人工智能大模型预训练微调LoRARLHF强化学习分布式训练【免费下载链接】PaddleNLPEasy-to-use and powerful LLM and SLM library with awesome model zoo.项目地址https://gitcode.com/gh_mirrors/pa/PaddleNLP点击查看免费下载本指南围绕 PaddleNLP 的Perplexity困惑度评估指标展开系统讲解其数学原理、paddlenlp.metrics.perplexity模块的完整 API 用法、源码实现细节以及在语言模型与机器翻译任务中如何接入训练/评估流程。读者学完后可以独立使用该指标评估任意自回归语言模型的生成质量并能读懂其与paddle.Model的集成方式。背景为什么语言模型需要 Perplexity困惑度PerplexityPPL是衡量语言模型有多好的经典指标其定义为测试集出现概率的倒数并除以测试集中的词数进行归一化。直观地说困惑度越低说明模型对测试数据的预测越自信、越准确——一个困惑程度低的模型给出的概率分布会尽量集中到真实词上。在 paddlenlp/metrics/perplexity.py 中Perplexity类的 docstring 明确指出Perplexity is a metric used to judge how good a language model is. We can define perplexity as the inverse probability of the test set, normalised by the number of the words in the test set.困惑度通过交叉熵Cross Entropy计算且同时支持有 padding 的数据与无 padding 的数据两种场景数据未 padding 时每个样本的真实序列长度一致统计分母直接由 batch 大小与序列长度相乘得到数据已 padding 时label中需要附带seq_mask用于标识每个样本的真实有效长度只有被 mask 为 1 的位置才计入困惑度统计。快速上手一段可运行的完整示例Perplexity要求网络输出为预测概率pred、真实标签label以及可选的序列长度信息seq_mask。下面是模块 docstring 中自带的最小示例可直接复制运行import paddle from paddlenlp.transformers import BertTokenizer from paddlenlp.metrics import Perplexity paddle.seed(2021) tokenizer BertTokenizer.from_pretrained(bert-base-uncased) batch_size, seq_len, vocab_size 1, 4, tokenizer.vocab_size logits paddle.rand([batch_size, seq_len, vocab_size]) labels paddle.to_tensor([[1, 0, 1, 1]]) perplexity Perplexity() correct perplexity.compute(logits, labels) perplexity.update(correct.numpy()) res perplexity.accumulate() print(res) # 48263.528820122105运行后输出的困惑度约为48263.53。由于示例中logits是完全随机的张量模型对 4 个 token 的预测接近均匀分布交叉熵损失接近ln(vocab_size)因此困惑度会显著大于 1真实训练收敛后的语言模型困惑度通常会远低于该值。Perplexity可通过 paddlenlp/metrics/init.py 中的from .perplexity import Perplexity直接导出因此支持from paddlenlp.metrics import Perplexity这一最常用导入方式。核心 API 详解Perplexity继承自paddle.metric.Metric完整实现了compute、update、reset、accumulate、name五个方法可无缝接入 Paddle 的paddle.Model.prepare(metrics...)评估框架。构造方法__init__def __init__(self, namePerplexity, *args, **kwargs): super(Perplexity, self).__init__(*args, **kwargs) self._name name self.total_ce 0 self.total_word_num 0namestr指标实例名称默认Perplexity用于在日志与评估结果中标识该指标内部维护两个累计状态total_ce累计交叉熵总和与total_word_num累计有效词数两者在accumulate阶段共同决定最终困惑度。