扩散模型的训练确实存在陷入局部最优解的风险，尤其是在复杂数据分布和高维参数空间中。其优化过程可能因损失函数的非凸性、模型架构的局限性或训练策略不当而收敛到次优解。然而，通过正则化方法和架构创新，可以有效提升模型的泛化能力并缓解局部最优问题。以下是具体分析与解决方案：​​一、扩散模型为何容易陷入局部最优？​​​​非凸优化与模式崩溃​​扩散模型的训练目标是最小化预测噪声的损失（如MSE），其损失函数在高维参数空间中存在大量局部极小值。模型可能过早收敛到次优解，仅捕获数据分布的局部特征（如特定纹理或颜色模式），而忽略全局结构。​​噪声调度的影响​​固定的噪声注入策略（如线性或余弦退火）可能导致模型在训练中期过度拟合中间噪声分布，而无法适应动态变化的去噪路径。​​模型容量与复杂度​​传统U-Net架构的局部感受野限制了全局上下文建模能力，导致模型难以捕捉长距离依赖关系，在复杂场景中容易陷入局部模式。​​二、通过正则化提升泛化能力​​1. ​​动态噪声注入与课程学习​​​​课程学习（Curriculum Learning）​​：逐步增加噪声强度，引导模型从简单分布（低噪声）向复杂分布（高噪声）过渡。例如，Early Stopping在低噪声阶段训练，避免模型过早过拟合。​​随机噪声扰动​​：在训练中随机调整噪声级别（如Stable Diffusion的β调度），增强模型对噪声不确定性的鲁棒性。2. ​​对抗训练与梯度惩罚​​​​对抗正则化​​：引入判别器网络（类似GAN），训练生成器欺骗判别器，迫使模型学习更鲁棒的表示。例如，Diffusion-GAN通过对抗损失减少生成图像的模糊性。​​梯度惩罚（Gradient Penalty）​​：在损失函数中添加梯度范数惩罚项（如WGAN-GP），约束模型在参数空间中的平滑性，防止梯度爆炸或坍缩。3. ​​数据增强与分布平滑​​​​输入空间增强​​：对输入图像进行随机裁剪、旋转、颜色抖动等操作，扩大训练数据多样性。例如，Stable Diffusion通过文本到图像对齐的CLIP指导，隐式增强数据分布。​​隐式分布平滑​​：在潜在空间（Latent Space）中应用高斯模糊或随机擦除，减少模型对训练数据中噪声敏感区域的过拟合。​​三、通过架构设计突破局部最优​​1. ​​全局建模架构：Transformer替代U-Net​​​​DiT（Diffusion Transformer）​​：用Transformer的自注意力机制替代U-Net的卷积层，捕捉长距离依赖关系。例如，DiT-XL/2模型在ImageNet上生成512×512图像时，FID从U-Net的38.5降至29.7，显著减少局部模式锁定。​​多尺度特征融合​​：通过金字塔结构（如UNet++）或跨层跳跃连接，结合低层细节与高层语义信息，避免模型陷入单一尺度优化。2. ​​动态时间建模机制​​​​时间步嵌入增强​​：将线性时间步编码替换为周期性函数（如正弦函数）或可学习时间嵌入，增强模型对去噪阶段的全局感知。​​时间条件自注意力​​：在Transformer中引入时间步作为查询向量，动态调整注意力权重。例如，TimeSformer通过时空注意力分离时间与空间关系，提升生成连贯性。3. ​​概率解耦与潜在空间设计​​​​潜在扩散模型（Latent Diffusion）​​：在低维潜在空间（如VAE编码后的空间）进行扩散过程，降低计算复杂度的同时缓解像素级过拟合。Stable Diffusion即为此类代表。​​条件解耦架构​​：将噪声预测任务分解为多个子任务（如颜色、结构、纹理），通过适配器模块独立优化。例如，ControlNet通过条件网络解耦运动、深度等物理属性，避免模型收敛到单一模式。4. ​​随机微调与元学习​​​​随机权重平均（SWA）​​：在训练后期对模型权重进行指数移动平均，平滑参数空间中的优化路径，减少陷入局部最优的概率。​​元学习（Meta-Learning）​​：训练模型快速适应新任务（如不同艺术风格），通过优化初始化参数提升泛化能力。例如，MAML框架在扩散模型中用于快速风格迁移。​​四、实践案例与效果​​​​DiT的突破​​DiT通过Transformer架构与课程学习策略，在ImageNet 256×256生成任务中，FID达到2.20（优于传统GAN），证明全局建模能有效避免局部最优。​​潜在扩散模型的优势​​Stable Diffusion在潜在空间中训练，参数量仅为像素级模型的1/40，但生成质量相当，表明潜在空间正则化显著提升了泛化能力。​​对抗训练的应用​​Diffusion-GAN在CelebA-HQ数据集上生成的人脸图像，其FID从纯扩散模型的15.2降至9.8，证明对抗正则化可提升细节真实性。​​五、总结​​扩散模型训练陷入局部最优的核心原因在于高维非凸优化与架构的局部性限制。通过以下方法可有效提升泛化能力：​​正则化​​：动态噪声调度、对抗训练、隐式分布平滑；​​架构设计​​：全局建模（Transformer）、潜在空间解耦、动态时间条件机制。这些方法不仅缓解了局部最优问题，还推动了生成模型从“局部模式生成”向“全局语义可控生成”的范式转变。未来方向可能结合强化学习（探索-利用权衡）与神经符号架构，进一步提升复杂场景下的泛化能力。

扩散模型与Transformer架构的结合（如DiT）通过架构创新和训练策略优化，显著改变了生成模型的范式，其核心创新点体现在以下方面：一、生成模型范式的变革​​从局部到全局的特征建模​​传统扩散模型（如基于U-Net的架构）依赖卷积操作，难以捕捉长距离依赖关系。而Transformer的自注意力机制允许模型在去噪过程中动态关注图像全局结构，例如在生成复杂场景时，能同时处理背景纹理与前景细节的关联性。这种全局建模能力显著提升了生成图像的连贯性和语义合理性。​​时间动态与空间特征的联合优化​​结合扩散模型的渐进式去噪过程（时间维度）与Transformer的空间特征提取能力，模型能分阶段细化生成内容。例如，在去噪初期关注低频结构（如物体轮廓），后期聚焦高频细节（如毛发纹理），通过时间依赖的多头自注意力（TMSA）机制实现动态调整。​​多模态生成能力的扩展​​Transformer的序列化处理特性使扩散模型能够兼容文本、图像、视频等多种模态输入。例如，DiT通过将图像分块编码为序列，结合文本嵌入条件控制生成过程，实现了高质量的文生图（Text-to-Image）和文生视频（Text-to-Video）。二、核心创新点​​架构融合：Transformer替代U-Net编码器​​​​传统瓶颈突破​​：传统扩散模型依赖U-Net处理空间特征，而Transformer编码器通过自注意力机制提取多尺度全局特征，解决了U-Net在复杂场景中模式崩溃的问题。​​参数效率提升​​：例如DiffiT模型通过共享时间步嵌入和稀疏注意力机制，参数量比同类ViT-based模型减少30%，同时保持生成质量（FID 1.73 on ImageNet256）。​​时间动态建模：TMSA机制​​​​细粒度阶段控制​​：在Transformer块中引入时间标记（Time Embedding），通过可学习的查询（Q）、键（K）、值（V）矩阵，将时间步信息融入自注意力计算，使模型能根据去噪阶段动态调整关注区域。​​可视化验证​​：实验显示，加入TMSA的DiffiT在生成过程中对高频细节（如花瓣边缘）的注意力权重提升40%，显著改善细节保真度。