Euler的博客

累计撰写 214 篇文章
累计创建 83 个标签
累计收到 0 条评论

目录CONTENT

最新文章

【LLaMA-Factory】核心参数配置指南 LLaMA-Factory 核心参数配置指南在使用 LLaMA-Factory 进行模型微调时，界面上的几个核心参数往往让初学者感到困惑。这些参数看似简单，实际上每个都影响着模型的训练效果和性能表现。本文将深入解析这五个关键参数的作用机制和配置建议。量化等级：在内存与精度间寻找平衡量化等级（Q
- 2025-11-13
- 10
- 0
- 0
- 模型微调
【LLaMA-Factory】微调方法详解：LoRA、Freeze、OFT与Full对比在使用LLaMA-Factory进行模型微调时，我们经常会遇到一个关键选择：应该使用哪种微调方法？LLaMA-Factory提供了四种主要的微调方法：LoRA、Freeze、OFT和Full。每种方法都有其独特的原理、适用场景和资源需求。本文将深入解析这四种方法的区别，帮助你在实际项目中做出合适的选
- 2025-11-13
- 9
- 0
- 0
- 模型微调
【LoRA】LoRA vs QLoRA 的区别核心区别 LoRA (Low-Rank Adaptation) 参数高效微调方法冻结原始模型权重，只训练低秩适配器（adapter）模型以全精度（FP16/BF16）加载到显存显存占用较高，适合显存充足的情况 QLoRA (Quantized LoRA) LoRA + 量化（Quantizat
- 2025-11-12
- 8
- 0
- 0
- 深度学习
【LoRA】LoRA 微调中的 target_modules 参数详解 LoRA 微调中的 target_modules 参数详解什么是 target_modules？在使用 LoRA (Low-Rank Adaptation) 进行大模型微调时，target_modules 是一个关键参数，它指定了哪些模块需要添加 LoRA 适配器。简单来说：LoRA 不会修改
- 2025-11-11
- 6
- 0
- 0
- 深度学习
【深度学习】PERF 中 QUESTION_ANS 与 FEATURE_EXTRACTION 的区别在进行参数高效微调（PERF/PEFT）时，QUESTION_ANS 和 FEATURE_EXTRACTION 这两种任务类型看似都需要特征提取，但实际上它们在训练过程中有本质的不同。核心差异任务目标 QUESTION_ANS：生成式任务，需要根据输入生成特定答案 FEATURE_EXTRACT
- 2025-11-11
- 4
- 0
- 0
- 深度学习
【深度学习】PEFT TaskType 任务类型详解 PEFT（Parameter-Efficient Fine-Tuning）是 Hugging Face 提供的参数高效微调库，在使用 LoRA、Prefix Tuning 等微调方法时，需要指定 TaskType 来告诉 PEFT 库当前任务的类型。正确选择任务类型对于模型微调的成功至关重要。 Ta
- 2025-11-11
- 5
- 0
- 0
- 深度学习
【Python】Matplotlib 中文乱码问题排查与修复指南问题描述在使用 matplotlib 绘制图表时，如果图表标题、坐标轴标签或图例中包含中文字符，可能会出现以下问题：中文显示为方框：□□□ 或 [][][] 中文显示为乱码：显示为其他字符或符号字体警告信息：控制台输出字体相关的警告信息问题原因 matplotlib 默认使用的字体（如 De
- 2025-11-07
- 9
- 0
- 0
- Python
【数据库】数据库主键ID选取策略深度解析在数据库设计中，主键（Primary Key）的选择是一个看似简单但实际非常复杂的问题。不同的主键策略会直接影响系统的性能、可扩展性、安全性和维护成本。本文将按照从原理到实践的逻辑，深入探讨主键的实现原理、性能瓶颈、各种ID方案的优劣，以及架构层面的选择策略。一、主键ID的核心作用在深入讨论之前
- 2025-11-06
- 10
- 0
- 0
- 数据库与搜索
【数据库】聚簇索引与非聚簇索引一、核心概念聚簇索引（Clustered Index）本质：数据行的物理存储顺序与索引键值的逻辑顺序相同，索引和数据存储在一起。形象比喻：像一本按拼音排序的字典，内容本身就是按拼音顺序存放的，找到索引位置就直接找到了内容。非聚簇索引（Non-Clustered Index）本质：索引的逻辑
- 2025-11-06
- 6
- 0
- 0
- 数据库与搜索
【理论】机器学习与大模型研究中的常见实验方案在学术研究与工程实践中，**实验设计（Experimental Design）**是验证一个模型是否真的“有效”的核心环节。一个好的实验方案不仅能证明方法确实带来了改进，更能揭示其背后的因果机制、泛化能力与局限性。本文将系统梳理机器学习与语言模型（LLM）研究中常见的实验设计思路，帮助你在科研或
- 2025-11-04
- 6
- 0
- 0
- 深度学习

1
2
3
4
5
...
22