计算交叉熵computedef compute(self, pred, label, seq_maskNone):参数约定参数类型形状说明predTensorfloat32/float64[batch_size, sequence_length, vocab_size]网络输出的预测 logitslabelTensorint64[batch_size, sequence_length, 1]或[batch_size, sequence_length]真实 token idseq_maskTensorfloat32/float64/int32/int64可选[batch_size, sequence_length]序列掩码标识有效位置默认None返回值为当seq_mask为None时返回单个 Tensorce形状[batch_size, sequence_length]当seq_mask不为None时返回元组(ce, word_num)其中word_num为掩码覆盖的有效词数总和。实现要点对应源码 paddlenlp/metrics/perplexity.pyif label.dim() 2: label paddle.unsqueeze(label, axis2) ce F.cross_entropy(inputpred, labellabel, reductionnone, soft_labelFalse) ce paddle.squeeze(ce, axis[2]) if seq_mask is not None: ce ce * seq_mask.astype(ce.dtype) word_num paddle.sum(seq_mask) return ce, word_num return ce若label是二维[batch, seq_len]先扩维为[batch, seq_len, 1]以便与三维pred对齐进行paddle.nn.functional.cross_entropy计算使用reductionnone逐位置保留交叉熵便于后续按掩码加权soft_labelFalse表示label是离散的 token id而非 one-hot 软标签有掩码时将掩码广播乘到ce上做逐元素屏蔽并用paddle.sum(seq_mask)统计有效词数。状态更新updatedef update(self, ce, word_numNone):参数为compute返回结果转换成的numpy.ndarray。其核心逻辑paddlenlp/metrics/perplexity.pybatch_ce np.sum(ce) if word_num is None: word_num ce.shape[0] * ce.shape[1] else: word_num word_num.item() self.total_ce batch_ce self.total_word_num word_num无seq_mask即无 padding场景下word_num直接取ce.shape[0] * ce.shape[1]即 batch 内所有样本的 token 总数有seq_mask场景下累加compute阶段算出的有效词数该方法通常在每个 batch 评估后调用一次指标内部跨 batch 持续累加。重置与汇总def reset(self): self.total_ce 0 self.total_word_num 0 def accumulate(self): return np.exp(self.total_ce / self.total_word_num) def name(self): return self._namereset将累计状态清零用于开始新一轮评估如每个 epoch 结束时重新统计accumulate按公式exp(总交叉熵 / 总词数)计算最终困惑度并返回 floatname返回指标实例名称。数学原理从交叉熵到困惑度困惑度的核心公式为Perplexity exp( Σ ce / Σ word_num )其中分子是所有有效位置交叉熵之和分母是有效词数。从信息论角度看困惑度与交叉熵的关系是PPL e^{H(p, q)}即模型在每个位置上的平均惊讶程度的指数形式。当模型完美预测交叉熵为 0时困惑度为 1当模型完全随机预测时困惑度约等于词表大小。因此困惑度 ≈ 词表大小模型基本没有学到有效信息接近均匀分布困惑度显著低于词表大小模型已捕获训练数据的统计规律困惑度趋近 1模型几乎能确定性地预测下一个词。在 tests/metrics/test_perplexity.py 中测试代码用 numpy 手写了一个NpPerplexity参照实现通过cross_entropy与stable_softmax逐位置复算交叉熵并累加最后断言Perplexity.accumulate()与 numpy 参照实现输出完全一致从数值层面验证了exp(Σce / Σwords)这条计算链路见 tests/metrics/test_perplexity.py 的test_update_accumulate。带掩码的用法处理 padding 数据在训练语言模型时同 batch 内样本长度往往不同需要 padding 到统一长度。此时必须传入seq_mask否则 padding 位置会以错误 token 参与统计、拉高困惑度。