文章目录背景一、最初的疑惑二、简单聊聊原理三、组织内实践案例四、实践带来的反思五、最后聊几句问题背景这个概念由来已久，但是在国内兴起，是最近几年；低代码即Low-Code；指提供可视化开发环境，可以用来创建和管理软件应用；简单的说就是可以通过各种组件的拖拽，实现页面的创建，交互流程和逻辑，以及数据层面的管理，更加高效的实现需求；早先在数据公司时；见识过低代码的应用，也参与过部分研发，比如元数据平台，BI分析等；不过，当时还是以数据管理的工具来定义项目，并非是低代码；从「2020年底」开始；实际上，那个时间节点，低代码平台的应用已经形成趋势了；现在的公司，将低代码平台的使用规划到业务体系中；后来
今天我们来讨论一个比较热门的话题，那就是程序员。如果到了40岁以上还容易找到工作吗？这个问题呢，其实是一个非常现实的问题，也是我们程序员非常关心的一个问题。因为我们每一个程序员，他都会有到40岁的那一天。首先呢，我们来看一下这个现状，目前很多互联网公司里面都有很多40岁以上的程序员还在坚持写代码，而且呢在一些关键岗位还发挥着非常重要的角色，经验非常丰富啊，对公司的价值非常大。但是天有不测风云啊，如果我们的程序员过了40岁啊被裁了、辞职了或者公司倒闭了，那么就面临一个重新找工作的问题。那么这种情况下，我们到了40岁以上再找工作容易找到吗？哎这个呢，是一个大家非常关心的问题对不对。在这里呢我先不说
转载请注明出处：https://www.cnblogs.com/zhiyong-ITNote参考现有的中文医疗模型：MedicalGPT、CareGPT等领域模型的训练流程，结合ChatGPT的训练流程，总结如下：在预训练阶段，模型会从大量无标注文本数据集中学习领域/通用知识；其次使用{有监督微调}(SFT)优化模型以更好地遵守特定指令；最后使用对齐技术使LLM更有用更安全的响应用户的提示。训练流程的四个阶段，分别如下：预训练(pre-training，pt)，基于基座模型，经过海量中文医疗预料训练，得到领域适配的ChatGLM-6B。监督微调(supervisedfinetuning，sft
前言随着云原生和微服务架构的快速发展，Kubernetes和Docker已经成为了两个重要的技术。但是有小伙伴通常对这两个技术的关系产生疑惑：既然有了docker，为什么又出来一个k8s？它俩之间是竞品的关系吗？傻傻分不清。学习一门技术我们要学会类比，这里我给你们打个比方：将Kubernetes与Docker的关系类比为SpringMVC与Servlet或MyBatis与JDBC的关系。Docker像是Servlet或JDBC，提供了基础的容器化技术。而Kubernetes类似于SpringMVC或MyBatis，相当于框架，它在基础技术之上提供了更丰富的功能，如自动化部署、扩缩容、服务发现与
聊到AI绘画，基本上就会聊到SD这个概念，毕竟作为开源可以本地部署的AI绘画软件，SD可能是目前的唯一选择，不管是webUI或者ComfyUI，还有国内的很多套壳绘画AI，都是sd作为基础进行二次优化的。那么SD到底是个啥，这篇文章就结合我个人的理解简单跟大家聊聊。基础介绍SD全称是StableDiffusion，稳定扩散模型，可以理解为一种技术，而大家常说的WebUI或者Comfyui都是这个技术的界面层，所以这一点首先要了解。StableDiffusion模型是一种基于扩散过程的生成模型，它用于生成高质量的图像。这种模型是在传统的扩散模型（DenoisingDiffusionProbabi
在Android开发中，权限是一种安全机制，用于控制应用程序对系统资源和数据的访问。Android系统提供了一系列的权限，包括但不限于访问网络、读取存储、定位等。开发者在开发应用时需要在清单文件（AndroidManifest.xml）中声明所需的权限，以便在用户安装应用时向用户展示权限请求，并在运行时获取所需的权限。应用访问网络的权限声明的示例：权限分为普通权限和危险权限两种类型。普通权限是指不涉及用户隐私和敏感数据的权限，系统会自动授予应用。而危险权限是指涉及用户隐私和敏感数据的权限，需要在运行时向用户请求授权。开发者需要在代码中处理用户授权的结果，并在需要权限时动态请求权限。普通权限普通
一、摘要在之前的文章中，我们介绍了对象的创建过程，以及运行期的相关优化手段。本文主要介绍对象回收的判定方式以及垃圾对象的回收算法等相关知识。下面我们一起来了解一下。二、对象回收判定方式当一个对象被创建时，虚拟机会优先分配到堆空间中，当对象不再被使用了，虚拟机会对其进行回收处理，以便释放内存空间，这个过程也被称为垃圾对象回收。那么如何找到对象是否可以进行回收呢？一般有两种方式。引用计数法可达性分析法下面我们一起来了解下相关知识。2.1、引用计数法这个方法的实现思路是：在对象中维护一个引用计数器，每当一个地方引用这个对象时，计数器值+1；当引用失效时，计数器值-1。当对象的计数器值为0，表示这个对
引言天下风云出我辈，一入江湖岁月催。有人说，有数据库的地方，就有“江湖”。曾经多少前辈满腔热血投入国产数据库事业中，悠悠数十载，又如白驹过隙，最终不知几家欢喜几家愁。截止2023年8月份，墨天轮已收录286种国产数据库参与排名，国产数据库的发展表面上如火如荼、朝气蓬勃，实际上又是暗潮汹涌、危机四伏，走错一步，可能就会满盘皆输。关于数据库江湖的“恩恩怨怨”、“爱恨情仇”，且看下面2023年8月份墨天轮中国数据库流行度排行榜。国产数据库排名以下数据参考自墨天轮：https://www.modb.pro/dbRank2023年8月共286个数据库产品参与排名，前十名分别是：1：蚂蚁集团的OceanB
转载请注明出处:https://www.cnblogs.com/zhiyong-ITNote/参考了多个医疗大模型，如扁鹊、灵心等，重新思考了下微调的方案以及数据集的格式；基于ChatGLM/其它LLM整合多种微调方法的非官方实现的框架，审视其数据集格式，以及调试效果，进行微调。最终基于liucongg/ChatGLM-Finetuning开源框架成功的微调出来我想要的结果。服务器环境阿里云PAI平台开源库下载在服务器上通过git一键下载即可：ChatGLM-6B下载直接在服务器上，通过魔塔社区的sdk下载代码一键下载即可：我加了一句代码打印出下载地址，然后通过mv命令拷贝到指定路径下。#模型
转载请备注出处:https://www.cnblogs.com/zhiyong-ITNote微调框架概述模型的微调有多种方式，对于入门的来说，一般都是基于官方的文档微调；最近发现很多开源库，其目的就是支持应用多种微调策略来微调模型，简化模型的微调门槛。比如ChatGLM-Efficient-Tuning、LLaMA-Factory。其架构逻辑如下：最近试玩了这两个框架，个人觉得蛮好的，先不说实际的调试效果，这取决于多种因素，总的来说还是很方便快捷的。方便快捷的基于多种微调策略调试LLM；同时支持多种数据集类型。LLaMA-Factory这个开源库相比较其余的库，更全面，更方便。有如下几点我是比