​​双路径特征融合与多阶段训练​​​​双编码器设计​​：如InstantCharacter采用SigLIP（全局特征）和DINOv2（局部特征）双编码器，分别提取角色体型、服饰配色与发丝纹理等细节，通过适配器模块对齐扩散空间，实现跨场景角色一致性。​​渐进式训练策略​​：分阶段训练（低分辨率→高分辨率、成对数据→非成对数据）提升模型泛化能力。例如MagicDriveDiT通过三阶段训练，将视频生成帧率从15fps提升至60fps。​​计算优化与扩展性增强​​​​稀疏注意力与分块并行​​：针对高分辨率图像，采用窗口内自注意力（如Swin Transformer）降低计算复杂度，同时通过分块并行加速训练。​​蒸馏与量化技术​​：通过教师-学生蒸馏和8-bit量化，将模型推理速度提升2倍以上，例如360AI的“省钱版”ControlNet在保持生成质量的同时降低50%显存占用。三、应用场景与行业影响​​创意内容生成​​​​角色一致性控制​​：InstantCharacter支持单图生成多场景变体（如角色在不同服装、姿势下的表现），在游戏开发中替代传统3D建模流程，效率提升80%。​​长视频生成​​：MagicDriveDiT为自动驾驶生成高清长视频（10秒以上），用于模拟复杂路况，训练成本降低60%。​​工业与科研领域​​​​虚拟制片​​：实时生成虚拟演员的高清视频流，减少实拍成本，已应用于多部影视作品。​​科学可视化​​：生成高保真分子结构、气候模拟数据，辅助科研分析。​​开源生态构建​​腾讯、Meta等企业开源DiT相关代码（如Meta-Transformer支持12种模态），推动社区快速迭代，形成“生成-渲染-交互”全链路解决方案。四、未来挑战与趋势​​计算资源限制​​：尽管优化技术降低了显存需求，但训练千亿参数级DiT模型仍需高性能集群。​​动态控制精度​​：如何实现更细粒度的时间步干预（如指定特定帧的细节）仍需探索。​​多模态对齐​​：跨模态生成（如文本→视频→3D）的联合优化是下一阶段重点。综上，扩散模型与Transformer的结合通过架构创新和训练策略突破，推动了生成模型从“局部模式生成”向“全局语义可控生成”的范式转变，其核心价值在于​​全局-局部特征协同建模​​与​​时间-空间动态控制能力​​的融合。

🌟【火速围观】解锁无线世界的全新探索！📢5月29日晚19:00-20:30，让我们一起走进 华为开发者布道师技术直播第13期 | 星闪主从一体模式与线性星闪网络，开启一场科技探索的盛宴！新概念：首次提出并实现的星闪主从一体模式，带你了解这一技术的前沿动态。新原理：详细介绍星闪主从一体节点的工作原理，让你深入了解其背后的科学奥秘。新能力：设计与实现星闪技术的新能力，展示其在实际应用中的无限可能。💡 互动环节 💡直播期间，你将有机会与布道师老师互动交流，提出你的问题，共同探讨星闪技术的未来方向。准备好你的问题，让我们一起碰撞出智慧的火花！报名地址：星闪主从一体模式与线性星闪网络

地区您好，我想问下文档提供的这个hello world编译实例，要把这个helloword.c放在什么路径下

【获奖公示】一、积分数据公示见本论坛贴附件1，积分兑换获奖名单公示见本论坛贴附件2二、公示时间：2025年6月9日—2025年6月15日，若有疑问请在该时间段反馈，逾期视为放弃奖励！三、积分数据统计周期：仅统计5月20日—6月8日期间的考试数据（首次考取以上认证可参与积分）。四、奖品发放：所有奖励将于活动公示期后陆续安排发放。点此填写活动满意度调查问卷【活动福利】福利1：微认证1元购，集齐微认证证书一键兑换开发者认证证书福利2：邀请报名有礼：送最高1000元云资源代金券/1099元工作级开发者认证代金券福利3：考证积分兑好礼：最高送华为手表FIT3，积分排名top5可额外获得1张HDC.2025大会门票（双日票）！云资源代金券/开发者认证代金券/实物奖品免费兑，积分越高礼品越丰厚。福利4：积分抽奖，抽HDC.2025大会门票（双日票）与华为手环9点击链接立即报名：cid:link_9【活动时间】2025年5月20日—2025年6月8日【微认证1元购】序号认证名称（含购买入口）认证价格1云原生基础设施之容器入门582云原生基础设施之容器进阶583基于CCE Kubernetes编排实战684CCE网络与存储实战685云容器快速搭建网站586云原生入门级开发者认证通过序号1-5点此兑换开发者证书7智能信息过滤和图片鉴别388树回归算法分析房价趋势389智能表单及证件文字识别38点击前往活动页，可领取考试代金券及查看详细福利。部分奖品限量，先到先得，赶紧来参加吧！

5月22日晚19点资深全栈开发者小雨老师将带来《从新手到贡献者：手把手教你融入开源生态》的直播分享，欢迎大家一起加入OpenTiny直播间

【直播回放】直播回放地址【总结简报】华为开发者布道师技术沙龙·直播间精彩回顾【第1期】联接高校人才培养与前沿产业技术，成就学生未来 / 李一浩老师【第2期】逐梦之旅：学生开发者到华为开发者布道师的蜕变 / 杨阳同学【第3期】昇思MindSpore：AI 领域的创新力量与跨平台之路 / 陈新杰同学【第4期】基于OpenHarmony计算机学科人才培养经验分享 / 周睿老师【第5期】计算机核心课程贯通式实践教学体系介绍 / 赵欢老师、李博经理、杨科华老师【第6期】OpenHarmony应用开发之网络数据请求与数据解析 / 倪红军老师【第7期】华为开发者空间玩转DeepSeek / 马欣老师【第8期】基于能力图谱的openGauss项目闯关 / 马瑞新老师【第9期Day1】基于开源鸿蒙+海思星闪开发板：嵌入式系统开发实战 / 齐耀龙老师【第9期Day2】基于开源鸿蒙+海思星闪开发板：嵌入式系统开发实战 / 齐耀龙老师【第10期】基于华为云+DeepSeek大模型的脑肿瘤分割实验教学案例 / 林承德老师【第11期】WS63E星闪开发板快速入门指南：开启星闪技术之旅 / 杨阳同学官网直播间观众问题回答摘要：序号问题回答1连接建立必须要用扫描的方式吗，有不占用主程序的方式吗，比如预留一个进程或者中断等待配对信号在星闪开发板上进行连接建立，通常采用扫描的方式来进行设备发现与连接。不过，也可以预留一个进程或利用中断等待配对信号，以避免占用主程序。例如，可以专门设置一个进程用于监听配对信号，或者配置中断服务程序，当检测到配对信号触发中断时，再去执行相应的连接流程。这种方式可以让主程序专注于其他任务，而不会被连接建立过程所阻塞。2Kconfig与CMake的变量命名冲突如何解决？可以采用以下方法解决：重命名变量：对变量名进行修改，在命名时添加具有区分性的前缀或后缀，使两者区分开来。例如，在 Kconfig 中使用 CONFIG_ 前缀，在 CMake 中使用 CMAKE_ 前缀。调整配置顺序：先加载一方的配置，处理好后再处理另一方的配置。并在代码中使用条件编译，根据当前处理的配置情况引用对应的变量。3如何处理第三方库的版本冲突（比如不同版本的OpenSSL）？建议海思社区提问4NFC板的读写距离与哪些因素相关？天线设计和尺寸：天线越大，读写距离可能越远。发射功率：功率越大，读写范围可能越广。通信频率：不同频率下信号的传播特性和穿透性不同，影响读写距离。环境因素：金属等干扰物会缩短读写距离，而空旷、无干扰的环境则更有利于实现较远的读写距离。读卡器和卡片的灵敏度：灵敏度高的设备可以实现更远距离的读写。仅供参考，根据您业务或者项目需求做对应调整5星闪协议栈是否开源？开发者能不能自定义上层应用？