带掩码的完整流程如下import paddle from paddlenlp.metrics import Perplexity paddle.seed(2021) batch_size, seq_len, vocab_size 2, 8, 1000 logits paddle.rand([batch_size, seq_len, vocab_size]) labels paddle.randint(0, vocab_size, [batch_size, seq_len]) # 随机生成 0/1 掩码模拟不同样本的有效长度 seq_mask paddle.randint(0, 2, [batch_size, seq_len]).astype(float32) perplexity Perplexity() ce, word_num perplexity.compute(logits, labels, seq_mask) perplexity.update(ce.numpy(), word_num.numpy()) res perplexity.accumulate() print(Perplexity:, res)此用法与单元测试test_compute_with_mask完全对应测试用随机seq_mask0/1验证compute返回的ce与word_num均与 numpy 参照实现一致tests/metrics/test_perplexity.py。需要说明的是模块 docstring 中提到了seq_len构造参数默认 20但从当前源码看__init__实际只显式接收name并透传*args/**kwargs给paddle.metric.Metric父类在无掩码场景下有效词数由update中的ce.shape[0] * ce.shape[1]自动推导并不强依赖外部传入的序列长度。若你的模型输出形状特殊建议优先使用显式的seq_mask以保证统计口径准确。实战集成接入语言模型与机器翻译训练Perplexity是标准paddle.metric.Metric子类可通过paddle.Model.prepare(metrics...)直接挂载到训练循环。仓库中有两处典型调用。机器翻译Seq2Seq 注意力模型在 slm/examples/machine_translation/seq2seq/train.py 中机器翻译任务把Perplexity作为唯一评估指标传入model.preparefrom paddlenlp.metrics import Perplexity ppl_metric Perplexity() model.prepare(optimizer, CrossEntropyCriterion(), ppl_metric) model.fit( train_datatrain_loader, eval_dataeval_loader, epochsargs.max_epoch, eval_freq1, save_freq1, save_dirargs.model_path, callbacks[benchmark_logger], )训练过程中Paddle 会在每个eval_freq周期自动调用Perplexity的compute/update/accumulate并输出困惑度作为评估模型翻译质量的核心信号。完整示例位于slm/examples/machine_translation/seq2seq/目录可通过python train.py配合 slm/examples/machine_translation/seq2seq/args.py 中的命令行参数运行。RNN 语言模型基准在 tests/test_tipc/benchmark/modules/rnnlm.py 中RNN 语言模型基准同样以Perplexity()作为评估指标ppl_metric Perplexity() model.prepare(optimizerkwargs.get(optimizer), lossself.cross_entropy, metricsppl_metric)这说明Perplexity不仅适用于 Transformer 系模型对 RNN 语言模型同样适用——只要网络输出形状为[batch, seq_len, vocab_size]、标签为[batch, seq_len]即可。单元测试正确性的三重保障test_perplexity.py 提供了完整的回归测试覆盖五个关键行为测试方法验证内容test_name指标名称与构造参数一致test_compute无掩码时ce与 numpy 参照实现一致test_compute_with_mask有掩码时ce与word_num均正确test_resetreset后累计状态归零test_update_accumulate连续 10 步累加后accumulate结果与 numpy 实现完全一致测试采用stable_softmax与随机 logits 构造输入通过CommonTest.check_output_equal做数值比对从实现层面保证了该指标在边界输入与连续多 batch 场景下的数值正确性。常见问题与注意事项何时必须传seq_mask只要 batch 内样本被 padding 到统一长度就必须传否则 padding 位置的无效 token 会污染交叉熵统计导致困惑度虚高。未 padding 时可不传update会自动按batch × seq_len计算词数。label形状兼容compute内部会自动把二维[batch, seq_len]标签扩维为[batch, seq_len, 1]因此两种常见标签形状均可直接使用。输出必须是 logits 而非 softmax 概率compute内部使用F.cross_entropy自带 log-softmax传入的是网络原始 logits不需要先过 softmax。