选题：垃圾分类系统——模型部署
基于EfficientNet和大模型的智能垃圾分类系统——模型部署本周我了解并学习了EfficientNet的基本结构和工作原理，包括不同版本的EfficientNet（如B0到B7）的特点。
1. EfficientNet基本结构：
EfficientNet是一种高效的卷积神经网络架构，通过复合缩放方法均衡地扩展网络的深度、宽度和分辨率。其设计基于MobileNetV3，采用了MBConv模块和Swish激活函数，显著提升模型性能和效率。
2. 不同版本EfficientNet特点：
EfficientNet从B0到B7共有八个版本，每个版本在计算量和参数数量上逐渐增加。B0是基础模型，通过NAS找到；B1至B7逐步增加深度、宽度和分辨率，适应不同的计算资源和性能需求。
https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9LWVNEVG1PVlp2cWljU3JzTEZpYVRSSWdJNUw0WjN1SjFFMVZrbVpkOUxpYXBVTUxIY0hWdEZhQmZobEJCME9Gbjg3REtxR2ZpYVlUaldCNWE2RFllOXdZaWJBLzY0MA?x-oss-process=image/format,png EfficientNet在图像识别中表现：
EfficientNet在多个基准数据集上表现优异，特别是在ImageNet分类任务上，实现了高准确率。例如，EfficientNet-B7达到了84.4%的Top-1准确率和97.1%的Top-5准确率，同时大幅降低了计算成本。
处理大规模数据集效率和准确性：
EfficientNet通过复合缩放策略，在处理大规模数据集时表现出色。它能够在保持高准确度的同时，显著降低计算成本和参数数量。这种特性使得EfficientNet在资源有限的情况下仍能获得高性能，适用于各种应用场景。
学习了下面这篇文章：
https://zhuanlan.zhihu.com/p/149451992
本周学习并了解了大语言模型（LLM）
大语言模型（LLM）是基于海量文本数据训练的深度学习模型。2023年，大语言模型及其在人工智能领域的应用已成为全球科技研究的热点，其在规模上的增长尤为引人注目，参数量已从最初的十几亿跃升到如今的一万亿。参数量的提升使得模型能够更加精细地捕捉人类语言微妙之处，更加深入地理解人类语言的复杂性。随着技术的不断成熟，它将不断拓展其应用范围，为人类提供更加智能化和个性化的服务，进一步改善人们的生活质量。
https://s2.loli.net/2024/11/08/Myw74EsmDX6eaNl.jpg 本周了解了模型 调用流程的一部分。
百度智能云千帆大模型平台是面向企业开发者的一站式大模型开发及服务运行平台。千帆提供了包括文心一言底层模型和第三方开源大模型，及各种AI开发工具和整套开发环境，支持数据管理、自动化模型SFT以及推理服务云端部署的一站式大模型定制服务，助力各行业的生成式AI应用需求落地。
在百度千帆平台上调用模型的过程大致如下：
1）API鉴权：首先，你需要获取API的访问权限。这通常涉及到API密钥或token的生成和管理。确保你有权访问和使用所需的API。
2）选择模型：在千帆平台上，你可以根据需求选择适合的模型。例如，如果你需要处理文本数据，可以选择语言模型；如果你需要处理图像数据，可以选择图像模型。 本周，我继续深入研究了大模型的调用流程，继API鉴权和选择模型之后，重点放在了编写调用代码、处理响应以及将功能集成到实际应用中。这一系列步骤不仅让我对大模型有了更加全面的理解，同时也极大地提升了我的开发技能。
首先，在编写调用代码方面，我选择了Kotlin作为主要编程语言来进行实现。根据API文档提供的详细信息，我仔细构建了请求参数，并确保所有必要的信息都被正确地包含在内。例如，如果需要指定特定的数据集或设置某些选项（如温度控制），我会先定义好这些变量，然后通过构造函数或者方法参数的形式传递给API客户端对象。发送请求时，利用异步编程技术来避免阻塞主线程，从而提高用户体验。此外，还添加了一些基本的错误检查机制，比如网络连接状态检测等，以确保程序能够在各种情况下稳定运行。
接下来是关于如何处理服务器返回的响应数据。由于大多数现代Web服务都倾向于使用JSON格式来传输数据，因此解析JSON成为了必不可少的一环。为此，我使用了Kotlin标准库中的`Gson`类库来进行序列化与反序列化操作。对于收到的每条消息，都会首先尝试将其转换为预定义的数据结构体；如果转换失败，则记录下相关日志信息以便后续排查问题。同时也会关注HTTP状态码的变化情况，一旦发现异常值（如4xx或5xx系列），立即采取相应措施，比如重试请求或者直接向用户提供友好提示信息。
最后一步是将上述功能模块整合进现有应用程序当中。考虑到性能优化的重要性，我在设计之初就采用了缓存策略来减少不必要的重复计算。具体来说，就是利用内存数据库存储最近一段时间内的查询结果，当再次遇到相同输入时可以直接从缓存中读取而无需重新发起网络请求。除此之外，还加强了对异常情况的捕获能力，确保即使面对未知错误也能够给出合理的反馈而不是简单地崩溃退出。另外，为了让最终用户能够更直观地感受到这项新特性带来的便利性，我还特意调整了UI布局，使得操作界面看起来更加简洁明了。
页:
[1]