我的看法是，目前在开发者D端场景下，星闪 SDK 目前处于半开源状态，只开放函数接口供用户使用，基于这些接口，是完全可以使用星闪的各种资源做上层应用，但对星闪协议栈封装的底层内容，还暂时看不到，后续后面会有机会，您也可以和海思团队交流这个问题。不过需要注意的是，商用版本星闪和开发者版本星闪在协议栈的完整性和稳定性上可能存在差异。商用版本通常经过更严格的测试和优化，更适合用于实际产品开发；而开发者版本则可能更侧重于功能的探索和实验，开发者需要自行进行充分的测试和验证。6星闪与BLE协同工作时，如何设计低功耗调度策略？仅供参考，鄙人才疏学浅，不一定对，也可以在社区交流角色分工上，星闪负责高吞吐量任务（如实时数据传输），BLE处理轻量级控制电源管理通过动态启用模块（如按需切换、时间分片）和深度睡眠模式降低功耗协议栈优化包括连接参数调优（如BLE延长间隔、启用延迟）及事件驱动模型（中断唤醒）硬件适配需多天线设计与频谱隔离以减少干扰；任务优先级划分关键任务（星闪优先）与低优先级任务（BLE补充）。7星闪协议是否支持动态频谱共享？能与Wi-Fi等其他协议共存吗？星闪协议支持动态频谱共享，能够与 Wi-Fi 等其他协议实现较好的共存。星闪设备可以通过动态调整自身的频谱使用策略，如根据周边 Wi-Fi 设备的频谱占用情况自动切换到相对空闲的频段进行通信，或者调整发射功率、通信时隙等参数，减少对其他无线协议的干扰，同时自身也能在复杂的无线频谱环境中稳定运行。商用版本星闪在频谱共享和共存方面通常会经过更充分的测试和优化，以确保在实际应用中能够与多种无线协议稳定共存。而开发者版本星闪可能需要开发者根据具体环境进行更多的调试和配置。8星闪协议栈中是如何实现低延时抗干扰特性的？与现有短距协议ZigBee、NFC相比有何优势？1. 低时延实现CP-OFDM波形技术：采用循环前缀正交频分复用（CP-OFDM）技术，通过固定符号周期（20.833μs）和灵活的时间域资源调度，将单次传输延迟降低至**<20μs**，远低于蓝牙（~600μs）和Wi-Fi（~1000μs）。示例：游戏手柄或电竞鼠标通过星闪可实现亚毫秒级响应，显著提升实时交互体验。非竞争接入与中心调度：通过G节点统一调度终端设备的接入时隙，避免传统CSMA/CA（如Wi-Fi）或轮询机制（如ZigBee）导致的冲突和等待，实现毫秒级接入。技术细节：支持12-bit物理层ID，单G节点可管理4096个终端并发连接。超短帧设计：星闪协议栈采用超短无线帧（20.833μs），减少帧头开销和传输间隔，优先保障低时延业务（如工业控制指令）的传输效率。2. 抗干扰能力动态窄频宽（DNFW）：通过动态调整带宽（1~320MHz），减少同频干扰的同时提高频谱利用率。例如，在密集部署场景（如仓库）中，可切换至窄频宽以规避其他协议的信号干扰。多维度分集技术：频域分集：通过多载波并行传输分散干扰。空域分集：利用多天线设计（MIMO）增强信号稳定性。时域分集：通过重传和HARQ（混合自动重传请求）机制降低误码率。结果：抗干扰能力比蓝牙提升10dB以上（见知识库[4]）。极化码（Polar Code）：采用5G标准中的极化码作为信道编码方案，提升高斯白噪声（AWGN）信道下的BLER（误块率）性能，确保高可靠性传输（>99.999%）。具体数据对比，可参考国际星闪联盟公布文件9星闪的抗干扰机制在密集部署场景（比如仓库）会出现性能衰减吗？星闪技术在密集部署场景（如仓库）中通过动态窄频宽（DNFW）、多维度分集技术（频域、空域、时域）和极化码（Polar Code）等机制，显著提升了抗干扰能力。其动态窄频宽可自适应调整带宽（1~320MHz），减少同频干扰；多分集技术通过多载波并行传输、多天线设计和重传机制降低误码率；极化码进一步增强抗噪声性能。实测显示，星闪信号可穿透4堵墙，抗干扰能力比Wi-Fi高3倍，设备碰撞概率仅为Wi-Fi的5%，且支持高达4096台设备互联。尽管密集部署可能因物理遮挡或电磁干扰导致局部性能波动，但其抗干扰机制仍能维持稳定连接，性能衰减远低于传统协议（如蓝牙或Wi-Fi）。另外，您可以参考现在的商用星闪仓储方案，商用解决方案一般会有更好的性能和效果10星闪与传统无线标准Wi-Fi、蓝牙有什么核心差异？星闪（NearLink）与传统无线标准Wi-Fi和蓝牙的核心差异体现在性能指标和技术特性上：时延：星闪时延低至20微秒（μs），远低于Wi-Fi的10-100毫秒（ms）和蓝牙的10-500ms，满足工业控制、AR/VR等实时性场景需求。连接密度：星闪支持4096台设备并发连接（SLB模式），远超蓝牙的8台和Wi-Fi 7的256台，适合高密度物联网部署（如智能家居、工业自动化）。抗干扰能力：通过动态窄频宽（DNFW）、极化码（Polar Code）和多分集技术，星闪抗干扰能力比蓝牙提升7dB以上，误码率低至10⁻⁷（蓝牙为10⁻³），在复杂电磁环境中表现更稳定。定位精度：星闪支持厘米级精确定位（±1cm），结合UWB技术可实现空间交互（如遥控器指向操作），而Wi-Fi和蓝牙缺乏此类能力。功耗与场景适配：星闪提供SLB（高速率）和SLE（低功耗）双模式，兼顾高性能与低功耗需求，例如SLE模式功耗仅为蓝牙的60%，适用于耳机、传感器等设备；SLB模式则对标Wi-Fi，支持高清视频传输、车载无线投屏等高带宽场景。综上，星闪其实是一个短距无线通信技术的生态11开发版驱动电压是多少，功耗多少，算力是多少，或者主频是多少？HH-D01星闪WS63开发板数据1.CPU 子系统高性能 32bit 微处理器，最大工作频率 240MHz内嵌 SRAM 606KB、ROM 300KB、4MB Flash2. 星闪（SparkLink）支持低功耗接入技术 SLE 1.0 及 SLE 网关频率模式：1MHz/2MHz/4MHz空口速率：WS63 最大 4Mbps，WS63E 最大 12Mbps信道编码：Polar 编码3. Wi-Fi支持标准：802.11b/g/n/ax（PHY），802.11d/e/i/k/v/w（MAC）频宽：支持 802.11n 20MHz/40MHz，802.11ax 20MHz最大速率：150Mbps@HT40 MCS7，114.7Mbps@HE20 MCS9雷达感知功能（仅 WS63E 主板支持）4. 蓝牙支持 BLE 4.0-5.3，BLE Mesh 及 BLE 网关速率：125Kbps/500Kbps/1Mbps/2Mbps5. 外围接口接口类型：SPI、QSPI、I2C、I2S、UART、GPIO、ADC、PWM（通过复用实现）外部晶体时钟：24MHz/40MHz6. 其他信息电源电压：3.3V/5V（IO 支持 3.3V）工作温度：-40°C～+85°C12请问用了hispark是不是就不用装虚拟机之类的如果您使用Liteos来开发的话，是的，纯Windows环境，不需要配置虚拟机，如果是OHOS，则需要更换开发方式，且需要配置虚拟机，看您的需求13这些设置有更加详细的指导或者实例吗，在海思网站上没有看到诶在这里：https://gitee.com/HiSpark/fbb_ws63社区主要讨论问题和技术支持：https://developers.hisilicon.com/forum/013314688626787000114讲师同学讲得好好！想请问讲师同学在日常开发中是怎么捕捉刚分享所提到的【用户需要的点】的呢？感觉捕捉到这些很不容易。包括在过程中针对某一场景问题去调研时，我出现过【忧心是否会太耗费时间、而收获很小】，请问讲师同学有没有体会过这样的心态？又是如何去克服的？