数值稳定性accumulate使用np.exp(total_ce / total_word_num)当交叉熵较大时指数可能溢出属正常数值行为评估时建议观察的是量级相对变化而非绝对值。扩展能力docstring 明确说明若该实现不满足需求如需要ignore_index或加权交叉熵可重写compute或update方法进行定制。总结paddlenlp.metrics.Perplexity是 PaddleNLP 中评估语言模型生成能力的基础组件它通过交叉熵的指数形式给出可解释的模型质量信号同时原生支持 padding 掩码、标准paddle.metric.Metric生命周期compute/update/reset/accumulate以及paddle.Model训练框架的无缝集成。无论是机器翻译、RNN 语言模型还是各类自回归 LLM 的评估环节都可以直接复用这一指标并参考 tests/metrics/test_perplexity.py 的测试范式来验证自己的实现。赞分享人工智能大模型预训练微调LoRARLHF强化学习分布式训练【免费下载链接】PaddleNLPEasy-to-use and powerful LLM and SLM library with awesome model zoo.项目地址https://gitcode.com/gh_mirrors/pa/PaddleNLP点击查看免费下载相关推荐PaddleNLP 模型评价指标Metrics全景指南从 Perplexity 到 SQuAD 的 API 解析与源码级实战PaddleNLP 模型评价指标Metrics全景指南从 Perplexity 到 SQuAD 的 API 解析与源码级实战 PaddleNLP 作为覆盖人工智能大模型预训练微调LoRARLHF强化学习分布式训练模型推理服务推理引擎模型量化模型压缩本地部署NLPHyperFrames渲染排障指南渲染慢、黑屏、音画不同步的解决方法HyperFrames渲染排障指南渲染慢、黑屏、音画不同步的解决方法 HyperFrames 是一个「写 HTML、渲染视频」的开源视频渲染框架你只需要一个人工智能大模型预训练微调LoRARLHF强化学习分布式训练模型推理服务推理引擎模型量化模型压缩本地部署NLP深入解析 XLSR-Wav2Vec2跨语言语音预训练模型原理、CTC 解码与多语言 ASR 实战指南深入解析 XLSR Wav2Vec2跨语言语音预训练模型原理、CTC 解码与多语言 ASR 实战指南 XLSR Wav2Vec2 是 Meta FAIR 提出人工智能深度学习机器学习预训练微调NLP计算机视觉语音多模态创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 PaddleNLP Perplexity 指标模块深入解析：原理、API 与语言模型实战
人工智能大模型预训练微调LoRARLHF强化学习分布式训练【免费下载链接】PaddleNLPEasy-to-use and powerful LLM and SLM library with awesome model zoo.项目地址https://gitcode.com/gh_mirrors/pa/PaddleNLP点击查看免费下载本指南围绕 PaddleNLP 的Perplexity困惑度评估指标展开系统讲解其数学原理、paddlenlp.metrics.perplexity模块的完整 API 用法、源码实现细节以及在语言模型与机器翻译任务中如何接入训练/评估流程。读者学完后可以独立使用该指标评估任意自回归语言模型的生成质量并能读懂其与paddle.Model的集成方式。背景为什么语言模型需要 Perplexity困惑度PerplexityPPL是衡量语言模型有多好的经典指标其定义为测试集出现概率的倒数并除以测试集中的词数进行归一化。直观地说困惑度越低说明模型对测试数据的预测越自信、越准确——一个困惑程度低的模型给出的概率分布会尽量集中到真实词上。在 paddlenlp/metrics/perplexity.py 中Perplexity类的 docstring 明确指出Perplexity is a metric used to judge how good a language model is. We can define perplexity as the inverse probability of the test set, normalised by the number of the words in the test set.困惑度通过交叉熵Cross Entropy计算且同时支持有 padding 的数据与无 padding 的数据两种场景数据未 padding 时每个样本的真实序列长度一致统计分母直接由 batch 大小与序列长度相乘得到数据已 padding 时label中需要附带seq_mask用于标识每个样本的真实有效长度只有被 mask 为 1 的位置才计入困惑度统计。快速上手一段可运行的完整示例Perplexity要求网络输出为预测概率pred、真实标签label以及可选的序列长度信息seq_mask。