1. 基于GAN的手写数字生成 🎨

   采用生成对抗网络（GAN）技术，实现手写数字图像的生成。借助MNIST数字图片数据集，我们精心训练了一个条件GAN模型，该模型能够将随机噪声与类别标签有效地映射为相应的数字图片。条件GAN不仅具备生成随机噪声对应图像的能力，更能够精准地生成特定类别的数字图像。用户可依据自身需求，提供特定的数字序列，从而生成相应的手写数字图像。🔢✨

2. 跨模态检索 🔍🖼️

   在这个项目中，我们定义并训练了一个模型，该模型能够将句子和图像映射到一个共同的嵌入空间，以便能够从中检索出对应的图像或句子。项目使用来自FLicker-8K数据集的图像和标题来训练我们的网络。通过使用门控循环神经网络对句子进行编码，将深度卷积神经网络的图像特征投影到GRU隐藏状态的嵌入空间中。通过最小化成对排名损失来学习排列图像及其描述，从而使图像和描述之间的关系更加明确。📝🖌️

3. 对Llama-3进行微调 🦙🔧

   这个项目通过LLaMA Factory对Llama-3模型进行微调，以适应特定任务。LLaMA Factory提供了一个便捷的方式来微调预训练的Llama-3模型，使其适应用户特定的数据和任务。我们使用了一个特定的模型和数据集，通过配置微调参数，使模型能够以最佳方式适应新任务。🛠️📚