Qwen Qwen Team 2024 年 05 月 11 日 快速开始 1 文档 3 i ii Qwen Qwen is the large language model and large multimodal model series of the Qwen Team, Alibaba Group. Now the large language models have been ModelScope • Qwen1.5 Collection 加入社区，加入 Discord 和 微信群 。很期待见到你们！ 快速开始 1 Qwen 2 快速开始 CHAPTER1 文档 1.1 安装 要快速上手 Qwen1.5，您可以从 Hugging Face 安装 transformers 库，并使用 Qwen1.5 Collection 中的模型。 我们建议您安装最新版本的 generate() 配合 tokenizer 中的 apply_chat_template() 方法。 如果你想使用 Flash Attention 2，你可以用下面这种方式读取模型： 4 Chapter 1. 文档 Qwen model = AutoModelForCausalLM.from_pretrained( "Qwen/Qwen1.5-7B-Chat", torch_dtype="auto", device_map="auto"

6.3 期望和方差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 2.7 查阅文档 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 2.7.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 738 16 附录：深度学习工具 741 16.1 使用Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 741 xiv 16.1.1 在本地编辑和运行代码 运行和停止实例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 749 16.2.4 更新Notebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 749 16.3 使用Amazon EC2实例

见Jupyter notebook 代码 30 参考文献 1. https://scikit-learn.org/stable/tutorial/basic/tutorial.html ，scikit-learn (sklearn) 官方文档 2. https://sklearn.apachecn.org/ ，scikit-learn (sklearn) 官方 文档中文版 31 谢

便本地查阅，下载最新 PDF 版本请访问: https://github.com/wanzhenchn/keras-docs-zh。 感谢 keras-team 所做的中文翻译工作，本文档制作基于此处。 严正声明：本文档可免费用于学习和科学研究，可自由传播，但切勿擅自用于商业用途，由 此引发一切后果贡献者概不负责。 The main reason of organizing PDF version Keras： • 允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。 • 同时支持卷积神经网络和循环神经网络，以及两者的组合。 • 在 CPU 和 GPU 上无缝运行。 查看文档，请访问 Keras.io。 Keras 兼容的 Python 版本: Python 2.7-3.6。 1.2 指导原则 • 用户友好。Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。 group。 • Keras Slack channel。使用 这个链接 向该频道请求邀请函。 你也可以在 Github issues 中张贴漏洞报告和新功能请求（仅限于此）。注意请先阅读规范 文档。 KERAS: 基于 PYTHON 的深度学习库 4 1.7 为什么取名为 Keras? Keras (κέρας) 在希腊语中意为 号角。它来自古希腊和拉丁文学中的一个文学形象，首先出 现于

0 PyTorch Release 22.08 PyTorch RN-08516-001_v23.07 | 93 ‣ Jupyter Core 4.6.1 ‣ Jupyter Notebook 6.0.3 ‣ JupyterLab 2.3.2, including Jupyter-TensorBoard ‣ JupyterLab Server 1.0.6 ‣ Jupyter-TensorBoard 0 PyTorch Release 22.07 PyTorch RN-08516-001_v23.07 | 100 ‣ Jupyter Core 4.6.1 ‣ Jupyter Notebook 6.0.3 ‣ JupyterLab 2.3.2, including Jupyter-TensorBoard ‣ JupyterLab Server 1.0.6 ‣ Jupyter-TensorBoard 0 PyTorch Release 22.06 PyTorch RN-08516-001_v23.07 | 107 ‣ Jupyter Core 4.6.1 ‣ Jupyter Notebook 6.0.3 ‣ JupyterLab 2.3.2, including Jupyter-TensorBoard ‣ JupyterLab Server 1.0.6 ‣ Jupyter-TensorBoard

on your computer • jupyter notebook • ???????????? Run on Princeton CS server • Pick any 4-digit number, say 1234 • ???????????? hostname -s • ???????????? jupyter notebook --no-browser --port=1234 • 1234:localhost:1234 __@__.cs.princeton.edu • First blank is username, second is hostname Jupyter Notebook VS Code • Install the Python extension. • ???????????? Install the Remote Development extension https://github.com/szagoruyko/pytorchviz References • Important References: • For setting up jupyter notebook on princeton ionic cluster • https://oncomputingwell.princeton.edu/2018/05/jupyter-on-the-cluster/

python module for demonstrating compression. The code for this exercise is available as a Jupyter notebook here. %%capture import gzip import operator, random import numpy as np import tensorflow as original segmentation project in chapter four. The code for this project is available as a Jupyter notebook here. def create_model_for_pruning(m, prunables, info=True): def apply_pruning_to_conv_blocks(block): clustering with a real example. The code for the next few exercises is available here as a Jupyter notebook. Using clustering to compress a 1-D tensor. Let us first implement the Within-Cluster-Sum-of-Squares

th_AVX ��������� TensorFlow Jupyter Notebook ������� (venv) $ pip install jupyter (venv) $ python –m ipykernel install --user --name=venv � Jupyter Notebook ��� TensorFlow “Hello TensorFlow” Try tensorflow/tensorflow:nightly-jupyter 4. Start a TensorFlow Docker container $ docker run -it -p 8888:8888 -v $(notebook-examples-path):/tf/notebooks tensorflow/tensorflow:nightly-jupyter “Hello TensorFlow” Try it

Our goal is to classify a given piece of text into one of the fourteen categories. The Jupyter notebook is available here for you to play with. We have already downloaded the dataset in the dbpedia_csv params: 0 We will spare you the training logs here, but you are welcome to inspect them in the notebook directly. Figure 4-12 shows that the CNN models perform better than BOW as they benefit from the compare their training efficiency and quality metrics. As always, the code is available as a Jupyter notebook here for you to experiment. Let’s get started with loading the dataset. import tensorflow as tf

??(?, ?) (3) ???(?1 + ?2, ?) = ???(?1, ?) + ???(?2, ?) 50 Python 的环境的安装 ⚫Anaconda ⚫Jupyter notebook ⚫Pycharm 详细教程：https://zhuanlan.zhihu.com/p/59027692 3. 机器学习的背景知识-Python基础 51 Python 的环境的安装 com/distribution/ 通常选3.7版本，64位 可以用默认安装，右图两个选择框都勾上 52 Python 的环境的安装 ⚫Jupyter notebook 在cmd环境下，切换到代码的 目录，输入命令： jupyter notebook之后就可以 启动jupyter botebook编辑器 ，启动之后会自动打开浏览器 ，并访问http://localhost:8088 ，默认跳转到