下面是模块 docstring 中自带的最小示例可直接复制运行import paddle from paddlenlp.transformers import BertTokenizer from paddlenlp.metrics import Perplexity paddle.seed(2021) tokenizer BertTokenizer.from_pretrained(bert-base-uncased) batch_size, seq_len, vocab_size 1, 4, tokenizer.vocab_size logits paddle.rand([batch_size, seq_len, vocab_size]) labels paddle.to_tensor([[1, 0, 1, 1]]) perplexity Perplexity() correct perplexity.compute(logits, labels) perplexity.update(correct.numpy()) res perplexity.accumulate() print(res) # 48263.528820122105运行后输出的困惑度约为48263.53。由于示例中logits是完全随机的张量模型对 4 个 token 的预测接近均匀分布交叉熵损失接近ln(vocab_size)因此困惑度会显著大于 1真实训练收敛后的语言模型困惑度通常会远低于该值。Perplexity可通过 paddlenlp/metrics/init.py 中的from .perplexity import Perplexity直接导出因此支持from paddlenlp.metrics import Perplexity这一最常用导入方式。核心 API 详解Perplexity继承自paddle.metric.Metric完整实现了compute、update、reset、accumulate、name五个方法可无缝接入 Paddle 的paddle.Model.prepare(metrics...)评估框架。构造方法__init__def __init__(self, namePerplexity, *args, **kwargs): super(Perplexity, self).__init__(*args, **kwargs) self._name name self.total_ce 0 self.total_word_num 0namestr指标实例名称默认Perplexity用于在日志与评估结果中标识该指标内部维护两个累计状态total_ce累计交叉熵总和与total_word_num累计有效词数两者在accumulate阶段共同决定最终困惑度。计算交叉熵computedef compute(self, pred, label, seq_maskNone):参数约定参数类型形状说明predTensorfloat32/float64[batch_size, sequence_length, vocab_size]网络输出的预测 logitslabelTensorint64[batch_size, sequence_length, 1]或[batch_size, sequence_length]真实 token idseq_maskTensorfloat32/float64/int32/int64可选[batch_size, sequence_length]序列掩码标识有效位置默认None返回值为当seq_mask为None时返回单个 Tensorce形状[batch_size, sequence_length]当seq_mask不为None时返回元组(ce, word_num)其中word_num为掩码覆盖的有效词数总和。实现要点对应源码 paddlenlp/metrics/perplexity.pyif label.dim() 2: label paddle.unsqueeze(label, axis2) ce F.cross_entropy(inputpred, labellabel, reductionnone, soft_labelFalse) ce paddle.squeeze(ce, axis[2]) if seq_mask is not None: ce ce * seq_mask.astype(ce.dtype) word_num paddle.sum(seq_mask) return ce, word_num return ce若label是二维[batch, seq_len]先扩维为[batch, seq_len, 1]以便与三维pred对齐进行paddle.nn.functional.cross_entropy计算使用reductionnone逐位置保留交叉熵便于后续按掩码加权soft_labelFalse表示label是离散的 token id而非 one-hot 软标签有掩码时将掩码广播乘到ce上做逐元素屏蔽并用paddle.sum(seq_mask)统计有效词数。状态更新updatedef update(self, ce, word_numNone):参数为compute返回结果转换成的numpy.ndarray。其核心逻辑paddlenlp/metrics/perplexity.pybatch_ce np.sum(ce) if word_num is None: word_num ce.shape[0] * ce.shape[1] else: word_num word_num.item() self.total_ce batch_ce self.total_word_num word_num无seq_mask即无 padding场景下word_num直接取ce.shape[0] * ce.shape[1]即 batch 内所有样本的 token 总数有seq_mask场景下累加compute阶段算出的有效词数该方法通常在每个 batch 评估后调用一次指标内部跨 batch 持续累加。