| 方法 | 核心原理 | 优点 | 缺点 | 典型使用场景 |
|---|---|---|---|---|
| 全参数微调 | 调整预训练模型的所有参数，完全适配下游任务。 | 1. 性能最优，充分挖掘模型潜力 2. 适用性广，不受任务复杂度限制 | 1. 显存和计算资源消耗大（如70B模型需数百GB显存） 2. 训练时间长，易过拟合 | 资源充足的高精度任务（如专业领域生成、复杂推理） |
| LoRA | 冻结原模型权重，注入可训练的低秩矩阵（A、B）模拟参数增量，仅更新0.01%-1%参数 | 1. 显存需求低（7B模型仅需14GB） 2. 无推理延迟，权重可合并 3. 支持多任务模块化切换 | 1. 低秩近似可能损失性能（复杂任务） 2. 需手动调整秩（r）和缩放系数（α） | 资源受限的多任务适配（如对话生成、分类任务） |
| QLoRA | 在LoRA基础上引入4-bit量化，反量化计算梯度，进一步降低显存 | 1. 显存较LoRA再降33%（如21GB→14GB） 2. 保留LoRA灵活性的同时突破显存限制 | 1. 训练时间增加约39% 2. 量化可能引入精度损失（极端低bit时） | 超大规模模型微调（如千亿参数）或消费级GPU（如单卡12GB） |
一、Diffusion模型：生成式AI的新星
Diffusion模型(扩散模型)是近年来兴起的一类生成模型，其灵感来源于物理学中的扩散现象，如同墨水滴入水中逐渐扩散的过程。Diffusion模型通过模拟数据的逐步噪声添加和去除过程来学习数据分布，已成为图像生成领域的新标杆。
核心原理与工作流程：
Diffusion模型包含两个关键过程：前向扩散过程和反向去噪过程。前向过程逐步向数据添加高斯噪声，将复杂的数据分布逐渐转化为简单的高斯分布；反向过程则学习如何从噪声中逐步重建原始数据。具体而言，给定原始数据x₀，前向过程在T步内逐步生成噪声增加的x₁到x_T，最终x_T成为纯噪声；反向过程则训练一个去噪网络，学习从x_t预测x_{t-1}，从而能够从随机噪声生成新样本。
问题：通过远程连接mysql命令mysql -h192.128.xx.xxx -usjzt -p 报错ERROR 2026 (HY000): SSL connection error: unknown error number，如何解决？
解决：临时关闭 SSL 连接
方法：
mysql -h192.128.xx.xxx -usjzt -p --ssl-mode=DISABLED1. SAM2 核心功能
SAM2 是 Meta 推出的新一代图像与视频分割基础模型，基于第一代 SAM 改进，具备以下核心功能：
- 统一架构：同时支持图像和视频分割，通过流式处理框架实现实时分割（44 FPS），尤其擅长处理动态场景和长视频。
- 零样本泛化：无需特定训练即可分割未见过的物体或视觉域（如医学影像中的罕见病变）。
- 交互式分割：支持点、框、掩码等多种提示方式，允许用户通过点击或框选细化分割结果。
- 记忆机制：通过流式记忆模块跟踪视频中的对象，解决遮挡、光照变化等问题，确保跨帧分割一致性。
- 多掩码预测：在复杂场景（如重叠物体）中生成多个候选掩码，并通过置信度选择最优结果。
1. 迁移前准备
- 版本一致性检查：确保新旧服务器的 GitLab 版本完全一致（可通过
sudo gitlab-rake gitlab:env:info查看版本），否则可能导致恢复失败。 备份策略制定：
- 使用
sudo gitlab-rake gitlab:backup:create创建全量备份（包含仓库、数据库、用户权限等数据），备份文件默认存储在/var/opt/gitlab/backups。 手动备份配置文件：
/etc/gitlab/gitlab.rb（主配置文件）/etc/gitlab/gitlab-secrets.json（密钥文件）
避免因配置文件丢失导致恢复失败。
- 使用