全网首发！真·从0到1！万字长文带你入门Qwen2.5-Coder——介绍、体验、本地部署及简单微调
2024年11月12日，阿里云通义大模型团队正式开源通义千问代码模型全系列，包括6款Qwen2.5-Coder模型，每个规模包含Base和Instruct两个版本。其中32B尺寸的旗舰代码模型在多项基准评测中取得开源最佳成绩，成为全球最强开源代码模型，多项关键能力超越GPT-4o。Qwen2.5-Coder具备强大、多样和实用等优点，通过持续训练，结合源代码、文本代码混合数据及合成数据，显著提升了代码生成、推理和修复等核心任务的性能。此外，该模型还支持多种编程语言，并在人类偏好对齐方面表现出色。本文为周周的奇妙编程原创，阿里云社区首发，未经同意不得转载。
Linux 中的机器学习：Whisper——自动语音识别系统
本文介绍了先进的自动语音识别系统 Whisper 在 Linux 环境中的应用。Whisper 基于深度学习和神经网络技术，支持多语言识别，具有高准确性和实时处理能力。文章详细讲解了在 Linux 中安装、配置和使用 Whisper 的步骤，以及其在语音助手、语音识别软件等领域的应用场景。
从零开始构建nlp情感分析模型！
本教程介绍了如何使用PyTorch和Hugging Face的Transformers库构建一个情感分析模型。主要内容包括导入所需库、读取训练数据集、加载预训练的BERT模型和分词器、定义情感数据集类、划分训练集和验证集、创建数据加载器、设置训练参数、训练模型、评估模型性能以及定义和测试预测函数。通过这些步骤，可以实现一个简单而有效的情感分析模型。
通过pin_memory 优化 PyTorch 数据加载和传输:工作原理、使用场景与性能分析
在 PyTorch 中，`pin_memory` 是一个重要的设置，可以显著提高 CPU 与 GPU 之间的数据传输速度。当 `pin_memory=True` 时，数据会被固定在 CPU 的 RAM 中，从而加快传输到 GPU 的速度。这对于处理大规模数据集、实时推理和多 GPU 训练等任务尤为重要。本文详细探讨了 `pin_memory` 的作用、工作原理及最佳实践，帮助你优化数据加载和传输，提升模型性能。
动手实践：使用Hugging Face Transformers库构建文本分类模型
【10月更文挑战第29天】作为一名自然语言处理（NLP）爱好者，我一直对如何利用最先进的技术解决实际问题充满兴趣。Hugging Face 的 Transformers 库无疑是目前最流行的 NLP 工具之一，它提供了大量的预训练模型和便捷的接口，使得构建和训练文本分类模型变得更加简单高效。本文将通过具体的实例教程，指导读者如何使用 Hugging Face 的 Transformers 库快速构建和训练一个文本分类模型，包括环境搭建、数据预处理、模型选择与训练等步骤。
Transformers入门指南：从零开始理解Transformer模型
【10月更文挑战第29天】作为一名机器学习爱好者，我深知在自然语言处理（NLP）领域，Transformer模型的重要性。自从2017年Google的研究团队提出Transformer以来，它迅速成为NLP领域的主流模型，广泛应用于机器翻译、文本生成、情感分析等多个任务。本文旨在为初学者提供一个全面的Transformers入门指南，介绍Transformer模型的基本概念、结构组成及其相对于传统RNN和CNN模型的优势。