重置与汇总def reset(self): self.total_ce 0 self.total_word_num 0 def accumulate(self): return np.exp(self.total_ce / self.total_word_num) def name(self): return self._namereset将累计状态清零用于开始新一轮评估如每个 epoch 结束时重新统计accumulate按公式exp(总交叉熵 / 总词数)计算最终困惑度并返回 floatname返回指标实例名称。数学原理从交叉熵到困惑度困惑度的核心公式为Perplexity exp( Σ ce / Σ word_num )其中分子是所有有效位置交叉熵之和分母是有效词数。从信息论角度看困惑度与交叉熵的关系是PPL e^{H(p, q)}即模型在每个位置上的平均惊讶程度的指数形式。当模型完美预测交叉熵为 0时困惑度为 1当模型完全随机预测时困惑度约等于词表大小。因此困惑度 ≈ 词表大小模型基本没有学到有效信息接近均匀分布困惑度显著低于词表大小模型已捕获训练数据的统计规律困惑度趋近 1模型几乎能确定性地预测下一个词。在 tests/metrics/test_perplexity.py 中测试代码用 numpy 手写了一个NpPerplexity参照实现通过cross_entropy与stable_softmax逐位置复算交叉熵并累加最后断言Perplexity.accumulate()与 numpy 参照实现输出完全一致从数值层面验证了exp(Σce / Σwords)这条计算链路见 tests/metrics/test_perplexity.py 的test_update_accumulate。带掩码的用法处理 padding 数据在训练语言模型时同 batch 内样本长度往往不同需要 padding 到统一长度。此时必须传入seq_mask否则 padding 位置会以错误 token 参与统计、拉高困惑度。带掩码的完整流程如下import paddle from paddlenlp.metrics import Perplexity paddle.seed(2021) batch_size, seq_len, vocab_size 2, 8, 1000 logits paddle.rand([batch_size, seq_len, vocab_size]) labels paddle.randint(0, vocab_size, [batch_size, seq_len]) # 随机生成 0/1 掩码模拟不同样本的有效长度 seq_mask paddle.randint(0, 2, [batch_size, seq_len]).astype(float32) perplexity Perplexity() ce, word_num perplexity.compute(logits, labels, seq_mask) perplexity.update(ce.numpy(), word_num.numpy()) res perplexity.accumulate() print(Perplexity:, res)此用法与单元测试test_compute_with_mask完全对应测试用随机seq_mask0/1验证compute返回的ce与word_num均与 numpy 参照实现一致tests/metrics/test_perplexity.py。需要说明的是模块 docstring 中提到了seq_len构造参数默认 20但从当前源码看__init__实际只显式接收name并透传*args/**kwargs给paddle.metric.Metric父类在无掩码场景下有效词数由update中的ce.shape[0] * ce.shape[1]自动推导并不强依赖外部传入的序列长度。若你的模型输出形状特殊建议优先使用显式的seq_mask以保证统计口径准确。实战集成接入语言模型与机器翻译训练Perplexity是标准paddle.metric.Metric子类可通过paddle.Model.prepare(metrics...)直接挂载到训练循环。仓库中有两处典型调用。机器翻译Seq2Seq 注意力模型在 slm/examples/machine_translation/seq2seq/train.py 中机器翻译任务把Perplexity作为唯一评估指标传入model.preparefrom paddlenlp.metrics import Perplexity ppl_metric Perplexity() model.prepare(optimizer, CrossEntropyCriterion(), ppl_metric) model.fit( train_datatrain_loader, eval_dataeval_loader, epochsargs.max_epoch, eval_freq1, save_freq1, save_dirargs.model_path, callbacks[benchmark_logger], )训练过程中Paddle 会在每个eval_freq周期自动调用Perplexity的compute/update/accumulate并输出困惑度作为评估模型翻译质量的核心信号。