之前有出过两篇关于本地部署及使用 AI 绘图应用 Stable Diffusion 的文章： MacOS 部署 Stable Diffusion 实现 AI 绘画自由 给 Dify 接入 SD 实现 

💁‍♂️ 是的，你没看错，在扣子上也能耍爬虫！本节涉及：自己采集数据生成自己的知识库，使用代码节点爬取站点数据，知识库使用的一些坑~

NLP的内容很多，你如果在网上搜NLP学习路线的话你会看的眼花缭乱，本系列主要会介绍一些重要的知识点，一些老模型就不介绍了，感觉用处不大，我们的目标是向经典模型看齐，如GPT系列，BERT家族等等。

近年来，随着Transformer、MOE架构的提出，使得深度学习模型轻松突破上万亿规模参数，传统的单机单卡模式已经无法满足超大模型进行训练的要求。因此，我们需要基于单机多卡、甚至是多机多卡进行分布式

在前面两节，我为大家介绍了如何将pytocrh模型转换成ONNX格式，进而提高深度学习模型部署速度， 在评论区有小伙伴们问，如何进行服务化，那么今天就为大家介绍介绍通过Flask来实现服务化。

现在，GPT-3.5 Turbo 支持自定义微调了！ 只需上传自己的数据，就可以运行专属的定制大模型。 开发者狂喜！不少人惊呼：Awesome！ 早期测试表明，经过微调的 GPT-3.5 Turbo

本文分享在Java和Python环境下，通过Azure OpenAI（不限制国内访问）使用GPT\DALLE大模型，希望帮助大家推动项目创新和提效。

耗时一下午，我终于上线了我的 GPT 终端！详细讲解 GPT Terminal 的部署方案与踩坑记录，并提供体验地址，快速使用 GPT Terminal！

相信大家对 ChatGPT 和继任者 GPT-4 能做什么已经非常了解，我们来扮演一个严厉的批评者，看看 Generative Pre-trained Transformer 本身的局限