发简信
IP属地：浙江
-
（3）Lance v2 编码方式
一、总体架构 Lance v2 的编码分为 两大部分： Structural Encoding（结构编码）：描述数据的组织结构，即页面布局（Pa...
-
（2）lance 文件结构
Lance v2 实际数据文件的物理二进制格式详解 （基于 file2.proto 的逻辑定义 + 底层实现规范，落地到磁盘上的字节排列） 一、...
-
（1）lance 的架构与模块划分
项目整体架构 Lance 是一个面向 ML 和 LLM 的列式数据格式（v11.0.0-beta.7，Rust 2024 edition，Rus...
-
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...