翊行代码

【翻译】MLOps项目——第2部分a：使用Prefect进行机器学习工作流编排

我将演示如何使用两个流行的工具进行任务完成：Prefect和ZenML。还有一些令人难以置信的工具，我们无法在本文中全部包含，比如Flyte、Kale、Aro等。

DeepSpeed Python3.10 CUDA Dockerfile

因为官方目前给到的DockerfilePython是3.6的，所以我自己写了一个Python3.10的Dockerfile，供大家参考。中间删除了一些不必要的包，如果有需要的可以自行添加。

函数声明和函数实现

函数声明和函数实现需要分开的主要原因是编译器的编译过程。编译器在一次通过代码时，会按顺序进行解析和编译。当编译器在遇到函数调用的地方时，它需要知道该函数的名称、参数类型和返回类型等信息。函数声明的作用就是提供这些信息，告诉编译器函数的存在和签名。

【翻译】MLOps项目-第一部分：使用MLflow进行机器学习实验跟踪

本系列旨在训练一个简单的情感分析模型，并将其部署到Google Cloud（Cloud Run）作为无服务器微服务，使用Streamlit构建简单的用户界面，并利用MLflow、Prefect&ZenML以及EvidentlyAI&Seldon ALIBI Detect等MLOps工具进行实验跟踪、工作流编排和模型监测。

翻译-LLMOps 开发人员指南：用于操作 LLM 的 MLOps

在过去几年中，在生产中操作机器学习模型并对其进行有效监控一直是一个新兴话题。每当模型在生产环境中开始以静默方式失败时，进行正确的设置以了解问题并及时对模型进行故障排除至关重要。使用 GPT-4 作为各种传统模型任务的替代品每天都在增长。许多团队今天认为的模型，可能只是未来的一对快速响应。随着团队将大型语言模型部署到生产环境，性能和任务度量方面的相同挑战仍然存在。因此，LLMOps 对于扩展大型语言模型并将其有效地部署到生产环境至关重要。

如何在国内快速安装rbenv,及使用

如何在国内快速安装rbenv

【翻译】新兴的大型语言模型 （LLM） 应用程序体系结构

由于大型语言模型（LLM）的高度非结构化性质，关于如何实现LLMs，思想和市场正在发生变化。

【翻译】LangChain入门：创建LLM驱动应用程序的初学者指南

A LangChain tutorial to build anything with large language models in Python

使用 MPI Opnerator 和 DeepSpeed 进行分布式训练

如何使用 Markdown 编写数学公式