weixin_74009895的博客

原创 服务器中文件夹的移动指令

我想要把服务器的这个文件夹移动到同一目录下oft-control的里面，使用什么指令？需要移动到路径：/data/zjc/oft-main/oft-control/当前路径：/data/zjc/oft-main/文件夹。

原创 标量、向量、矩阵、数组、张量之间的区别和联系

一般一维数组，我们称之为向量（vector）,二维数组，我们称之为矩阵（matrix）;

原创 Controlling Text-to-Image Diffusion by Orthogonal Finetuning论文讲解

主要围绕如何对 Stable Diffusion 这类文本到图像扩散模型进行微调（finetuning），以更好地适应特定的下游任务。Stable Diffusion 是一种高性能的文本到图像生成模型，能够根据文本提示生成高质量的图像。然而，尽管其生成能力强大，但直接使用预训练模型可能无法满足特定应用场景的需求。例如：在 主题驱动生成（Subject-driven Generation）中，可能需要生成特定主题（如某个特定人物或物体）的图像。在 可控生成（Controllable Generation）中，

原创 Unet网络结构详细介绍

详细执行流程：

原创 服务器实现解压压缩包

我想要在“/data/zjc/oft-main/scripts/data/”目录下的“gpt2模型总结代码汇总.zip”给解压。

原创 windows下运行.sh文件出现wget: command not found解决方法

原因就是没有安装wget工具。

原创 何恺明做的meanflow的模型讲解

MeanFlow 是何恺明团队提出的单步生成建模框架 ，核心是引入概念改进流匹配方法，能通过单次函数评估，高效完成从先验分布到数据分布的转换，显著提升生成效率，在 ImageNet 256×256 数据集单步生成任务中表现突出，FID 分数达 3.43 ，无需预训练、蒸馏或课程学习，还可自然整合分类器自由引导（CFG）提升生成质量，为生成模型研究和高效数据生成提供新路径，不过训练存在依赖 Flow Matching 条件瞬时速度、计算开销等问题。

原创 什么是VAE模型（变分自编码器）

生成模型（如 VAE、扩散模型 ）的核心目标，就是学习并拟合这个 “图像分布”

原创 cifar10数据集下载代码

【代码】cifar10数据集下载代码。

原创 第54篇：Flat-LoRA: Low-Rank Adaptation over a Flat Loss Landscape论文解读

通过低秩矩阵优化实现高效微调，但仅关注低维子空间，可能在全参数空间存在尖锐方向，导致下降。：将（Sharpness-Aware Minimization）直接应用于 LoRA 参数（LoRA-SAM）只能优化低秩子空间的尖锐性（公式4），且（需额外梯度步骤），LORA+SAM虽然将SAM与LoRA结合（称为LoRA-SAM（Li等人，2024a））对于大型模型微调是有希望的，但有几个问题需要讨论。首先，LoRA-SAM只能在受限空间。其次，SAM需要额外的梯度步骤，使，对于大型模型来说不切实际。最后，在。

原创 第56篇GAM《Gradient Norm Aware Minimization Seeks First-Order Flatness and Improves Generalization》还没弄完

最近，平坦极小值已被证明对提高模型泛化能力有效，而取得了领先的性能。然而，目前在SAM及其后续研究中所讨论的平坦度定义仅限于。然而，优化最坏情况依赖于对的合理选择。作为SAM中的一个预定义超参数，或在其变体（如ASAM，参考文献[42] ）中参数缩放时的超参数，。我们表明，。如图1a所示，当ρ涵盖多个极小值点时，零阶平坦度（SAM）无法衡量波动频率。当ρ内只有一个极小值点时，如图1b所示，观测半径有限，且ρ内的最大损失可能与损失的上升趋势不一致。因此，为最小化泛化误差需要损失梯度的信息。