感谢你的认可！其实这个问题我也经历过，下面是我结合星闪改出来的一个故事，大框架没变，希望对你有所启发！关于捕捉用户需求我以前也总觉得自己在“猜需求”，直到后来发现：用户说的不一定是他们真正想要的。比如我们开发星闪协议的时候，很多用户说“需要更快的传输速度”，但后来发现他们其实是想解决“设备太多导致连接卡顿”的问题。我的做法是：多问“为什么”：用户说“需要低功耗”，我会追问：“现在的设备续航多久？什么场景下特别耗电？”用户说“要支持更多设备”，我会问：“最多同时连接多少台？有没有设备类型限制？”通过追问，能挖到他们没意识到的深层需求。观察比听更重要：有一次我们去仓库实地测试，发现工人频繁切换Wi-Fi和蓝牙设备，因为信号干扰严重。后来我们针对性优化了星闪的抗干扰能力，结果用户反馈“突然感觉设备听话多了”。从失败中找线索：早期做星闪的定位功能时，我们以为“高精度”是关键，但用户试用后说：“精度够了，但操作太复杂。”这让我们意识到，技术优势必须转化为用户能感知的体验。关于调研耗时的顾虑说实话，我也常担心“花时间调研会不会没效果”。比如开发SLE低功耗模式时，我纠结了很久要不要先做个简单版本试水。我的解决方法是：设定“快速验证”目标：不追求完美，只验证核心逻辑。比如想测试低功耗模式，就先做个小功能模块，看看续航能否延长30%。如果结果不理想，立刻调整方向，避免陷在细节里。用“低成本工具”替代深度调研：做过一个智能手表项目，原本计划做用户访谈，后来改用问卷+竞品评论分析，发现用户吐槽最多的不是功能，而是“充电太麻烦”。这个发现直接影响了后续电池设计。接受“不完美”：有一次调研结果和预期差很多，但硬着头皮做了产品，结果市场反响一般。后来复盘发现，调研样本太少是主因。但这次教训让我学会：小范围验证比盲目推进更划算。最后想说捕捉需求和做调研，其实就像拼图——你永远拼不完，但每一块都能帮你看清整体。我的建议是：先找到最关键的那几块，再一步步完善。如果一开始就想“全都要”，反而容易迷失方向。希望这些经验能帮到你！如果还有具体场景想聊，欢迎随时问我15请问星闪一对多通信是一个客户端对多个服务器还是一个服务器对多个客户端，还是说都可以？都可以实现，可参考星闪Hybrid模式，主从一体sle_hybrid_demo（感谢齐老师贡献）项目链接：https://gitee.com/hbu-dragon/openharmony-nearlink-ws63-cases16周围诱人的东西太多，怎么专心投入作品开发建议阅读一本书，叫做《刻意练习》，希望可以帮到你17请问ws63有和电脑或者云平台通讯的案例吗？有的，可参考mqtt_demo （感谢齐老师贡献）链接：https://gitee.com/hbu-dragon/openharmony-nearlink-ws63-cases此外，在海思开发者社区，也有开发者分享的相关案例，可以参考学习。18我烧录了Hi3863的SLE uart 1v8的例程，然后分别部署了server端和client端。二者可正常通讯。但是client端会自动连接其他的星闪设备。例如它就连接到了舍友的星闪手写笔，然后在hi3863的client端就能看到星闪笔发送的数据。请问client这种误连接的情况该如何解决呢？出现这种情况是因为 client 端星闪设备在扫描并尝试连接周边星闪设备时，没有进行有效的设备识别和配对过滤。解决办法如下：设备绑定机制：在 client 端和 server 端建立一种设备绑定机制，预先设定配对密码或利用设备的唯一标识进行配对连接。过滤连接请求：在 client 端添加连接请求过滤逻辑，只有在验证通过是预先设定允许连接的设备时，才正式建立连接，避免自动连接到其他无关的星闪设备。建议再研究一下星闪通信流程，在回调函数中做相应处理19环境里有rssi吗没有用到过，可以在海思社区交流一下20有没有连接onenet的案例WS63E支持WiFi通信，您可以参考Hi3861连接onenet的案例做对应移植哈，另外也可以在海思社区交流

【HDC 2025丨社区话题活动】代码初心：开发者之路的起点与旅程获奖名单如下：有效回复楼层40层mitenkileeandyleung当时只道是寻常.胡琦tea_yearmadqfrog小草飞上天nukinsan恭喜以上8名开发者获奖，即日起请获奖者填写问卷收货信息cid:link_0，反馈截止时间2025年7月14日，18号前发货，逾期未提供有效收件信息，视为放弃活动领奖，感谢大家对华为云论坛的关注和支持~——————————————————————————————————————————————————————————在这个充满代码与创意的世界里，我们每个人都有自己独特的起点和旅程。今天，就让我们一起放慢脚步，回望来时的路，分享那些点燃你心中“开发者之梦”的瞬间。是什么让你第一次对编程产生兴趣？还是学生时代写下的第一行“Hello World”？也许是一次偶然的机会，一次惊艳的技术体验，或者是一位榜样的影响……无论原因大小，都值得被铭记。快来告诉我们，你最初的梦想是从哪里开始的。从入门到进阶，从学习到实践，这一路上一定有令你难忘的经历。是熬夜啃书的时光？是第一次成功跑通程序的喜悦？还是遇到 bug 时的抓狂与解决后的成就感？有没有哪一段经历特别想和大家分享？欢迎畅所欲言，你的故事可能会激励着在这条路上或即将踏上这条路的人！ 在本活动帖下回帖，参与HDC话题互动 有机会获得开发者定制礼品 【参与方式】选取一个或多个角度，直接在此活动帖下方回帖相关话题内容PS：不要少于30字哦~ 【活动时间】2025年5月19日——6月24日 【获奖规则】有效回帖楼层超 20 层后逐级抽奖，最高可抽取 26 个幸运开发者获得礼品 【活动规则】1、本帖的回帖建议不少于30字，仅限于对该活动主题相关的内容，其他回帖内容不参与此次活动，否则将视为无效内容。2、本次活动将根据实际参与情况发放奖励，包括但不限于用户百分之百中奖或奖项轮空的情况；实物奖品具体发放视出库情况而定；3、活动预计于结束后七天内完成奖项公示，并于结束后15个工作日内完成邮寄。【温馨提示】1、请务必使用个人实名账号参与活动（IAM、企业账号等账号参与无效）。如一个实名认证对应多个账号，只有一个账号可领取奖励，若同一账号填写多个不同收件人或不同账号填写同一收件人，均不予发放奖励。2、所有获得奖品的获奖用户，请于获奖后3日内完成实名认证，否则视为放弃奖励。

