Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как импортировать большой датасет в Pinecone из object storage
Bulk import из S3, GCS или Azure Blob: serverless index, storage integration, Parquet или JSONL, директории namespaces, error_mode и polling.
Как загрузить большой датасет в Qdrant через upload_points
Массовая загрузка Qdrant Python client: генератор batches, upload_points, parallel, max_retries, стабильные ID, отключение индексации на загрузке и сверка count.
Как проверить датасет перед fine-tuning модели Mistral
Как проверить датасет перед fine-tuning модели Mistral: рабочий сценарий, шаблон, пример и критерии проверки.
Как проверить JSONL-датасет перед fine-tuning в OpenAI API
Как проверить JSONL-датасет перед fine-tuning в OpenAI API: применимость, настройка, пример, метрики и ошибки.
Как подготовить датасет для fine-tuning: примеры, очистка и контроль качества
Как собрать данные для дообучения модели, избежать дублей и утечек и проверить, что fine-tuning действительно нужен.
Как импортировать большой датасет в Milvus через Bulk Import
Подготовка файлов для Milvus Bulk Import, object storage, import job, статусы, schema mapping, manifest и проверка количества данных.
Как измерить Recall@10 и p95 MongoDB Vector Search на своём датасете
Воспроизводимый benchmark MongoDB: exact ENN ground truth, ANN candidate grid, filters, concurrency, Recall@10, nDCG@10 и tail latency.
Как загрузить большой датасет в LanceDB без переполнения памяти
Потоковая загрузка LanceDB через table.add, PyArrow Dataset и RecordBatch iterator, manifest, parallel writes и сверка количества строк.
Как создать eval для OpenAI API и измерять качество промпта до релиза
Практический eval для промпта: датасет, эталон, точные graders, LLM-судья, пороги релиза и разбор регрессий.
Как исключить bias из weight decay через Optax
Optax 0.2.6: маска add_decayed_weights применяет decay к kernel и оставляет bias без изменения.
Как использовать Huber loss в Optax для регрессии с выбросами
Optax 0.2.6: Huber loss квадратичен около нуля и линеен после delta; проверяем ошибки 0,5 и 2.
Как использовать sigmoid focal loss в Optax
Optax 0.2.6: focal loss для logits 0 и labels 0/1 при gamma=2; проверка симметричного базового значения.
Как ограничить gradient каждого примера через Optax
Optax 0.2.6: per_example_global_norm_clip отдельно ограничивает batch-градиенты и возвращает их сумму и число clipping-событий.
Как накапливать gradients через Optax MultiSteps
Optax 0.2.6: MultiSteps усредняет два microbatch-gradient и обновляет SGD только на каждом втором вызове.
Как обновлять target network через Optax periodic_update
Optax 0.2.6: periodic_update копирует online parameters на шагах, кратных update_period, и сохраняет target между ними.
Как посчитать binary cross-entropy по logits в Optax
Optax 0.2.6: sigmoid_binary_cross_entropy принимает logits и метки 0/1; проверяем базовый уровень ln(2).
Как посчитать hinge loss в Optax с метками −1 и +1
Optax 0.2.6: hinge loss требует targets строго −1/+1; проверяем уверенные predictions и нарушения margin.
Как посчитать softmax cross-entropy с integer labels в Optax
Optax 0.2.6: проверяем multiclass loss для logits и целочисленных меток, формы входа и явное усреднение batch.
Как проверить cosine similarity embeddings через Optax
Optax 0.2.6: одинаковые единичные vectors дают similarity 1, ортогональные — 0; проверяем batch и axis.
Как проверить NT-Xent loss embeddings через Optax
Optax 0.2.6: четыре embeddings с парными labels дают почти нулевой NT-Xent при высокой внутриклассовой близости.