发简信
IP属地：北京
-
base-llm 2.2.3 模型构建、训练与推理
一、模型结构设计 NER本质是序列标注问题——为输入序列中的每一个Token预测一个对应的标签。 1. Token Embedding 层 to...
-
base-llm 4.1 模型部署实战 FastApi/docker-compose
FastAPI是基于Starlette和Pydantic构建。pydantic能利用Python的类型提示（Type Hints）实现自动的数据...
-
base-llm 2.2.4 模型的推理与优化
一、理解模型输出 实体级别的F1值是衡量模型性能的核心标准，而非简单的Token分类准确率。 1.1 Token级准确率的陷阱 Token分类准...
-
base-llm 2.2.2 NER项目的数据处理一、 数据处理流程总览 1.1. 数据处理目标 使用的是BMES方法模型输入X: [batch_seq_len] (每个位置是TokenID)...
-
base-llm 2.2.1 命名实体识别概要一、命名实体识别简介 文本分类是一种对文本的宏观理解。命名实体识别则，则是深入内部理解，学习如何精准是被出句子中的人名、地名等具有特定意义的词语...
-
base-llm 1.5.3 T5结构及应用Bert是基于Encoder架构，擅长理解（如分类、实体识别），GPT基于Decoder架构，擅长生成（如续写、对话）， T5回归了Encode...
-
Base-llm 1.5.2 GPT结构及应用GPT系列模型是完全基于Transformer构建的，与BERT致力于通过双向上下文来“理解”语言不通，GPT的中心在生成语言。它的设计初衷是为...
-
Base-llm 1.5.1 BERT结构及应用一、BERT的设计原理与预训练策略 Bert（Bidirectional Encoder Representations from Transf...
-
base-llm 1.4.3 深入理解transformerTransformer 来自2017年Google研究团队的名为《Attention is All You Need》的论文。其思想抛弃了传统R...