韫秋鱼线

Andrej Karpathy最新大模型入门视频讲解

最近这两天，特斯拉前AI总监

现在在OpenAI的安德烈卡帕西（Andrej Karpathy）的新教程火了

这次

他专门面向普通大众做了一个关于大语言模型的科普视频

时长1个小时，全部为“非技术介绍”，

涵盖了模型推理、训练、微调和大模型的发展趋势以及安全挑战

涉及的知识全部截止到本月(2023年11月26日)

所以说内容非常新

视频上线油管2天

就已经有35万播放量

有网友表示

刚看了10分钟就已经学到了很多东西

以前从来没有人用过视频中的例子来解释大语言模型

还弄清了以前看到过的很多“混乱”的概念

除了大家一致夸赞课程质量高之外

还有相当多的人评价安德烈本人真的非常擅长简化复杂的问题

上一次的教程State of GPT就非常通俗易懂

不止如此

这个视频还可以说是体现了他对本职专业满满的热爱

据安德烈本人透露

视频是他在感恩节假期录的

背景就是他的度假酒店

做这个视频的初衷

也是因为他最近在人工智能安全峰会上做了个演讲

演讲内容没有录像

但是有很多观众都表示喜欢他的内容

于是他就干脆直接进行了一些微调

再讲一遍做成视频

给更多人观看，不仅如此

他还贴心的在视频简介里

放上了视频中的PPT素材文件

包括PDF版本和Keynote版本

好了，介绍完视频的背景

我们来具体看看

这个精彩的教程都具体讲了些什么内容

大模型是什么

首先第一部分

主要是对大模型整体概念的一些解释

尤其是安德烈非常有趣的解释了

大模型的本质，其实就是两个文件

一个是参数文件

一个是包含运行这些参数的代码文件

前者是组成整个神经网络的权重

后者是用来运行这个神经网络的代码

可以是用C语言或者其他任何编程语言写的

有了这俩文件，再来一台笔记本

我们就不需任何互联网连接和其他东西

就可以与这个大模型进行交流了

比如让它写首诗

它就开始为你生成文本

第一遍训练：模型训练

那么接下来的问题就是：

参数是从哪里来的呢？

这就要提到模型训练了

本质上来说

大模型训练就是对互联网数据进行有损压缩

比如大约10TB的文本

这就需要一个巨大的GPU集群来完成

以700亿参数的LLaMA 2为例

就需要6000块GPU

然后花上12天

得到一个大约140GB的“压缩文件”，

整个过程耗费大约200万美元

不过 Llama 2-70b 并不是最大的

如果训练 ChatGPT、Claude 或 Bard

这些数字可能会增加 10 倍或者更多

耗资可能高达千万甚至上亿美元

而有了“压缩文件”，

模型就等于靠这些数据对世界形成了理解

然后它就可以工作了

大模型工作原理

简单来说

大模型的工作原理就是依靠包含压缩数据的神经网络

对所给序列中的下一个单词进行预测

比如我们将句子“cat sat on a”输入进去后

可以想象成分散在整个网络中的十亿、上百亿参数

依靠神经元相互连接

顺着这种连接就找到了下一个连接的词

然后给出概率，比如“mat（97%）”，

就形成了“猫坐在垫子上（cat sat on a mat）”的完整句子

只不过

神经网络中的每一部分是具体如何工作的

目前我们还不清楚

需要注意的是

由于前面提到训练是一种有损压缩

神经网络给出的东西是不能保证100%准确的

