本文介绍了GPU的关键参数与选型要素。GPU由GPU芯片、显存、PCB板等组件构成，可通过Linux命令查看详细信息。主要性能指标包括：1)算力(TFLOPS)，决定计算速度；2)显存容量与带宽，影响数据处理能力；3)核心数量，提升并行处理效率。GPU架构演进从Volta到Hopper，不同架构对应不同计算能力版本号(sm_xx)。选型还需考虑软件生态、互联技术及物理参数。此外，文章详细解析了FP

1.直接使用别人的anaconda安装环境source /home/XXX/anaconda3/bin/activatecondaactivate labelme2.copy anaconda环境cp-r/home/XXX/anaconda3/envs/x-anylabeling/home/YYY/anaconda3/envsconda config --append envs_dirs/home

【代码】labelme自动标注工具的安装和代码修改。

python 根据url下载图像。

3.train loss不断下降，test loss趋于不变，过拟合：（1）正则化和降维（2）降低模型复杂度 （3）获取更多数据集、数据增强。翻转，旋转，裁剪，缩放，平移，抖动、Mixup、Cutout、Cutmix、Mosaci等。4.train loss趋于不变，test loss不断下降：数据集有问题，检查数据集。6.train loss不断上升，test loss不断上升：数据清洗，超参设

selective attention简单且无需额外参数的选择性注意力机制，通过选择性忽略不相关信息并进行上下文剪枝，在不增加计算复杂度的情况下显著提升了Transformer模型的语言建模性能和推理效率。

从.xml标注文件voc格式数据中提取bbox，通过yolov4 mosaic数据增强，四张图片合成一张，并生成相应voc格式import osimport cv2import globimport randomimport numpy as npfrom PIL import Imageimport xml.etree.ElementTree as ETOUTPUT_SIZE = (600, 6

摘要： InstructGPT通过三阶段训练实现语言模型与人类偏好对齐：1）监督微调（SFT）使模型初步遵循指令；2）奖励模型（RM）学习人类偏好排序；3）强化学习（RLHF）结合PPO算法优化输出，通过KL散度约束平衡创新与稳定性。该方法解决了模型幻觉问题，奠定ChatGPT等技术基础，并推动DPO等后续优化方案的发展。核心创新在于“生成-评价-优化”闭环，首次系统性融合人类反馈，成为大模型对齐

摘要：CLIP（Contrastive Language-Image Pre-training）是OpenAI 2021年提出的多模态预训练模型，通过对比学习将图像与文本语义对齐。其核心突破在于摆脱固定类别标签限制，利用4亿图文对预训练视觉-语言联合表征，实现高效的zero-shot迁移。模型采用双编码器结构（图像/文本），通过对比损失学习跨模态相似性。推理时通过prompt工程将下游任务转化为图

清华大学DeepSeek使用手册