原创 第55篇：ADALORA: ADAPTIVE BUDGET ALLOCATION FOR PARAMETER-EFFICIENT FINE-TUNING 论文讲解

我们实现了AdaLoRA用于微调DeBERTaV3-base（He等，2021a）和BART-large（Lewis等，2019）。我们评估了所提出算法在自然语言理解（GLUE，Wang等，2019）、问答（SQuADv1，Rajpurkar等，2016和SQuADv2，Rajpurkar等，2018）以及自然语言生成（XSum，Narayan等，2018和CNN/DailyMail Hermann等，2015）上的有效性。所有增益均通过了显著性测试，p < 0.05。

原创 第52篇：OpenFedLLM: Training Large Language Models onDecentralized Private Data via Federated L论文解读

大型语言模型（LLMs）在多个领域取得了巨大成功，但高质量的公开数据预计将在这可能成为LLMs发展的瓶颈。​私有数据的价值与限制​：大量高质量数据分散在不同实体中，但由于隐私（如医疗和金融数据）或物理限制（如缺乏网络连接）而未被充分利用。这些，限制了当前LLMs的发展。​论文提出了OpenFedLLM框架，利用（FL）在不直接共享原始数据的情况下，让多个数据所有者协作训练共享模型。

原创 矩阵SVD分解

主成分分析(PCA)本质上就是SVD的应用。通过保留前k个奇异值，可以实现数据降维。：Eckart-Young定理指出，SVD提供了矩阵的最佳低秩近似。潜在语义分析(LSA)使用SVD来发现词语和文档之间的潜在关系。协同过滤算法中，SVD用于分解用户-物品评分矩阵，预测缺失值。对于奇异或接近奇异的矩阵，SVD提供了稳定的伪逆计算方法。通过保留前k个奇异值，可以大幅减少图像存储空间。：奇异值唯一确定（不考虑排列顺序）：小的扰动只会导致小的奇异值变化。：矩阵的秩等于非零奇异值的个数。

原创 快速找到谷歌学术上的顶级期刊和顶级会议，快速搜文献

然后把上面这个安装到扩展浏览器中，此时会出现：我的是计算机领域，所以我选：CCF+CORE。

原创 第53篇：LoRA-FAIR: Federated LoRA Fine-Tuning with Aggregation and InitializationRefinement论文讲解

作为所有客户端的起始LoRA点。​。

原创 模型参数量化具体讲解

量化（Quantization）是一种模型优化技术，用于减少模型的内存占用和加速推理过程。具体来说，量化通过将模型的权重（如32位浮点数，FP32）转换为低精度（如8位整数，INT8）来实现这些目标。：低精度表示，这使得模型更适合在资源受限的设备上运行。：低精度运算通常比，尤其是在支持低精度运算的硬件（如NVIDIA Tensor Cores）上。：低精度运算通常需要：在训练完成后对模型进行量化，通常需要一个校准数据集来确定量化参数。：在训练过程中对模型进行量化，通常不需要校准数据集。

原创 css、index.html实现图片上传服务器

我想要将自己的这个index.html中的上传图片功能能够“真正”将图片上传到服务器。

原创 解决常规index.html文件无法加载本地txt文件的方法

我的文件内容为：现在是使用本地html但是无法加载这个txt内容。

原创 cifar10数据集转图片

将测试集的第一条转化为图片格式。

原创 (raylet) file_system_monitor.cc:111: /tmp/ray/session_2025-05-07_10-57-35_266368_3504255 is over 95%

【代码】(raylet) file_system_monitor.cc:111: /tmp/ray/session_2025-05-07_10-57-35_266368_3504255 is over 95%

原创 TypeError: Descriptors cannot be created directly. If this call came from a _pb2.py file, 解决方法

【代码】TypeError: Descriptors cannot be created directly. If this call came from a _pb2.py file, 解决方法。