【HDC 2025丨社区话题活动】HDC时光机，我与华为开发者大会的专属回忆打卡地活动获奖名单如下：有效回复楼层23层柠檬味拥抱yd_278223297hello word～/恭喜以上3名开发者获奖，即日起请获奖者填写问卷礼品收货信息cid:link_0，反馈截止时间2025年7月14日，18号前发货，逾期未提供有效收件信息，视为放弃活动领奖，感谢大家对华为云论坛的关注和支持~——————————————————————————————————————————————————————————一年一度的 华为开发者大会2025 又如期而至你是否曾在 HDC 的舞台上收获灵感？有没有哪一次演讲或展位让你印象深刻？也许你曾在这里结识了志同道合的朋友，或是通过参与活动解锁了新的技能……这一次，我们想听你说——“我与华为开发者大会的故事”！还记得你第一次参加 HDC 是什么时候吗？是被哪个主题吸引？又或者是因为某位嘉宾的一句话让你印象深刻？快来和我们一起重温那些年你的参会故事吧！在 HDC 的舞台上，有没有哪一场演讲、哪一个技术分享让你豁然开朗？有没有哪项技术、哪个产品发布或Demo演示让你眼前一亮？也许它改变了你对某个领域的理解，影响了你后续的学习或项目实践？在 HDC 现场上，你是否结识了志同道合的朋友或合作伙伴？是否有参与过有趣的现场互动、交流瞬间？欢迎来聊聊那些“线下相遇”的温暖瞬间！有没有拍下难忘的瞬间？比如一次动手实验的记录、一张展位打卡照……一起晒出你与 HDC 的独家记忆，分享照片背后的故事吧~ 在本活动帖下回帖，参与HDC话题互动 有机会获得开发者定制礼品 【参与方式】选取一个或多个角度，直接在此活动帖下方回帖相关话题内容PS：不要少于30字哦~ 【活动时间】2025年5月19日——6月24日 【获奖规则】有效回帖楼层超 20 层后抽奖，最高可抽取 26 个幸运开发者获得礼品 【活动规则】1、本帖的回帖建议不少于30字，仅限于对该活动主题相关的内容，其他回帖内容不参与此次活动，否则将视为无效内容。2、本次活动将根据实际参与情况发放奖励，包括但不限于用户百分之百中奖或奖项轮空的情况；实物奖品具体发放视出库情况而定；3、活动预计于结束后七天内完成奖项公示，并于结束后15个工作日内完成邮寄。【温馨提示】1、请务必使用个人实名账号参与活动（IAM、企业账号等账号参与无效）。如一个实名认证对应多个账号，只有一个账号可领取奖励，若同一账号填写多个不同收件人或不同账号填写同一收件人，均不予发放奖励。2、所有获得奖品的获奖用户，请于获奖后3日内完成实名认证，否则视为放弃奖励。

为深化产教融合，推动单片机与嵌入式课程教学创新，推广国产芯片技术应用，2025年5月9日至11日，全国单片机与嵌入式课程教学团队在台州学院“首届全国单片机与嵌入式课程教学研讨会暨海思星闪技术应用师资培训”。本次会议以“星闪智联·产教融合·AI赋能人才培养”为主题，以线上线下同步的方式举行，共探智能化时代单片机与嵌入式课程改革路径，助力自主培养高素质工程技术人才。本次会议吸引了来自全国23所高校的40多位教师现场参会，线上同步参会人数达240余人。开幕式上，台州学院副校长党委委员李建军、全国先进半导体产教融合共同体副秘书长范博森、会议发起人邢台学院王承林分别致辞，强调在加快建设教育强国、以中国式现代化全面推进中华民族伟大复兴的背景下，以“星闪智联·产教融合·AI赋能人才培养”开展深入研讨，推动优秀教材、师资和实践教学的建设和优质资源共享，提升专业人才培养质量，期望以此次会议为契机，进一步深化跨校之间的大规模有组织教学，加强示范引领，加大校际合作力度，加强校企协同和产教融合，推动课程内容与产业需求深度对接，推动国产高端芯片技术应用于高校，进课堂、进教材、进实践。 在大会报告环节，台州学院范剑教授、华为开发者布道师沈阳理工大学张东阳教授担任大会报告主持人。东莞理工学院任斌教授、邢台学院王承林教授、沈阳理工大学张东阳教授、台州学院范剑教授、安阳师范学院丁电宽副教授、吉林化工学院刘麒副教授、南华大学李月华副教授、绍兴文理学院赵伟强副教授、湖北师范大学杨青胜副教授等分别从“单片机课程数智化教学改革”“虚拟仿真与人工智能融合实践”“国家级一流课程建设经验”“基于星闪前沿技术的单片机与嵌入式课程体系重构实践”等角度分享了最新教学研究与实践成果。 在“基于星闪前沿技术的单片机与嵌入式课程体系重构实践”的大会报告中，张东阳教授从“面向高质量应用型人才培养的单片机与嵌入式课程建设”“传统的单片机与嵌入式课程体系建设所面临的主要问题”“新工科建设给单片机与嵌入式课程教学改革带来的机遇”“基于华为星闪前沿技术的单片机与嵌入式课程体系重构”“以竞赛为驱动的单片机与嵌入式课程体系竞赛团队建设”等几个方面，系统地介绍了把星闪前沿技术有机融入C语言程序设计、单片机原理与应用、嵌入式系统设计、相关课程设计和毕业设计的方式方法，以及课程体系重构实践，为把星闪前沿技术有机融入相关课程、快速培养高质量的星闪技术应用系统开发人才，探索出一套切实可行的方案。在海思星闪技术应用师资培训环节，江苏润和软件股份有限公司特穆其勒图经理首先介绍了星闪教育教学方案的生态体系，随后张东阳教授利用自己所独创的“能力驱动课程教学模式”，围绕“星闪嵌入式系统开发环境搭建”“星闪技术基础模块案例控制演练”“星闪SLE点对点通信实践”等主题，进行了海思星闪技术应用师资培训教学。张东阳教授通过深入浅出的星闪前沿技术理论讲解和润和星闪套件的实操指导，帮助参训教师快速掌握了解和掌握海思星闪前沿技术，以及高效能力驱动课程教学模式的使用方法。 培训会后，安排了单片机与嵌入式课程教学专题座谈交流会，并组织与会教师参观了台州学院智能制造学院实验室，展示了台州学院高水平的单片机课程教学与实验实践教学成果，为各高校单片机实验平台建设提供了非常有益的参考。 本次会议通过“教学研讨+技术培训”双轨模式，系统呈现了单片机课程改革的核心议题与海思星闪技术应用融入课程教学的实践路径，为高校教师课程教学改革提供了可借鉴的经验。与会代表一致认为，本次会议收获满满，充实而富有成就，对星闪前沿技术，以及如何把星闪前沿技术融入单片机与嵌入式课程教学，有了深入的了解，对高质量课程建设和课程教学改革充满了信心。本次会议是由全国单片机与嵌入式课程联合教学团队发起，该教学团队由来自全国各高校单片机与嵌入式课程的八位国家级一流课程负责人牵头组建，致力于搭建该课程的教学资源共享平台，推广国产单片机高端芯片技术在课程教学中的深入应用，推动校企协同育人，借助人工智能与虚实融合实验平台，赋能单片机与嵌入式课程教学内容和实践体系迭代升级，提升全国单片机与嵌入式课程教师教学水平，为教育强国建设注入创新动能。本次会议得到江苏润和软件股份有限公司的全程协作。

🌟【精彩直播抢先看】星闪应用开发技术课程（群）建设思路与设想📢 时间：5月22日（周四）晚19:00-20:30 | 华为开发者布道师技术直播第12期 华中师范大学计算机学院副教授-葛非老师将深入讲解星闪核心技术及其支撑技术，并讨论如何将这些技术融入到通信工程、计算机科学与技术、软件工程等专业的课程内容中，旨在推动高等教育领域星闪鸿蒙生态的有序发展。✨本期亮点✨✨技术前沿：掌握先进的星闪技术，了解其在智能终端领域的应用前景。✨教育融合：了解星闪技术如何与高等教育结合，为未来的开发者提供更为丰富的学习资源和支持。✨互动交流：与来自专家老师一起交流，共同探讨技术的未来发展。欢迎加入我们，一起探索星闪技术的无限可能，共同为构建更加开放、协作的科技创新生态贡献力量！报名地址：星闪应用开发技术课程（群）建设思路与设想

SQL语句一：CREATE SEQUENCE "ENTITY_SEQUENCE" START WITH 1 INCREMENT BY 1 NO MAXVALUE;SELECT nextval('"ENTITY_SEQUENCE"')创建SEQUENCE，引号被当成了标识符的一部分。SQL语句二：CREATE SEQUENCE ENTITY_SEQUENCE START WITH 1 INCREMENT BY 1 NO MAXVALUE;SELECT nextval('ENTITY_SEQUENCE')从设计上来讲，GaussDB会将引号作为标识符的一部分吗？ 按照ANSI标准，标识符通常可以加上双引号。比如：insert into "T_TOKENS" ("ACCESS_TOKEN_VALUE", "REFRESH_TOKEN_VALUE", "token") VALUES('s', 's', 's');是指表 T_TOKEN，字段ACCESS_TOKEN_VALUE，但GaussDB会提示表找不到或者字段找不到。GaussDB关于标识符的设计有点奇怪，不好理解。 请问这块有官方标准说明吗？

