目录一、简单了解1、模块简介2、硬件及功能 3、传输方式二、模块上手1、连接 2、编写代码usart3.husart3.clora.hlora.cmain.c一、简单了解本文以正点原子ATK-LORA-01模块为例进行介绍。1、模块简介 ATK-LORA-01-V3.0(V3.0是版本号，下面均以ATK-LORA-01表示该产品)是ALIENTEK推出的一款体积小、微功率、低功耗、高性能远距离LORA无线串口模块。模块设计是采用高效的ISM频段射频SX1278扩频芯片，模块的工作频率在410Mhz~441Mhz，以1Mhz频率为步进信道，共32个信道。可通过AT指令在线修改串口速
LLMs之llama_7b_qlora：源代码解读export_hf_checkpoint.py(模型权重合并文件)将LORA模型的权重合并回原始模型的权重(hf_llama_model+llama_7b_qlora)，并保存到指定的检查点文件中目录
文章目录一、StableDiffusion安装与源码解析1.1StableDiffusion安装1.2webui启动代码分析1.2.1加载webui-user.sh1.2.2执行launch.py1.2.3执行webui.py，启动界面1.2.4cmd_args二、文生图（提示词解析）2.1提示词入门2.2权重2.3负面提示词（Negativeprompt）2.4出图参数设置2.5新手念咒方法三、图生图3.1图生图入门3.2随机种子解析3.3图生图拓展四、模型4.1`Checkpoint`4.1.1Checkpoint简介4.1.2Checkpoint分类与下载4.2`VAE`（变分自解码器）
目录前言一、SD-Trainerwebui使用介绍二、准备工作2-1、登录在线训练平台2-2、购买算力并创建工作空间2-3、启动工作空间三、开始训练3-1、打开终端3-2、准备训练数据3-3、准备模型文件3-3-1、模型3-3-2、下载方法（以下两种方法任选一种即可）3-4、启动SD-Trainer3-5、开始训练前言SD-Trainer：是stablediffusion进行lora训练的webui，有了SD-Trainer，只需要少许图片，每个人都能够方便快捷地训练出属于自己的stablediffusion模型，可以让图片按照你的想法进行呈现。一、SD-Trainerwebui使用介绍SD-
近期，指令微调（IFT）已经被作为预训练大语言模型（LLMs）获得指令遵循能力的关键训练阶段。然而，广泛使用的IFT数据集（例如，Alpaca的52k数据）却包含许多质量低下的实例，这些实例带有错误或无关的回应，对IFT产生了误导和不利影响。先前的处理方法主要依靠人工筛选这些低质量数据，但这既费时费力，又难以扩展。因此，如何以高效、自动化的方式过滤出这些低质量数据，成为提升LLM微调效果的关键所在。现在，来自马里兰大学，三星和南加大的研究人员提出了一种有效的数据过滤策略，使用强大的LLM（例如，ChatGPT）自动识别和移除低质量数据，以改善指令微调（IFT）的效果。图片论文地址：https:
ChatGLM2介绍ChatGLM2-6B源码地址：https://github.com/THUDM/ChatGLM2-6BChatGLM2-6B是开源中英双语对话模型ChatGLM-6B的第二代版本，在保留了初代模型对话流畅、部署门槛较低等众多优秀特性的基础之上，ChatGLM2-6B引入了如下新特性：1、更强大的性能：基于ChatGLM初代模型的开发经验，我们全面升级了ChatGLM2-6B的基座模型。ChatGLM2-6B使用了GLM的混合目标函数，经过了1.4T中英标识符的预训练与人类偏好对齐训练，评测结果显示，相比于初代模型，ChatGLM2-6B在MMLU（+23%）、CEval（
@TOC一、Lora介绍Lora不是一种协议，而是一种基于扩频通信的射频技术，它相对于其他射频技术比如2.4G或普通433/915M来讲，具有更远的传输距离（几千米）和更强的越障性能。所以我们把一个Lora设备作为中心点，多个Lora设备作为节点可以组成一个范围达几千米的星型网络。上图中，中心点和某个节点的通信流程实现可参考如下模式：二、例程实现功能介绍某个Lora节点每隔2秒主动向中心点发送一包5字节的数据(1,2,3,4,5)，Lora中心点收到后将收到的数据每个都加1，作为应答内容返回给该节点。所以当该Lora节点收到(2,3,4,5,6)时即可判定正确收到了响应。节点每收到一次正确的响
目录Niji-ExpressiveV2launch!!灵动优雅，张力尽显Vividandelegant,fulloftension 模型演示（多图预警）Niji-ExpressiveV2launch!!灵动优雅，张力尽显本次升级泛用性，能在更多模型和采样方式上适用选取500+优质且风格统一的Nijijourney图片，进行更高精度训练推荐关键词：letterboxed,illustration,目前仍然存在手部和肢体的bug（甚至更严重）十分推荐使用“badpromt，easynegative，badhand”等负面embedding======================Vividand
GitHub：GitHub-ymcui/Chinese-LLaMA-Alpaca:中文LLaMA&Alpaca大语言模型+本地CPU/GPU训练部署(ChineseLLaMA&AlpacaLLMs)中文LLaMA模型中文LLaMA模型在原版的基础上扩充了中文词表，使用了中文通用纯文本数据进行二次预训练。模型名称训练数据重构模型[1]大小[2]LoRA下载[3]Chinese-LLaMA-7B通用20G原版LLaMA-7B770M[百度网盘][GoogleDrive]Chinese-LLaMA-Plus-7B ⭐️通用120G原版LLaMA-7B790M
LLMs之llama_7b_qlora：源代码解读inference.py(基于合并后的权重文件进行模型推理)将基于之前合并Lora模型权重后的hl_llama_7b模型进行文本生成(基于用户交互输入的上下文生成新文本)目录