安德烈管大模型推理叫做“做梦”，

它有时可能只是简单模仿它学到的内容

然后给出一个大方向看起来对的东西

这其实就是幻觉

所以大家一定要小心它给出的答案

尤其是数学和代码相关的输出

接下来

由于我们需要大模型成为一个真正有用的助手

就需要进行第二遍训练，也就是微调

第二遍训练：微调

微调强调质量大于数量

不再需要一开始用到的TB级单位的数据

而是靠人工精心挑选和标记的对话来投喂

不过安德烈认为

微调并不能解决大模型的幻觉问题

在这一部分的最后

安德烈总结了一下“如何训练你自己的ChatGPT”的流程

如何训练你自己的chatgpt流程

第一个阶段称为预训练，你要做的是

1、下载10TB的互联网文本；

2、搞来6000块GPU；

3、将文本压缩到神经网络中

付费200万美元

等待约12天；

4、获得基础模型

第二个阶段是微调

这个阶段你需要做的是

1、撰写标注说明；

2、雇人（或者用scale.ai）收集10万份高质量对话或其他内容；

3、在这些数据上微调，等待约1天；

4、得到一个可以充当得力助手的模型；

5、进行大量评估

6、部署

7、监控并收集模型的不当输出，然后回到步骤1再来一遍

其中预训练阶段基本是每年进行一次

而微调阶段可以以周为频率进行

以上内容可以说对小白是非常友好的

接下来是第二部分，在这一部分中

安德烈为我们介绍了大模型的几个发展趋势

为什么说

大模型将成为新的操作系统

首先是介绍了所谓的大语言模型缩放法则

即大语言模型的性能可以表示为非常平滑、表现良好并且可以预测的两个变量函数

分别是网络中的参数量（N）和要训练的文本量（D）

我们可以根据这两个变量

通过缩放来预测下一个单词预测任务中的准确率

其次是大模型学会了使用工具

实际上这也是人类智能的一种表现

安德烈以ChatGPT的几个功能进行了举例

比如通过联网搜索

他让ChatGPT收集了一些数据

这里联网本身就是一次工具调用

而接下来还要对这些数据进行处理

这就难免会涉及到计算

而这是大模型所不擅长的

但是通过代码解释器插件调用计算器

就绕开了大模型的这个不足

在这个基础上

ChatGPT还可以把这些数据绘制成图像并进行拟合

添加趋势曲线，以及预测未来的数值

利用这些工具和自身的语言能力

ChatGPT已经成为了强大的综合性助手

而DALL·E的集成又让它的能力再上一个台阶

另一个趋势

是从单纯的文本模型到多模态的演变

现在ChatGPT不只会处理文本

还会看、听、说

比如OpenAI总裁Brockman曾经展示了

GPT-4利用一个铅笔勾勒的草图生成了一个网站的过程

而在APP端

ChatGPT已经可以流畅地和人类进行语音对话

除了功能上的演进

大模型在思考方式上也要做出改变

即从“系统1”到“系统2”的改变

这是2002年诺贝尔经济学奖得主丹尼尔·卡尼曼的畅销书《思考快与慢》中提到的一组心理学概念

简单来说，系统1是快速产生的直觉

而系统2则是缓慢进行的理性思考

比如，当被问及2+2是几的时候

我们会脱口而出是4

其实这种情况下我们很少真正地去“算”，

而是靠直觉，也就是系统1给出答案

但如果要问17×24是多少

恐怕就要真的算一下了

这时发挥主导作用的就变成了系统2