1.1 第一步进入华为云：“华为云”——>”华为云全球云服务专场”在搜索框，输入华为云，点击华为云，点击华为云全球服务专场。、、1.2 第二步进入ModelArts：“搜索框”——>“ModelArts”——>“控制台”——>“控制台”——>“ModelArts界面”进入华为云界面之后，点击搜索框，输入ModelArts，下面会显示ModelArts直接点击AI开发平台ModelArts的控制台，进入ModelArts界面。1.3 选择西南贵阳一在选择区域，选择西南贵阳一区。公共镜像“pytorch_2.1.0-cann_8.0.rc1-py_3.9-euler_2.10.7-aarch64-snt9b”，磁盘规格100GB，点击立即创建。1.4 打开服务器等待创建完成后，单击后面的“打开”按钮将服务器打开。1.5 安装python版本的型号创建“python”版本的型号，点击上方的“+”，在展开的下拉菜单中选择“Notebook”将以下的代码放到代码行里面，点击运行按钮创建环境。conda create -n glm4 python==3.10 -y 1.6 安装openMind Hub Client和openMind Library切换到终端窗口，点击上方的“+”，在展开的下拉菜单中选择“Termianl”以下命令在终端运行，激活或者启动昇腾资源服务。source /usr/local/Ascend/ascend-toolkit/set_env.sh进入新建的python环境conda activate glm4安装“openMind Hub Client”（可能出现以下的错误，不影响下面的操作）pip install openmind_hub安装“openMind Library”，并安装“PyTorch”框架及其依赖（可能出现以下的错误，不影响下面的操作）pip install openmind[pt]按照和下载“LLaMa Factory”工具git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.gitcd LLaMA-Factorypip install -e ".[torch-npu,metrics]"pip install numpy==1.23.53.1 模型下载# 首先保证已安装“git-lfs”（https://git-lfs.com）pip install modelscopemodelscope download --model ZhipuAI/glm-4-9b-chat --local_dir ./glm4-9b-chat用户可以使用“LLaMa Factory”进行模型推理，以“GLM-4-9B-Chat”为例，具体如下：在“/LLaMa Factory/”目录在空白处右键点击——>点击“New File”——>“inference_glm4_9b_chat.py”复制进去创建文件新建推理脚本“inference_glm4_9b_chat.py”推理脚本内容为：（将以下代码复制到新建的文档里面，按下“Crtl”加上“s”键保存文件）import torchfrom transformers import AutoModelForCausalLM, AutoTokenizer # 检查是否支持NPU设备device = "npu" if torch.npu.is_available() else "cpu"print(f"Using device: {device}", flush=True) # 加载预训练模型和分词器tokenizer = AutoTokenizer.from_pretrained("glm4-9b-chat", trust_remote_code=True)model = AutoModelForCausalLM.from_pretrained(    "glm4-9b-chat",    torch_dtype=torch.bfloat16,    low_cpu_mem_usage=True,    trust_remote_code=True).to(device).eval() # 定义生成参数gen_kwargs = {    "max_length": 2500,    "do_sample": True,    "top_k": 1,    "temperature": 0.7,  # 可以调整温度来控制生成的多样性} # 初始化对话历史conversation_history = [] def generate_response(user_input):    # 将用户的输入添加到对话历史中    conversation_history.append({"role": "user", "content": user_input})     # 构建输入模板，包含所有对话历史    inputs = tokenizer.apply_chat_template(        conversation_history,        add_generation_prompt=True,        tokenize=True,        return_tensors="pt",        return_dict=True    )     # 将输入移动到 NPU 设备    inputs = inputs.to(device)     # 生成回复    with torch.no_grad():        outputs = model.generate(**inputs, **gen_kwargs)        outputs = outputs[:, inputs['input_ids'].shape[1]:]  # 去掉输入部分，只保留生成的回复     # 解码生成的回复    response = tokenizer.decode(outputs[0], skip_special_tokens=True)     # 将模型的回复添加到对话历史中    conversation_history.append({"role": "assistant", "content": response})     # 立即打印回复并刷新输出    print(f"Assistant: {response}", flush=True)     return response # 多轮对话循环print("开始多轮对话，输入 'exit' 结束对话。", flush=True)while True:    user_input = input("User: ")    if user_input.lower() == 'exit':        print("结束对话。", flush=True)        break     generate_response(user_input) # 如果有需要处理的异常，可以在主程序块中添加 try-exceptif __name__ == "__main__":try:        pass    except Exception as e:        print(f"An error occurred: {e}", flush=True)执行推理脚本：python inference_glm4_9b_chat.py输入以下问题：（ “款型”#“衣服”每次输入大概使12.8w个token）  出现User是输入问题，Assistant是回复得答案              问题1：类型#上衣材质#牛仔布颜色#白色风格#简约图案#刺绣衣样式#外套衣款式#破洞              问题2：类型#裤风格#英伦风格#简约              问题3：类型#裙裙下摆#弧形裙腰型#高腰裙长#半身裙裙款式#不规则*裙款式#收腰              推理结果如下：按下“Ctrl”键加c键退出问答环节。