地部署Qwen3-8B大语言模型的完整过程。文章从硬件评估、模型选型（选择GGUF格式的Q4_K_M量化版）开始，详细介绍了使用Ollama工具的部署流程，包括驱动升级、Python环境配置等常见问题的解决方案。重点分析了KV Cache原理对显存的影响，展示了不同上下文长度下的性能表现（最佳19-38 tok/s

本文记录了在配备GTX 1660 Ti 6GB显卡的Ubuntu 20.04系统上本地部署Qwen3-8B大语言模型的完整过程。文章从硬件评估、模型选型（选择GGUF格式的Q4_K_M量化版）开始，详细介绍了使用Ollama工具的部署流程，包括驱动升级、Python环境配置等常见问题的解决方案。重点分析了KV Cache原理对显存的影响，展示了不同上下文长度下的性能表现（最佳19-38 tok/s

本文记录了在配备GTX 1660 Ti 6GB显卡的Ubuntu 20.04系统上本地部署Qwen3-8B大语言模型的完整过程。文章从硬件评估、模型选型（选择GGUF格式的Q4_K_M量化版）开始，详细介绍了使用Ollama工具的部署流程，包括驱动升级、Python环境配置等常见问题的解决方案。重点分析了KV Cache原理对显存的影响，展示了不同上下文长度下的性能表现（最佳19-38 tok/s

本文记录了在配备GTX 1660 Ti 6GB显卡的Ubuntu 20.04系统上本地部署Qwen3-8B大语言模型的完整过程。文章从硬件评估、模型选型（选择GGUF格式的Q4_K_M量化版）开始，详细介绍了使用Ollama工具的部署流程，包括驱动升级、Python环境配置等常见问题的解决方案。重点分析了KV Cache原理对显存的影响，展示了不同上下文长度下的性能表现（最佳19-38 tok/s

本文记录了在配备GTX 1660 Ti 6GB显卡的Ubuntu 20.04系统上本地部署Qwen3-8B大语言模型的完整过程。文章从硬件评估、模型选型（选择GGUF格式的Q4_K_M量化版）开始，详细介绍了使用Ollama工具的部署流程，包括驱动升级、Python环境配置等常见问题的解决方案。重点分析了KV Cache原理对显存的影响，展示了不同上下文长度下的性能表现（最佳19-38 tok/s

本文记录了在配备GTX 1660 Ti 6GB显卡的Ubuntu 20.04系统上本地部署Qwen3-8B大语言模型的完整过程。文章从硬件评估、模型选型（选择GGUF格式的Q4_K_M量化版）开始，详细介绍了使用Ollama工具的部署流程，包括驱动升级、Python环境配置等常见问题的解决方案。重点分析了KV Cache原理对显存的影响，展示了不同上下文长度下的性能表现（最佳19-38 tok/s

上一篇转载的博文《神经网络中的对抗攻击与对抗样本》帮助我理解了神经网络学习的本质，以及对抗攻击的来龙去脉。接下来在这篇文章：《忽悠神经网络指南：教你如何把深度学习模型骗得七荤八素》中进一步理解了神经网络中白箱攻击，本博文拟在加深学习印象，并结合自己的一些理解对该文章将的一些内容做一个重梳理。因为本人也处于学习阶段，博文中因考虑不全面或有欠缺的地方欢迎交流指正。为什么要进行对抗攻击研究未...

0 前言复杂度对模型的影响时间复杂度决定了模型的训练/预测时间。如果复杂度过高，会导致模型训练和预测耗费大量时间，既无法快速的验证想法和改善模型，也无法做到快速的预测。空间复杂度决定了模型的参数数量。由于维度灾难（curse of dimensionality）的限制，模型的参数越多，训练模型所需的数据量就越大，而现实生活中的数据集通常不会太大，这会导致模型的训练更容易过拟合。1. 时...

如题，vscode在一个离线服务器上，通过remote-ssh登录远程服务器，不断弹出密码框，总是进不去，后来了解到主要是不同vscode版本需要下载对应抑制commit-id的vscode-server-linux-x64.tar.gz包。如果你已经通过vscode连过了，这个commit_id的文件夹估计就已经存在了，不用再次创建，直接敲解压命令。2) 在一个可联网的服务器，输入如下命令下载这