分类目录归档：DeepLearning
方案：将 config.json 文件中 num_hidden_layers 的值修改为较小的值（比如 1）
原理：隐藏层中 block 的输入输出维度是一致的，因此去除重复的 block 并不会影响模型的处理逻辑；但需要注意该方法会影响模型的性能，因此只适合模型调试阶段使用。
分层推理法：将模型根据层来进行拆分存储，推理时分批次将要处理的层导入显存
代码示例：
from accelerate import init_empty_weights
from accele模型融合（model merging）：
思考：如何验证模型融合的合理性？ （此处
循环神经网络（RNNs）：具有隐状态、不同层参数共享的神经网络
常见的三种基础 RNNs ：RNN、GRU、LSTM
隐变量模型：使用隐状态 $h_{t-1}$ 存储前 $t-1$ 步的序列信息 $$P(x_t|x_{t-1},...,x_1)\approx P(x_t|h_{t-1})$$ $$h_t=f(x_t,h_{t-1})$$ 循环神经网络（recurrent neural networks，RNNs） 是具有隐状态的神经网络
假设时刻 $t$ 的输入为 $X_t \in \mathbb{R}^{n\times d}$，对应的权重参数为 $W
卷积神经网络（CNN）：引入了卷积操作的神经网络
严格来说，卷积层是个错误的叫法，因为它所表达的运算其实是互相关运算（cross-correlation）
二维互相关运算示例：
池化（pool）层的优点：降低卷积层对位置的敏感性
常用池化层分两种：最大池化层和平均池化层，前者示例如下：
类似于卷积层，池化层也会有填充和步幅，使用大于 1 的步幅可以起到降维的作用
不同于卷积层，池化层在每个输入通道上是单独计算的，所以池化层的输出通道数等于输入通道数
膨胀（dilated）卷积，也称
GLUE（General Language Understanding Evaluation，通用语言理解评估）是一种常用的评估工具，用于评估 NLP 模型在一系列任务上的有效性。
GLUE 基准测试由纽约大学和谷歌的研究人员开发的。开发 GLUE 的动机是需要一个全面的 NLP 模型评估框架，该框架测试语言理解的不同方面并提供更完整的描述
官网为： https://gluebenchmark.com/
GLUE 共包含 3 个分类 9 个任务：
随着 AI 模型的能力提升，人类需要一些更有趣的测试集来刁难他们~
SWE-bench 是一个在现实软件工程（GitHub）环境中评估 LMs 的基准
SWE-ben
