Loading video...

Video Failed to Load

Go Home

有人已经开始尝试把大模型装到玩具上了哈哈哈 看到个博主Complex-Indication使用树莓派 Zero 2 的摄像头采集图像,然后使用wifi上传到电脑,电脑使用 SmolVLM 来识别图像,再将控制命令传回去进行控制。不过刚开始完全不能运行,不过他用200张图微调了下模型,挂了个LoRA后,机器人就能走了! 他使用的 prompt 是这样的(我翻译成了中文):根据图像选择以下一项行动:前进,向左,向右,后退。若视野被障碍物阻挡,则选择后退。若左侧有障碍物,则选择向右。若右侧有障碍物,则选择向左。若没有障碍物,则选择前进。根据图像选择以下一项行动:前进,向左,向右,后退。若视野被障碍物阻挡,则选择后退。若左侧有障碍物,则选择向右。若右侧有障碍物,则选择向左。若没有障碍物,则选择前进。

68,682 views • 1 year ago •via X (Twitter)

2 Comments

核桃's profile picture
核桃1 year ago

终于有人干了我一直想干的事情,既然神经网络通过微调就可以跑起来,为什么就没人应用在实体上呢(如走路机器人)

Pengqian Han's profile picture
Pengqian Han1 year ago

请问可否分享一下原贴地址呢?我试过了 AI 搜索,给的结果都是您的帖子。

Related Videos

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 views • 2 years ago

如何轻松创建可爱的人工智能生成的小动物视频 使用人工智能工具,您不需要太多就能制作出这样可爱又可爱的小动物视频。现在,任何人只需点击几下就可以生成可爱的小动物短视频。 我将引导您使用 ChatGPT4、Midjourney、RunwayML 和 Pixabay 完成几个简单的步骤。 首先,该演示视频是使用以下内容创建的: 头脑风暴:ChatGPT4 图片:MJ 动画:RunwayML 音乐:Pixabay / Geoff Harvey 编辑:CapCut 第 1 步:用AI工具脑爆可爱的小动物 使用 ChatGPT4 或 Claude 帮助您集思广益,列出 10 种(或更多)超级可爱的小动物。要求足够生动的描述,以便与​​ Midjourney 等图像生成 AI 工具一起使用 步骤 2:使用 Midjourney(或您选择的其他图像工具,但此步骤假设您使用的是 Midjourney)生成图像 记下您的动物描述列表,并使用 Midjourney 生成每种动物美丽、可爱的图像。 步骤 3:使用不同区域增强图像 在MJ使用新的“变化区域”功能。突出显示整个图像区域,然后只需按箭头按钮即可生成 4 个附加图像。新的 Vary Region 实际上增强了您的形象。选择您最喜欢的升级版并保存以供后续步骤使用。 第 4 步:使用 RunwayML 制作图像动画 前往 RunwayML 并使用其 Gen-2 图像转视频功能来为您的增强型中途图像制作动画。将新的 MotionSlider 调整为 3 或 4 以添加微妙的运动,从而很好地保留图像质量和上下文。您可能需要重新滚动几次才能获得您喜欢的自然动作。 第5步:添加背景音乐和文字 在 Pixabay 或 CapCut 中搜索与您视频的欢快氛围相匹配的简短、欢快的曲目。根据需要修剪和使用淡入淡出等音效。使用 CapCut 添加文本 你就完成了! ✅ 享受你可爱的创作,别忘了分享! 原作者:Min Choi

AI Will

39,381 views • 2 years ago