而目前的大模型处理文本采用的都是系统1

靠的是对输入序列中每个词的“直觉”，

按顺序采样并预测下一个token，现在

人们希望为大语言模型引入更多类似系统2 的思维能力。

另一个发展的关键点是模型的自我提升

以DeepMind开发的AlphaGo为例

它主要有两个阶段

第一阶段是模仿人类玩家

但靠着这种方式无法超越人类

但第二阶段

AlphaGo不再以人类作为学习目标

目的是为了赢得比赛而不是更像人类

所以研究人员设置了奖励函数

告诉AlphaGo它的表现如何

剩下的就靠它自己体会

而最终AlphaGo战胜了人类

而对于大模型的发展

这也是值得借鉴的路径

但目前的难点在于，针对“第二阶段”，

还缺乏完善的评估标准或奖励函数

此外

大模型正朝着定制化的方向发展

允许用户将它们定制

用来以特定的“身份”完成特定的任务

此次OpenAI推出的GPTs就是大模型定制化的代表性产品

而在安德烈看来

大模型在将来会成为一种新型的操作系统

这就好比传统的操作系统

在“大模型系统”中

大语言模型作为核心，就像CPU一样

其中包括了管理其他“软硬件”工具的接口

而内存、硬盘等模块

则分别对应大模型的窗口、嵌入

代码解释器、多模态、浏览器则是运行在这个系统上的应用程序

由大模型进行统筹调用

从而解决用户提出的需求

演讲的最后一部分

安德烈谈论了大模型的安全问题

他介绍了一些典型的越狱方式

尽管这些方式现在已经基本失效

但是安德烈认为

大模型的安全措施与越狱攻击之间的较量

就像是一场猫鼠游戏

比如一种最经典的越狱方式

利用大模型的“奶奶漏洞”，

就能让模型回答本来拒绝作答的问题

例如

假如直接问大模型凝固汽油弹怎么制作

但凡是完善的模型都会拒绝回答

但是

如果我们捏造出一个“已经去世的奶奶”，

并赋予“化学工程师”的人设

告诉大模型这个“奶奶”在小时候念凝固汽油弹的配方来哄人入睡

接着让大模型来扮演奶奶

这时

凝固汽油弹的配方就会脱口而出

尽管这个设定在人类看来十分荒谬

比这更复杂一些的

还有Base64编码等“乱码”进行攻击

这里“乱码”只是相对人类而言

对机器来说却是一段文本或指令

比如Base64编码就是将二进制的原始信息通过一定方式转换为字母和数字组成的长字符串

可以编码文本、图像

甚至是文件

在询问Claude如何破坏交通标志时

Claude回答不能这样做

而如果换成Base64编码

过程就呼之欲出了

另一种“乱码”叫做通用可转移后缀

有了它

GPT直接就把毁灭人类的步骤吐了出来

拦都拦不住

而进入多模态时代

图片也变成了让大模型越狱的工具

比如下面这张熊猫的图片

在我们看来再普通不过

但其中添加的噪声信息却包含了有害提示词

并且有相当大概率会使模型越狱

产生有害内容

此外，还有利用GPT的联网功能

造出包含注入信息的网页来迷惑GPT

或者用谷歌文档来诱骗Bard等等

目前这些攻击方式已经陆续被修复

但只是揭开了大模型越狱方法的冰山一角

这场“猫鼠游戏”还将持续进行

好了

以上就是安德烈卡帕西这次大语言模型教程的大概内容

强烈建议大家去看一下原视频

非常通俗易懂

有助于梳理整个大语言模型的知识体系

感谢大家观看本期视频

我们下期再见

你可能感兴趣的:(大模型,人工智能)