原创 第50篇：（GSAM）SURROGATE GAP MINIMIZATIONIMPROVES SHARPNESS-AWARE TRAINING

我们在图 3 中通过数值玩具示例展示了不同的算法。

原创 可视化平坦度的代码，适用于swa和sam

ConvNet 和 ConvNet100 函数用于创建不同类别数量的 ResNet 模型。​。

原创 第49篇：AdaSAM——通过自适应学习率和动量加速提升锐度感知最小化

在训练深度神经网络时，传统优化器如，但在复杂模型和大规模数据面前存在。通过引入额外的扰动步骤来优化模型的泛化性能，但存在等不足(SAM需要计算2倍的参数）

原创 泛化误差和经验误差

原创 第47篇：锐化感知最小化在训练后期有效地选择更平坦的最小值SHARPNESS-AWARE MINIMIZATION EFFICIENTLY SELECTS FLATTER MINIMA LATE I

也能获得。

原创 强制中断由于关闭ray进程后的残余进程

我正在使用ray框架在服务器上跑代码，然后ctrl+c终止代码，结果发现，后台仍有残余进程。可以看到其实ray并没有被真正关闭。

原创 上采样和下采样

指或。

原创 第46篇：On the Effectiveness of Parameter-Efficient Fine-Tuning+

基于投影的方法。

原创 “ImportError: numpy.core.multiarray failed to import”解决方法（numpy问题）

（连续输入两次，因为卸载一次只是卸载了一个numpy,一般电脑上有两个numpy，分别是pip的和conda的）

原创 第44篇：《SLoRA: Federated Parameter Efficient Fine-Tuning of Language Models》

边缘设备资源有限（计算、通信、存储），直接全量微调（FFT）成本高；数据分布异质性（非IID）导致传统PEFT方法（如LoRA）性能显著下降（图1显示PEFT与FFT的差距越大异质性影响：数据越异质，SLoRA相对LoRA的优势越明显（图3、图6显示PEFT基线在异质数据下性能暴跌，SLoRA保持稳定）。在集中式学习中，LoRA 在不同任务上始终展现出良好的性能，且与全量微调（FFT）的准确率相当接近。对于数据分布更均匀（α 值较大）的联邦学习场景，这种情况依然成立。

原创 MobaXterm实现无中断连接服务器

长时间没有点击MobaXterm，它就会自动断开服务器。

原创 pycharm查看具体函数的用法（点击方法进入详细界面）

我想要知道这个具体的train方法是什么内容。

原创 L光滑性介绍

原创 机器学习/深度学习中的“各种通信协议示意图”

①a:经典的联邦学习方案（中央服务器可能会面临系统故障或恶意攻击的风险，这可能会威胁到用户隐私泄露或被破坏训练过程）此外，通信过程完全发生在服务器-客户端端，这可能会对服务器造成相当大的通信负担。不存在b-d所示的全局模型状态，参与的客户端遵循通信协议达成所谓的共识模型。

原创 对比学习基础介绍

对比学习的核心任务就像是你在一个聚会中努力通过视觉特征（服装、语言等）辨认朋友并避开陌生人。通过不断训练，你的“聚会识别能力”会越来越强，最终在其他类似场景中（如学校聚会）也能快速找到朋友。

原创 （第24篇）lora论文讲解LoRA: Low-Rank Adaptation of Large Language Models（微调、预训练模型）

①微调（Fine-Tuning, FT）对模型所有参数进行完整更新。缺点：参数量大、训练成本高（如 GPT-2 Medium 的可训练参数达 354.92M）。②偏置微调（Bias-only, BitFit）仅训练模型中的偏置参数，其余参数冻结。参数量小，但效果可能不如其他方法。③前缀嵌入微调（Prefix Embedding Tuning, PreEmbed）在输入中插入优化的提示标记（Prompt）作为额外的嵌入，模型根据这些标记调整输出。可训练参数量与标记长度成正比。

原创 用python写一个gradio界面的简易例子

Gradio 是一个用于快速创建机器学习模型演示界面的 Python 库，允许用户通过网页浏览器与模型进行交互。它的核心功能是将模型的输入输出可视化，无需复杂的前端开发即可生成可共享的交互式界面。

原创 huggingface下载大模型

我们直接在pycharm上下载大模型（比如），大概25G，会非常慢，而且下载基本上会失败，如下：所以我们要学习一下如何自己下载然后让代码自动读取下载好的大模型。