简述：文件夹按每节课进行分类，每节课会上传标注好的课件以及完成跑通的作业代码
第一课作业.txt https://gitee.com/mindspore/community/issues/IB7HY9
《极简风的大模型微调实战-课件(标注版）》
原课件知识的基础上，利用大模型AI助手逐一对专业名词进行释义，并且利用大模型理解图示内容进行批注。
《IA3_sequence_classification.ipynb》根据mindnlp的ia3仓库中的标准答案《sequence_classification.ipynb》略加修改而来。 原标准答案代码有一点问题：所有训练结果都会显示准确率为68%。 通过提issue已经把问题解决，代码可以正常更新模型参数。 该现象成因已经探明，写在CSDN博文中：
【昇思打卡营第五期(MindNLP特辑）第二课--RoBERTa-Large的IA3微调 - CSDN App】 https://blog.csdn.net/a1966565/article/details/144751602?sharetype=blog&shareId=144751602&sharerefer=APP&sharesource=a1966565&sharefrom=link
-adapter_config.json和adapter_model.ckpt是该代码运行后保存的模型参数，可以通过代码重新加载使用。
原课件知识的基础上，利用大模型AI助手逐一对专业名词进行释义，并且利用大模型理解图示内容进行注释。
https://github.com/mindspore-lab/mindnlp/tree/master/examples/parallel/bert_imdb_finetune
《昇思打卡营第五期(MindNLP特辑）第三课--基于MindNLP的数据并行训练-上：课程示例代码详解》 https://blog.csdn.net/a1966565/article/details/144991037?spm=1001.2014.3001.5501
上传文件说明：
完整文件如图。
由于optimizer.ckpt和model .safetensors文件太大而无法上传。
原课件基础上，利用AI助手对于专业名词、图表和公式进行注释。方便需要更详细解释的同学们想学习。
课程提到的第一篇代码，展示了多种Decoding策略的代码和计算原理，并给出了一定的反馈值。
Llama3模型的非并行代码，尽量在足够大的显存环境下运行。
《昇思打卡营第五期(MindNLP特辑）课程四：基于MindSpore NLP的LLM推理（decoding策略）-上：课程示例代码详解》
博文的主要内容在这个文件夹里
根据多种解码策略改动的llama3模型分布式运行代码，需要在msrun或者mpirun的方式下启动。
msrun is a MindSpore defined launcher for multi-process parallel execution, which can get best performance, you can use it by the command below:
msrun --worker_num=2 --local_worker_num=2 --master_port=8118 --join=True run_llama3_distributed.py if you use Ascend NPU with Kunpeng CPU, you should bind-core to get better performance
msrun --worker_num=2 --local_worker_num=2 --master_port=8118 --join=True --bind_core=True run_llama3_distributed.py
mpirun controls several aspects of program execution in Open MPI, you can use it by the command below:
mpirun -n 2 python run_llama3_distributed.py if you use Ascend NPU with Kunpeng CPU, you should bind-core to get better performance:
mpirun --bind-to numa -n 2 python run_llama3_distributed.py
《昇思打卡营第五期(MindNLP特辑）课程四：基于MindSpore NLP的LLM推理（decoding策略）-下：中文成语释义与解析挑战》
博文主要内容在这个文件夹
主要是中文成语释义与挑战的赛事代码baseline，在这个文件夹内，包含了使用QWEN2-7B-instruct、GLM4的API、transformer、vLLM来处理赛题的代码。
原课件基础上，利用AI助手对于专业名词、图表和公式进行注释。方便需要更详细解释的同学们想学习。
https://github.com/ResDream/MindTinyRAG
从华为Modelarts实例中跑完的代码，保存了checkpoint，在notebook里面可以看到返回值用于学习从零构建的代码的处理方式。（自己花钱跑的T_T)
python app.py 可以构建gradio对话端口，跟这个知识库助手对话。不过要打开app.py完成一下准备工作，把反向代理文件放进系统文件夹里。
从阿里云PAI-DSW实例中跑完的代码，两者除了速度不同其实无甚差异，都挺好用的。这个实例我领了免费试用计算时，所以挺爽的。
写了两篇输出来分析代码：