在学习 AI 的过程中，我发现一个很普遍的现象：很多开发者（包括我自己）对 LangChain 和 LangGraph 的关系都是一知半解的。

简介 随着数据科学领域的深入发展，大型语言模型——这种能够处理和生成复杂自然语言的精密人工智能系统—逐渐引发了更大的关注。 LLMs是自然语言处理（NLP）中最令人瞩目的突破之一。这些模型有潜力彻底改

在本章中，我们将学习如何配置一个预训练模型以进行文本分类，并如何微调它以适应任何文本分类的下游任务，例如情感分析、多类分类或多标签分类。我们还将讨论如何处理句子对和回归问题，并提供一个实现示例。我们将

在本章中，您将学习生成语言模型（GLMs）和大型语言模型（LLMs）。接下来，您将学习如何在自己的文本上预训练任何语言模型，例如生成预训练变换器2（GPT-2），并将其用于自然语言生成（NLG）等任务

本章内容包括： 为大型语言模型训练准备文本数据 将文本拆分为单词和子词词元 使用字节对编码（Byte Pair Encoding）作为更高级的文本标记化方法 通过滑动窗口方法对训练示例进行采样 将词元

文本分类是自然语言处理中的常见任务。其目标是训练模型为输入文本分配一个标签或类别（见图4-1）。文本分类在全球范围内广泛应用于各种场景，从情感分析和意图检测到实体提取和语言检测。语言模型（无论是表示型

本文聊聊 LLama-Factory，它是一个开源框架，这里头可以找到一系列预制的组件和模板，让你不用从零开始，就能训练出自己的语言模型（微调）。不管是聊天机器人，还是文章生成器，甚至是问答系统...

Unsloth是一个开源的大模型训练加速项目，可以显著提升大模型的训练速度，减少显存占用。本文将使用Unsloth微调Llama3-Chinese-8B-Instruct中文开源大模型。

llama.cpp的主要目标是能够在各种硬件上实现LLM推理，只需最少的设置，并提供最先进的性能。提供1.5位、2位、3位、4位、5位、6位和8位整数量化，以加快推理速度并减少内存使用。