实验目的

之前利用llm构造触发器的方法效果还不错，命中率能达到1/5左右。现在有一个新的方法，具体见前置准备章节。最终的目的是利用这种新的方法提高实体识别的命中率。而我现在要做的是构造出数据集。

前置准备

论文精读

本次主要参考：AlignRE: An Encoding and Semantic Alignment Approach for Zero-Shot Relation Extraction，

Pre-preparation

Background and needs

The purpose of this task is to construct a set of triggers for a relational extraction model. Simply put, it tells the model which triggers correspond to which relationships.

Dataset

熟悉开发板

前言

现在是2024年11月8日17:33:36，一个小时之前我刚拿到这块板子。这门课的老师非常热情，我去拿板子时他跟我说了很多东西，也给了我一些做项目的指导。当我提到我对成绩和嵌入式开发难度的担忧时他也尽数解答了并让我不用太担心成绩，只要做出东西就行。都这么说了那肯定得好好做。

题目一

实验目的

用变分自编码器生成MNIST手写数字，实现以下要求：

推荐使用高斯分布随机初始化模型参数，可以避免一部分模式坍塌问题。

"在框架如此完备的情况下，使用模型是俗手；设计模型是本手；而构造训练数据集，my friend，这才是妙手。"

实验室项目记录——为RAG构造数据集

前置准备

背景和需求

最后要做成一个知识图谱类的RAG模型，做知识库训练的数据主要是论文。

模型简介

链接

简介

这是一个对AMP（抗菌肽）做二元分类和回归的sota模型，基于pytorch。