3.2 数据集下载我们使用单张昇腾NPU，本次案例可以使用多卡进行微调，也可以使用单卡微调，基于LLaMa Factory框架，采用广告文案生成数据集进行Lora微调，让模型能够根据用户输入的商品关键字生成对应的广告文案。数据集广告文案数据集（AdvertiseGen）任务为根据输入（content）生成一段广告词（summary），分为训练集和验证集。其中，训练集大小为114K，验证集大小为1K。每个样本有”content”和”summary”两个键，分别保存商品关键字和商品文案。以下是部分示例：{    "content": "类型#上衣*版型#宽松*版型#显瘦*图案#线条*衣样式#衬衫*衣袖型#泡泡袖*衣款式#抽绳",    "summary": "这件衬衫的款式非常的宽松，利落的线条可以很好的隐藏身材上的小缺点，穿在身上有着很好的显瘦效果。领口装饰了一个可爱的抽绳，漂亮的绳结展现出了十足的个性，配合时尚的泡泡袖型，尽显女性甜美可爱的气息。"}下载“AdvertiseGen”数据集使用“Git”将数据集下载至“LLaMA-Factory”文件下。重复3.2小节重新创建个终端conda activate glm4cd LLaMA-Factory/git clone https://modelers.cn/AI-Research/AdvertiseGen.git 2.3 数据预处理在空白处右键点击——>点击“New File”——>“preprocess_adv_gen.py”复制进去创建文件。下载完成后，需要将“train.json” 和“dev.json” 两个文件的数据处理成“alpaca”数据格式。因此，在“LLaMA-Factory”文件下创建“preprocess_adv_gen.py”脚本，脚本内容具体如下：（按下“Ctrl”键加上“s”键保存文件）import jsonimport argparseimport osimport stat DEFAULT_FLAGS = os.O_WRONLY | os.O_CREATDEFAULT_MODES = stat.S_IWUSR | stat.S_IRUSR def parse_args():    parse = argparse.ArgumentParser()    parse.add_argument("--data_path", type=str)    parse.add_argument("--save_path", type=str)    args = parse.parse_args()    return args def read_data(data_path):    data = []    with open(data_path, "r", encoding="utf-8") as f:        lines = f.readlines()        for line in lines:            data.append(json.loads(line))        return data def convert_to_alpaca_format(data):    results = []    for sample in data:        example = {}        example["instruction"] = sample["content"]        example["output"] = sample["summary"]        results.append(example)    return results def save_data(data, save_path):    with os.fdopen(os.open(save_path, DEFAULT_FLAGS, DEFAULT_MODES), "w", encoding="utf-8") as f:        json.dump(data, f, indent=4, ensure_ascii=False) if __name__ == "__main__":    args = parse_args()    data = read_data(args.data_path)    data = convert_to_alpaca_format(data)save_data(data, args.save_path)通过以下命令执行脚本，将数据预处理的结果分别存为”adv_gen_train.json”和“adv_gen_dev.json“。python preprocess_adv_gen.py --data_path AdvertiseGen/train.json --save_path ./AdvertiseGen/adv_gen_train.jsonpython preprocess_adv_gen.py --data_path AdvertiseGen/dev.json --save_path ./AdvertiseGen/adv_gen_dev.json修改LLaMa Factory下的data/dataset_info.json文件，添加数据集描述：在空白处右键点击——>点击“New File”——>“shuju.py”——>“将以下代码复制到新建的文件里面”（将以下代码复制到新建的文档里面，按下“Crtl”加上“s”键保存文件）import json # 定义要添加的内容addition = {    "adv_gen_train": {        "file_name": "/home/ma-user/work/LLaMA-Factory/AdvertiseGen/adv_gen_train.json",        "columns": {            "prompt": "instruction",            "response": "output"        }    },    "adv_gen_dev": {        "file_name": "/home/ma-user/work/LLaMA-Factory/AdvertiseGen/adv_gen_dev.json",        "columns": {            "prompt": "instruction",            "response": "output"        }    }} # 读取现有的 dataset_info.json 文件with open('/home/ma-user/work/LLaMA-Factory/data/dataset_info.json', 'r') as file:    data = json.load(file) # 将新内容添加到现有数据中data.update(addition) # 写回 dataset_info.json 文件with open('/home/ma-user/work/LLaMA-Factory/data/dataset_info.json', 'w') as file:    json.dump(data, file, indent=2)    执行以下命令将路径写进dataset_info.json文件python shuju.py3.1 微调配置文件修改“ /home/ma-user/work/LLaMA-Factory/src/llamafactory/model”文件下的“loader.py”代码，在68、120、149行代码下面添加以下的代码。