a private software development blog
Große Sprachmodelle (Large Language Models, kurz LLMs) können Programmcode erzeugen, komplexe Aufgaben analysieren und technische Probleme lösen. Ein Sprachmodell allein kann jedoch normalerweise weder Dateien auf unserem Computer verändern noch Programme ausführen oder Softwaretests durchführen. Erst durch eine geeignete Ausführungsumgebung
Wer Large Language Models lokal mit Programmen wie LM Studio, Ollama oder llama.cpp betreibt, stößt relativ schnell auf Bezeichnungen wie: Dahinter verbergen sich zwei besonders wichtige Techniken moderner Large Language Models: Beide Techniken verfolgen also das Ziel, große Modelle effizienter
Lokale Large Language Models werden für Softwareentwicklung zunehmend interessant. Mit LM Studio lassen sich aktuelle Open-Source-Modelle lokal betreiben, während Bionic direkt als Coding-Agent auf Projekte zugreifen, Dateien analysieren und Änderungen durchführen kann. In meinem Test ging es vor allem um
Wer ein .NET-Projekt mit Visual Studio entwickelt und zusätzlich Codex für Änderungen am Quellcode verwendet, arbeitet schnell mit mehreren Werkzeugen gleichzeitig. Dabei stellen sich einige praktische Fragen: Die gute Nachricht: Visual Studio, Git und Codex lassen sich problemlos parallel verwenden.
PyTorchs Autograd ist ein Berechnungsmodul, das automatische Differentiation durchführt und die Berechnung von Gradienten für Tensoren in neuronalen Netzwerken ermöglicht. Es ermöglicht es dir, einfach Gradienten bezüglich der Parameter des Netzwerks während des Trainings zu berechnen. So funktioniert PyTorchs Autograd:
PyTorch ist ein populäres Open-Source-Framework für maschinelles Lernen und Deep Learning. Es wurde von Facebook AI Research entwickelt und bietet eine einfache und flexible Schnittstelle zum Entwerfen, Trainieren und Bereitstellen von neuronalen Netzwerken. Die wichtigsten Merkmale von PyTorch: 1. Tensoren
Ein künstliches neuronales Netzwerk (KNN) ist ein Modell, das von der Funktionsweise des menschlichen Gehirns inspiriert ist und zur Verarbeitung von Informationen verwendet wird. Es besteht aus einer Sammlung von verbundenen Neuronen, die in Schichten angeordnet sind: eine Eingabeschicht, eine