完整示例位于slm/examples/machine_translation/seq2seq/目录可通过python train.py配合 slm/examples/machine_translation/seq2seq/args.py 中的命令行参数运行。RNN 语言模型基准在 tests/test_tipc/benchmark/modules/rnnlm.py 中RNN 语言模型基准同样以Perplexity()作为评估指标ppl_metric Perplexity() model.prepare(optimizerkwargs.get(optimizer), lossself.cross_entropy, metricsppl_metric)这说明Perplexity不仅适用于 Transformer 系模型对 RNN 语言模型同样适用——只要网络输出形状为[batch, seq_len, vocab_size]、标签为[batch, seq_len]即可。单元测试正确性的三重保障test_perplexity.py 提供了完整的回归测试覆盖五个关键行为测试方法验证内容test_name指标名称与构造参数一致test_compute无掩码时ce与 numpy 参照实现一致test_compute_with_mask有掩码时ce与word_num均正确test_resetreset后累计状态归零test_update_accumulate连续 10 步累加后accumulate结果与 numpy 实现完全一致测试采用stable_softmax与随机 logits 构造输入通过CommonTest.check_output_equal做数值比对从实现层面保证了该指标在边界输入与连续多 batch 场景下的数值正确性。常见问题与注意事项何时必须传seq_mask只要 batch 内样本被 padding 到统一长度就必须传否则 padding 位置的无效 token 会污染交叉熵统计导致困惑度虚高。未 padding 时可不传update会自动按batch × seq_len计算词数。label形状兼容compute内部会自动把二维[batch, seq_len]标签扩维为[batch, seq_len, 1]因此两种常见标签形状均可直接使用。输出必须是 logits 而非 softmax 概率compute内部使用F.cross_entropy自带 log-softmax传入的是网络原始 logits不需要先过 softmax。数值稳定性accumulate使用np.exp(total_ce / total_word_num)当交叉熵较大时指数可能溢出属正常数值行为评估时建议观察的是量级相对变化而非绝对值。扩展能力docstring 明确说明若该实现不满足需求如需要ignore_index或加权交叉熵可重写compute或update方法进行定制。总结paddlenlp.metrics.Perplexity是 PaddleNLP 中评估语言模型生成能力的基础组件它通过交叉熵的指数形式给出可解释的模型质量信号同时原生支持 padding 掩码、标准paddle.metric.Metric生命周期compute/update/reset/accumulate以及paddle.Model训练框架的无缝集成。无论是机器翻译、RNN 语言模型还是各类自回归 LLM 的评估环节都可以直接复用这一指标并参考 tests/metrics/test_perplexity.py 的测试范式来验证自己的实现。赞分享人工智能大模型预训练微调LoRARLHF强化学习分布式训练【免费下载链接】PaddleNLPEasy-to-use and powerful LLM and SLM library with awesome model zoo.项目地址https://gitcode.com/gh_mirrors/pa/PaddleNLP点击查看免费下载相关推荐PaddleNLP 模型评价指标Metrics全景指南从 Perplexity 到 SQuAD 的 API 解析与源码级实战PaddleNLP 模型评价指标Metrics全景指南从 Perplexity 到 SQuAD 的 API 解析与源码级实战 PaddleNLP 作为覆盖人工智能大模型预训练微调LoRARLHF强化学习分布式训练模型推理服务推理引擎模型量化模型压缩本地部署NLPHyperFrames渲染排障指南渲染慢、黑屏、音画不同步的解决方法HyperFrames渲染排障指南渲染慢、黑屏、音画不同步的解决方法 HyperFrames 是一个「写 HTML、渲染视频」的开源视频渲染框架你只需要一个人工智能大模型预训练微调LoRARLHF强化学习分布式训练模型推理服务推理引擎模型量化模型压缩本地部署NLP深入解析 XLSR-Wav2Vec2跨语言语音预训练模型原理、CTC 解码与多语言 ASR 实战指南深入解析 XLSR Wav2Vec2跨语言语音预训练模型原理、CTC 解码与多语言 ASR 实战指南 XLSR Wav2Vec2 是 Meta FAIR 提出人工智能深度学习机器学习预训练微调NLP计算机视觉语音多模态创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考