如图所示。（在“init_kwargs = _get_init_kwargs(model_args)”下一行添加以下代码）init_kwargs["trust_remote_code"] = True在“LLaMa Factory/ examples/train_lora/”路径下创建新的文件：在空白处右键点击——>点击“New File”——>“glm4_9b_chat_lora_sft.yaml”——>“将以下代码复制到新建的文件里面”（将以下代码复制到新建的文档里面，按下“Crtl”加上“s”键保存文件）### modelmodel_name_or_path: /home/ma-user/work/LLaMA-Factory/glm4-9b-chat/ # 当前仅支持本地加载，填写GLM-4-9B-Chat本地权重路径 ### methodstage: sftdo_train: truefinetuning_type: loralora_target: alllora_rank: 8lora_alpha: 32lora_dropout: 0.1 ### datasetdataset: adv_gen_traintemplate: glm4cutoff_len: 256preprocessing_num_workers: 16#可以根据自己需求修改模型输出的路径### outputoutput_dir: /home/ma-user/work/LLaMA-Factory/glm4-9b-lora/logging_steps: 10save_steps: 500plot_loss: trueoverwrite_output_dir: true ### trainper_device_train_batch_size: 16gradient_accumulation_steps: 1learning_rate: 5.0e-4max_steps: 1000lr_scheduler_type: cosinewarmup_ratio: 0.1bf16: trueddp_timeout: 180000000通过下面的命令启动微调：（在LLaMA-Factory路径下添加以下的命令）export ASCEND_RT_VISIBLE_DEVICES=0llamafactory-cli train examples/train_lora/glm4_9b_chat_lora_sft.yaml3.2 评估模型训练结束后，通过“LLaMa Factory”使用微调完成的权重在“adv_gen_dev.json”数据集上预测“BLEU”和“ROUGE”分数。在“LLaMa Factory/examples/train_lora/”路径下新建“glm4_9b_chat_lora_predict.yaml”评估配置文件，具体操作步骤如下：在空白处右键点击——>点击“New File”——>“glm4_9b_chat_lora_predict.yaml”——>“将以下代码复制到新建的文件里面”（将以下代码复制到新建的文档里面，按下“Crtl”加上“s”键保存文件）### modelmodel_name_or_path: /home/ma-user/work/LLaMA-Factory/glm4-9b-chat/ # 当前仅支持本地加载，填写GLM-4-9B-Chat本地权重路径#修改训练好模型的路径adapter_name_or_path: /home/ma-user/work/LLaMA-Factory/glm4-9b-lora/checkpoint-1000/ ### methodstage: sftdo_predict: truefinetuning_type: lora ### dataseteval_dataset: adv_gen_devtemplate: glm4cutoff_len: 256preprocessing_num_workers: 16 ### outputoutput_dir: /home/ma-user/work/LLaMA-Factory/glm4-9b-lora/predict/overwrite_output_dir: true ### evalper_device_eval_batch_size: 128predict_with_generate: true按下“Ctrl”键加上“s”键保存文件。通过下面的命令启动评估：export ASCEND_RT_VISIBLE_DEVICES=0llamafactory-cli train examples/train_lora/glm4_9b_chat_lora_predict.yaml3.2 推理微调结束后，在“LLaMa Factory”路径下新建“examples/inference/”路径下创建新的为：在空白处右键点击——>点击“New File”——>“glm4_9b_chat_lora_sft.yaml”——>”将以下代码复制到新建的文件里面（将以下代码复制到新建的文档里面，按下“Crtl”加上“s”键保存文件）model_name_or_path: /home/ma-user/work/LLaMA-Factory/glm4-9b-chat/  # 当前仅支持本地加载，填写GLM-4-9B-Chat本地权重路径adapter_name_or_path: /home/ma-user/work/LLaMA-Factory/glm4-9b-lora/checkpoint-1000/   #当前仅支持训练之后模型的权重路径template: glm4finetuning_type: lora通过下面的命令启动推理：出现User是输入问题，Assistant是回复得答案llamafactory-cli chat examples/inference/glm4_9b_chat_lora_sft.yaml3.4 效果对比提出以下类似的问题：问题1：类型#上衣材质#牛仔布颜色#白色风格#简约图案#刺绣衣样式#外套衣款式#破洞问题2：类型#裤风格#英伦风格#简约问题3：类型#裙裙下摆#弧形裙腰型#高腰裙长#半身裙裙款式#不规则*裙款式#收腰微调之前的效果：微调之后的效果，微调之后使广告词生成的内容更加符合选美：

好消息，关注这个比赛的友友们，感谢社区的小助手们赛事已经公布出名单来了获奖名单及奖品邮寄信息统计，见获奖名单但是其中获奖的证书在哪里查看下载

连续3天！前端15大导师齐上阵！5月12日起，OpenTiny开源之夏项目宣讲会等你来看~助你赢取活动奖金