Sensitive content

This media may contain sensitive content.

正在加载视频...

视频加载失败

Kigurumi电子视野增扩 功能展示 (2) 新版方案换用安卓平台,实现了无线监看/遥控相机功能(使用Monitor+软件) 在头壳内*可以看到相机的画面,可用小手柄遥控快门,调整相机参数。轻松检查姿势/自拍 其它各种用途请自行脑补( *显示器眼镜为临时固定于头壳内,正常使用时应佩戴于使用者头部

120,273 次观看 • 2 年前 •via X (Twitter)

10 条评论

黑橙子 的头像
黑橙子2 年前

太强了,感觉可以再设置一个洗脑模式,启动之后,耳机播放洗脑的声音,眼前的显示器只能显示设定好的洗脑视频。

Kiwi🥝 的头像
Kiwi🥝2 年前

这样岂不是可以看到自己被ooxx……

破晓 的头像
破晓2 年前

高技术力!

神楽坂方块🏳️‍⚧️ 的头像
神楽坂方块🏳️‍⚧️2 年前

眼前只有色图.jpg

杏仁饼 的头像
杏仁饼2 年前

好大の色图(

凪 的头像
2 年前

技术宅拯救kig!

爆金币の小鼠鼠🐭 的头像
爆金币の小鼠鼠🐭2 年前

第三人称看自己!😍

咕咕喵 的头像
咕咕喵2 年前

好,好强的技术!

雨珊 的头像
雨珊2 年前

好厉害!这样戴着可以进行感官控制诶!好像会很好玩

🐮🍺啊~ 的头像
🐮🍺啊~2 年前

牛啤

相关视频

#随便写写 最近有小伙伴也买了Apple TV,问我一些好用的 App 推荐,我发现我用下来半年多常用的这几个完全可以满足日常使用。 1. Netflix,这个强推,我很喜欢看网飞的电视剧,相比国内电视剧做得精致很多,同时没有美图秀秀滤镜感,平时使用新加坡节点方便看到华人相关的推荐。 2. Youtube,这个空余时间用得很多,大部分视频画质很好,平时用来看有趣的 UP 主,偏数码、国际新闻、演唱会、台湾综艺类比较多。 3. Spotify,现在是我手机、电脑默认音乐播放器使用的这个,电视就习惯使用这个了,相比其他的歌多、音质好,还可以听播客。 4. VidHub,结合阿里云盘使用,我之前使用的 Infuse,由于索引比较慢就切到这个来了,很快性能很好,用来补充网飞、Youtube 上面没有的内容,比如说家人喜欢看的甄嬛传,以及各种韩剧。 5. Cheers,B 站的第三方软件,做得还不错,也支持弹幕,之前比较爱看,现在由于前面很多内容满足使用,现在偶尔使用。 6. APTV,看卫视电视,其实我平时几乎不用,不过有时候家里老人过来,可以给他们用用,各种国内的电视台。 7. Stash,由于手机使用的这个,能够很好支持多端同步以及部署,以及设置不同域名对应的节点,这里不多说。 还有一个功能用得比较多,就是 iPhone 手机视频可以比较好的共享到AppleTV,比如平时做 Keep 的时候。 关于购买软件和服务,可以选择一个便宜点儿的区,对于订阅类的,很建议找靠谱的家庭组去拼车,Netflix、YouTube、Spotify 我都是用的拼车,很实惠也很稳定。 此外对于纠结是否需要购买 Apple TV 的小伙伴,假如你把上面弄好,然后再加一个回音壁后环绕,这个家庭影院系统会是你在家里超级值得的电子产品。

Tw93

137,462 次观看 • 2 年前

发现一个讲的很细的大语言模型微调教程,详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。 基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。 时间轴: 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示(T4 版本) 16:52 微调操作演示(A100 版本) 19:13 在 Hugging Face 上的保存与使用方法 文字版整理: ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning): 对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调: Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调: Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集: 准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置: 在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控: 在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择: 通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用: 微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型: 用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference): 在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,710 次观看 • 2 年前