问答-0701（周）版本发布内容

CSDN问答问答小助手 2021-07-02 10:37:21

本周问答上线的主要功能，欢迎大家体验，有问题或建议，请在下方留言，我们会及时跟进～

1、编辑器升级
markdown编辑器优化后重新上线！pc和wap端均支持，您可选择多种样式编辑问题并支持预览～

2、代码主题更换
代码主题颜色更换，和看不清的代码说拜拜~

3、UI优化
问答部分UED细节优化，比如采纳、加急标志，等你来发现更多~

...全文

3273 回复打赏收藏举报

写回复

用AI写文章

切换为时间正序

请发表友善的回复…

发表回复

GluonTS 的「高级主题」（Advanced）文档目录（`docs/tutorials/advanced_topics/index.md`）下包含两个进阶教程：其一是介绍如何**用 PyTorch 实现自定义时间序列模型、并用 PyTorch Lightning 训练**，同时无缝复用 GluonTS 生态的数据加载、特征处理与评估工具；其二是介绍如何**用 Optuna 对 GluonTS

大家好我是木木，自从2022年11月30日OpenAI发布ChatGPT后，大模型迅速火热起来，人工智能作为当下最火的行业之一，2025年春节期间DeepSeek R1模型大火。LLM中有很多的技术，今日我们做一个小案例使用本地使用Python进行SDK调用百度千帆LLM。

我们可以看到，从2018年BERT和GPT的出现，到2022年ChatGPT的爆发，再到2025年DeepSeek-R1和o3等大型推理模型的兴起，后训练技术经历了从简单微调到复杂推理增强的质变。这一结构图不仅清晰展示了后训练技术的全貌，还揭示了技术、数据和应用之间的内在联系，为工程师提供了系统性的技术选择和应用指南。这篇文章对于未来几年都很重要。随着GPT-3的发布，后训练技术迎来了快速发展期，各种方法层出不穷：从针对特定任务的微调，到确保模型与人类偏好一致的对齐策略，再到增强模型推理能力的技术。

大模型已成为人工智能领域的重要方向，但调用API与真正理解模型内部机制之间仍存在巨大鸿沟。Transformer架构作为现代LLM的核心，其训练涉及数据清洗、分词器构建、注意力机制、预训练与部署等完整链路。掌握从零构建LLM的能力，不仅有助于深入理解Loss变化、过拟合等底层问题，还能为模型定制化训练与工程优化提供坚实基础。本文以斯坦福CS336课程为主线，梳理手搓大模型的真实路径，并给出基于PyTorch的最小可运行示例，帮助开发者在本地跑通从数据准备到文本生成的完整流程。

内容概要：本文围绕基于电感电容电流环PI与前馈补偿矩阵构造的跟网型储能变流器，开展dq坐标系下的阻抗理论建模与Simulink仿真对比研究。通过建立储能变流器在dq域的数学模型，设计包含电感电流内环、电容电流中间环和电压外环的多环控制结构，并引入前馈补偿矩阵以提升系统的动态响应能力和稳定性。在此基础上，采用小信号分析法推导系统的输出阻抗模型，构建完整的dq域阻抗理论框架，并利用Simulink平台搭建高保真仿真模型进行频域扫频验证，实现理论建模与仿真结果的精确对比，深入分析控制参数对系统阻抗特性的影响规律，揭示其在抑制并网系统振荡、提升稳定性方面的关键作用，为新能源并网系统的稳定性分析与优化设计提供坚实的理论支撑和技术路径。; 适合人群：具备电力电子、自动控制理论基础，从事新能源发电、储能系统、微电网或电力系统稳定性研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①掌握跟网型储能变流器在dq域的阻抗建模方法；②理解多环控制与前馈补偿对系统阻抗特性的影响机制；③实现理论阻抗模型与Simulink仿真扫频结果的对比验证，支撑并网稳定性分析。; 阅读建议：学习者应结合控制理论与电力电子变换器知识，重点关注数学推导与仿真建模的一致性，建议动手复现Simulink仿真模型并进行参数敏感性分析，以深化对阻抗重塑机理的理解。

CSDN 全站建议专区

11,497

社区成员

4,155

社区内容

发帖

与我相关

我的任务

其他其他

社区管理员

加入社区

近7日
近30日
至今

加载中

社区公告

试试用AI创作助手写篇文章吧