├──llm_evaluation # 推理评测代码包 ├──benchmark_tools #性能评测 ├── benchmark.py # 可以基于默认的参数跑完静态benchmark和动态benchmark

查看更多 →

# 推理代码包 |──llm_tools # 推理工具 修改代码 将AscendSpeed代码包AscendCloud-LLM-xxx.zip在本地解压缩后。在上传代码前，需要对解压后的训练脚本代码进行修改。具体文件为：ll

查看更多 →

规模的增加， 自然语言处理 下游任务的效果显著提升，这得益于海量数据、大量算力以及深度学习的飞跃发展。 基于自然语言处理大模型的预训练模型，可以根据业务需求开发出诸如营销文案生成、阅读理解、智能对话和代码生成等应用功能。 父主题： 大模型概念类问题

查看更多 →

网信算备520111252474601240045号 算法基本原理 分身数字人驱动算法是指通过深度学习生成数字人驱动模型，模型生成后，输入音频来合成数字人视频的一种技术。 其基本情况包括： 输入数据：真人视频、音频。 算法原理：通过深度学习算法来学习真人视频，生成驱动该真人形象的数字人模型。通过该模型输入音频，合成数字人视频。

查看更多 →

什么是自动学习？ 自动学习功能可以根据标注的数据自动设计模型、自动调参、自动训练、自动压缩和部署模型，不需要代码编写和模型开发经验。 自动学习功能主要面向无编码能力的用户，其可以通过页面的标注操作，一站式训练、部署，完成AI模型构建。 父主题： 功能咨询

查看更多 →

培训内容 培训内容 说明 神经网络基础 介绍深度学习预备知识，人工神经网络，深度前馈网络，反向传播和神经网络架构设计 图像处理理论和应用 介绍计算机视觉概览，数字图像处理基础，图像预处理技术，图像处理基本任务，特征提取和传统图像处理算法，深度学习和卷积神经网络相关知识 语音处理理论和应用

查看更多 →

故障代码 【功能说明】 用于维护资产设备的故障信息 【操作说明】 新增：单击“新增”按钮 -> 输入故障代码信息 -> 单击“保存”按钮； 图1 输入故障代码信息 修改：选择故障代码 -> 单击“修改”按钮 -> 修改故障代码信息 -> 单击“保存”按钮； 图2 修改故障代码信息

查看更多 →

”选择“代码编辑”。 图1 信息抽取 选择“默认抽取”开关。 图标说明开关处于开启状态。开启后，在每个数据类别中，为每个数据字段建立同名抽取项，抽取函数为${数据字段名}。 图标说明开关处于关闭状态，需要编辑json格式代码。 在“信息抽取”对话框下方编辑json格式代码。 在“

查看更多 →

代码解析 Demo代码如下，具体实现的是模拟电机设备上报数据，SDK获取上报数据做进一步分析处理。如果遇到状态为error，则调用事先在产品模型定义好的设备命令。对于未指定MOTOR_PRODUCT_ID的产品上报的数据将继续上报给云端。 #include "edge.h" #include

查看更多 →

代码解析 项目结构如下 ApiController：提供被北向应用NA调用的接口。 Application：主启动类 AuthFilter：鉴权过滤器。 ConfigController：被云端调用进行配置处理。 ConfigService：配置管理服务 。 ItIntegrat

查看更多 →

代码调试 CodeArts IDE Online 支持C/C++工程调试，调试之前需满足以下条件： 编译时，已在“.theia/tasks.json”中需要加上调试参数“-g”，如：“g++ -g -o hello helloworld.cpp”，默认已经添加，如没有，需要手动添加。

查看更多 →

代码生成 简介 构造函数生成 Override/implement方法 组织imports 生成getters和setters 生成hashCode()和equals() 测试 生成toString() 父主题： Java

查看更多 →

测试代码 Python扩展支持使用unittest和pytest框架进行测试。CodeArts可以帮助您配置框架集成，并提供专用的“测试”视图，让您能够方便地识别和运行测试。 以下是一个如何创建和运行一个unittest测试的示例。 创建一个测试对象，也就是新建一个名为 “inc_dec

查看更多 →

代码重构 简介 内联变量 引入变量 变量重命名 父主题： 代码编辑

查看更多 →

准备代码 本教程中用到的训练、推理代码如下表所示，请提前准备好。 获取模型软件包和权重文件 本方案支持的模型对应的软件和依赖包获取地址如表1所示，模型列表、对应的开源权重获取地址如表1所示。 表1 模型对应的软件包和依赖包获取地址 代码包名称 代码说明 下载地址 AscendCloud-6

查看更多 →

准备代码 本教程中用到的训练推理代码和如下表所示，请提前准备好。 获取模型软件包和权重文件 本方案支持的模型对应的软件和依赖包获取地址如表1所示，模型列表、对应的开源权重获取地址如表2所示。 表1 模型对应的软件包和依赖包获取地址 代码包名称 代码说明 下载地址 AscendCloud-3rdLLM-6

查看更多 →

├──llm_evaluation # 推理评测代码包 ├──benchmark_tools #性能评测 ├── benchmark.py # 可以基于默认的参数跑完静态benchmark和动态benchmark

查看更多 →

├──llm_evaluation # 推理评测代码包 ├──benchmark_tools #性能评测 ├── benchmark.py # 可以基于默认的参数跑完静态benchmark和动态benchmark

查看更多 →

准备代码 本教程中用到的训练推理代码和如下表所示，请提前准备好。 获取模型软件包 本方案支持的模型对应的软件和依赖包获取地址如表1所示，模型列表、对应的开源权重获取地址如表2所示。 表1 模型对应的软件包和依赖包获取地址 代码包名称 代码说明 下载地址 AscendCloud-6

查看更多 →

准备代码 本教程中用到的训练推理代码和如下表所示，请提前准备好。 获取模型软件包 本方案支持的模型对应的软件和依赖包获取地址如表1所示，模型列表、对应的开源权重获取地址如表2所示。 表1 模型对应的软件包和依赖包获取地址 代码包名称 代码说明 下载地址 AscendCloud-6

查看更多 →

├──llm_evaluation # 推理评测代码包 ├──benchmark_tools #性能评测 ├── benchmark.py # 可以基于默认的参数跑完静态benchmark和动态benchmark

查看更多 →