兼一书虫

基本概念 回撤(Drawdown):是一个重要的风险指标，用于衡量投资组合或资产价格从最高点下跌到最低点的幅度 它反映了投资者可能面临的最大损失，以及投资组合在不利市场条件下的抗风险能力 赔率和胜率: xxx 年化收益: 假设投资在T天内的收益为R，则年化收益率R年化可以通过以下公式计算： R_{年化} = (1+R)^{\frac{365}{T}} - 1其中： R是投资的实际收益（以小数表示，例如 10% 的收益表示为 0.10） T是投资期限（以天数表示） 365 是一年的天数 例子：假设你在 90 天内获得了一个 5% 的投资收益，那么年化收益率计算如下： R_{年化} = (1+0.05)^{\frac{365}{90}} - 1 R_{年化} = (1.05)^{4.0556} - 1 \approx 0.2194 或 21.94\%这意味着，如果按照相同的收益水平持续投资一年，你将获得大约 21.94% 的年化收益率 扩散指数(Diffusion Index)1. 什么是扩散指数？扩散指数是一个用来衡量股票市场中上涨股票和下跌股票数量对比的指标。简单来说 ...

DeepSeek 简介DeepSeek-R1 是一款参数规模达671B的大型语言模型，在近期破圈并广为人知，其满血版部署对硬件要求极高 昇腾 910B NPU 凭借64GB 显存/卡的遥遥领先特性，结合华为自研的MindIE框架，可支持多机多卡分布式推理 昇腾910B部署DeepSeek-R1 【全网最全】昇腾 910B 部署满血版 DeepSeek-R1实用教程+踩坑记录 华为官方部署deepseek-r1教程 本章基于昇腾社区官方文档、知乎技术文章及开发者实践经验，系统梳理从环境准备到服务化测试的全流程，助力高效部署 软硬件要求硬件配置基础配置： bf16：至少4台Atlas 800I A2（8*64G）服务器，每台配置8张昇腾910B卡（共32卡，显存总量≥2TB） W8A8量化：若使用W8A8量化权重，可缩减至2台服务器 以下是华为官方给出的其他版本模型的部署资源最低要求及推理性能，供参考 昇腾一体机推荐配置：DeepSeek V3/R1及蒸馏模型推理服务部署推荐配置 模型名称 参数 产品 配置 系统吞吐 (Token/s) 多用户并发数 (路) Dee ...

deepseek资讯 一篇文章，让你秒懂 DeepSeek 推理模型差异！ deepseek官方prompt示例 hg-DeepSeek-V3 Deepseek开源了从1.5B-671B的一系列模型。包括在Deepseek-v3基础上训练的Deepseek-R1，和只依赖RL训练的中间模型R1-zero。以及一系列基于Qwen和Llama模型，从Deepseek-R1蒸馏得到的小模型。这些模型在输出格式和输出质量上相比之前的开源模型（如Qwen团队的QwQ-32B）有显著改进。蒸馏模型包括基于Qwen2.5-math的1.5B和7B模型，基于Qwen2.5的14B和32B模型，基于Llama3系列的8B和70B模型。基本包括了目前稠密模型除3B级别外的所有主流尺寸。Deepseek-R1基本达到了OpenAI o1的水平，并且在部分领域领先。API成本低，并且模型权重开源。 模型Benchmark对比 以下Benchmark来自Deepseek-R1的官方技术报告，总的来说： DeepSeek-R1-Distill-Qwen-1.5B：基于Qwen2.5-math-1.5B训 ...

[TOC] Celery 中文手册 Celery配置及使用 一文读懂 Python 分布式任务队列 celery celery 爬坑 基本概念Celery 是一个分布式任务队列，用于处理实时任务。这些任务可以在分布式系统中的多个 worker 上并发执行，使其非常适合于处理需要高并发和异步任务的应用程序，如 Web 服务、数据处理任务等。以下是 Celery 的基本介绍和使用指南： Celery 的基本概念 任务（Task）： Celery 的基本单位，是需要执行的函数或方法。任务可以是Python函数，经过装饰器转换后可以被 Celery 调度执行 队列（Queue）： 使用消息队列来分发任务。常用的消息代理包括 RabbitMQ 和 Redis Worker： Celery 的 worker 是负责执行队列中任务的进程。可以在多台机器上运行多个 worker，以提高并发能力 Broker（消息代理）： 负责传递任务消息，是 Celery 和 worker 之间的中介。常用的 broker 有 Redis 和 RabbitMQ Backend（结果存储）： 可选组件，用 ...

概述等待… 实战dataset优化GPU使用率优化deepspeed多卡训练其他问题Nan识别与处理调优经验尽量复用已有的tensor 不要重复new出tensor

dc90f1df3b60080d2eb3dcafc02479661652d995cd5fc1f090a144fd679c247774a5c4ecd69ff755cf05b6ae4a0888eab659e2d40f81ce43d648f47840491387d53d7a2393c320527aff0303297756880e13d9f36a06dbae0dd698fc47aa7f7a074221c2f0d263aea5e801383dab6eb2e4e3be8aad10c69411c18a3a0c716a42094c5df822b3991b66c1e59cba9fdf04d1763f611dfc622385cd754c330392cc391ecd8153b7e70e3ae9976468cc2f6b0a6713f4e0a3894d08cccc42270b8a0260df3f4c4d8c0cb65b01566535eef7612b9c49c69d7ec139831e5757c5200e72d74323ce99278d8820298984394ecf89f994f861d33c398f7 ...

pytorch中文文档 Tensortorch.Tensor是一种包含单一数据类型元素的多维矩阵 Torch定义了10种CPU tensor类型和GPU tensor类型： Data type dtype CPU tensor GPU tensor 32-bit floating point torch.float32 or torch.float torch.FloatTensor torch.cuda.FloatTensor 64-bit floating point torch.float64 or torch.double torch.DoubleTensor torch.cuda.DoubleTensor 16-bit floating point [1] torch.float16 or torch.half torch.HalfTensor torch.cuda.HalfTensor 16-bit floating point [2] torch.bfloat16 torch.BFloat16Tensor torch.cuda.BFloat ...

tokenizer hugging face Tokenizer文档 huggingface的分词器的摘要 【LLM系列之Tokenizer】如何科学地训练一个LLM分词器 概述文本分词的过程涉及将文本拆分成多个单词或子单词。接着，这些单词或子单词会被映射到特定的ID，转换过程涉及一个查找表，这是一种简单的对应关系 因此，我们的主要关注点在于解析文本为一系列的单词或子单词 更具体地说，我们将探讨🤗 Transformers库中常用的三种主要分词器类型：Byte-Pair Encoding (BPE)、WordPiece和SentencePiece，并且我们将提供实例说明哪种模型采用了哪种分词器 要了解特定预训练模型使用了哪种分词器，你可以参考每个模型主页上的文档说明，例如BertTokenizer，你会发现模型采用的是WordPiece分词器 分词例子将一段文本分词到小块是一个比它看起来更加困难的任务，并且有很多方式来实现分词，举个例子，让我们看看这个句子 1"Don't you love 🤗 Transformers? We sure do." ...

4607147b0a903f0f3382d056fda5e8e1331de1a117190adb97c315cbe95bf6d57c21957b63fc02117773afe4a51c81a4bfecb1f9e3f4f4f1da87f82a7cd8af8ded3d2ce85c1a81cd7edb675018d75fa42a12485a675c7e806b5a28c1179573c8b0b793e2006ef0b1ae180c34c8dab6d99406c2c0c41188b615a18c933268911efdebffb3928a15306fae9b8aafae42682b3c7884f06d0d9e8247eba7c4352b7a0c6f452d35d199f42932d5d45ebf6eb2744ed5178ef941c374f9836f3e5da1944d6d63e6906a12fbc22cd3fc3ec94a6ba37f5c6cd3fec3e7ee9e23b8584feafcb4b656c83c9909d17041964e0c15d3b46635e9c8f726f40a6 ...

6413a94e2cbbdfbf584bfad959c926efd3c8288bb8e221c8ccd0bf1c6e23ca904ee625b4797bb755049f8b518d6c721ea567b26049aeddf87fc5c3f23ff7dbbf0cccee00f71e0eaefc8f878f96fd82c3d96d34aab525a485e3cc64de2a83d93e05d83839d852521dc8d9181cae3f53abf28226f80252a87707cc126414738a16749ffad34beae5a148c2980a84460df0bf94211adff7d4e422906820d8cbd615cb419ae81c79deaac2de0af78910664811e4d875add999754101cb80bd4c0324674aad317437e784b324950730379b1c2337a549d015f01ad3a9909a80bdfffa901fd68606c73161fef9cbb73ec5d5170d06478471f2bce9d ...