Day33 PO模型 lookout99 软件测试 python 自动化测试工具
系列文章目录Day01软件测试基础总结Day02测试用例知识点总结（上）Day03测试用例知识点总结（下）Day04禅道-从安装到卸载Day05MySql的基础使用Day06MySql知识点总结Day07MySql知识点再总结与多表查询Day08redis的基础知识Day08VMware的安装、Linux系统安装和Linux基础命令Day09Linux常用命令总结Day10Linux环境部署和项目
【LLaMA 3实战】3、LLaMA 3长文本处理终极指南：从128K上下文到百万级文档实战无心水 LLaMA 3 模型实战专栏 LLaMA LLaMA 3 长文本处理 Meta AI大模型 CSDN技术干货 LLaMA 3 前沿模型实战
引言：长文本处理的技术跃迁当LLaMA3将上下文窗口扩展至128Ktokens（约8万字），长文本处理技术迎来了革命性突破。这不仅意味着模型能处理更复杂的文档，更开启了"全局认知"的新可能——从法律合同的全条款审查到代码仓库的跨文件重构，从金融报告的时序分析到医疗病历的全周期追踪。本文将系统拆解LLaMA3长文本能力的技术内核，提供工程级优化方案与实战技巧，助你突破长文本处理的算力瓶颈与应用边界。
【LLaMA 3实战】2、LLaMA 3对话能力全解析：从架构革新到多智能体实战指南无心水 LLaMA 3 模型实战专栏 llama LLaMA 3对话能力全解析 LLaMA 3 AI大模型多智能体 CSDN技术干货 Meta
引言：LLaMA3对话能力的革命性突破当Meta发布LLaMA3时，其对话能力的跃升重新定义了开源大模型的边界。这款拥有128K上下文窗口的开源模型，不仅在MT-Bench评测中超越GPT-3.5，更通过分组查询注意力(GQA)等架构创新，实现了推理速度30%的提升。本文将从底层架构到应用实战，系统拆解LLaMA3对话能力的技术奥秘，包含核心机制解析、训练策略、工程优化及多智能体系统开发，助你全面
通过本地LLM搭建本地RAG TBM矩阵 #AI体系学习人工智能
整体思路通过ollama下载并搭建本地大预言模型LLM。通过ollama搭建embedding模型。通过langchain文件加载器加载本地内容文件（PDF文件）。通过langchain调用embedding模型进行向量存储和RAG检索。通过langchainprompts实现提示词工程。通过langchain调用LLM模型实现RAG生成，完成对本地文件的分析。准备环境服务器：CentOSLinu
用Pytorch训练手写签名模型并进行签名识别 TBM矩阵 #AI体系学习 pytorch 人工智能 python
整体思路收集至少两个人的手写签名图片，每个人至少20张使用Pytorch进行模型训练使用Flask搭建Web服务使用Html/JavaScript实现前端调用进行签名识别项目结构signature-systemdatatrainuser001001.png...user002001.png...templatesindex.htmlapp.pymodel.pytrain.py建模：model.py
Java打造同城道路救援利器：车辆救援，全程无忧保障省钱兄科技 java 开发语言
Java打造同城道路救援利器：车辆救援，全程无忧保障在城市化进程加速、车辆保有量激增的背景下，传统道路救援模式因响应慢、资源分散、信息孤岛等问题，已难以满足用户对“秒级响应”的期待。基于Java技术栈构建的同城道路救援系统，通过精准定位、智能调度、全流程数字化管理三大核心能力，重新定义了救援行业的技术标准，成为车辆救援领域的标杆解决方案。一、精准定位：误差<3米，救援“零偏差”1.多源数据融合定位
语法糖：编程中的甜蜜简化 (附 Vue 3 & Javascript 实战示例) Pu_Nine_9 前端学习 javascript vue.js 前端语法糖
什么是语法糖？语法糖（SyntacticSugar）是编程语言中一种特殊的语法结构，它不引入新的功能，而是提供一种更简洁、更易读的方式来表达已有功能。就像给咖啡加糖一样，它让代码"更甜"——更易于理解和编写。语法糖的四大核心价值可读性提升：让代码更接近自然语言表达开发效率：减少样板代码，专注业务逻辑错误预防：通过标准化模式减少人为失误维护便捷：简洁的代码结构更易于后期维护经典语法糖示例深度解析示例
Elasticsearch（ES）聚合思静鱼 #elasticsearch elasticsearch jenkins 大数据
Elasticsearch（ES）的聚合（Aggregation）功能类似于SQL中的GROUPBY+聚合函数（如COUNT、AVG、SUM），是进行统计分析的核心机制。聚合（Aggregation）概述Elasticsearch的聚合分为三大类：类别说明Metric聚合计算数值（如：count、avg、sum、max、min）Bucket聚合类似于SQL的GROUPBY，把文档分类Pipelin
AI人工智能领域知识图谱在深度学习中的应用拓展
AI人工智能领域知识图谱在深度学习中的应用拓展关键词：知识图谱、深度学习、神经网络、图嵌入、知识表示学习、推理机制、应用场景摘要：本文深入探讨了知识图谱与深度学习的融合应用，系统性地分析了知识图谱在深度学习中的关键技术路径和应用场景。文章首先介绍了知识图谱的基本概念和表示方法，然后详细阐述了知识图谱与深度学习结合的多种技术路线，包括图神经网络、知识嵌入和推理机制等。接着通过具体案例展示了知识图谱增
深入浅出Node.js后端开发 jghhh01 node.js
让我们来理解Node.js的核心——事件循环和异步编程模型。在Node.js中，所有的I/O操作都是非阻塞的，这意味着当一个请求开始等待I/O操作完成时（如读取文件或数据库操作），Node.js不会阻塞后续操作，而是继续执行其他任务。这种机制大大提高了应用的性能和吞吐量。constfs=require('fs');fs.readFile('file.txt','utf8',(err,data)=>
PCIe学习笔记（26） IC纯小白学习笔记网络
ErrorForwarding（错误转发）错误转发(也称为数据中毒)，通过设置EP位表示。下面是一些使用错误转发的例子:•例#1:从主存读取遇到不可纠正的错误•例#2:PCI写到主存的奇偶校验错误•例#3:内部数据缓冲区或缓存上的数据完整性错误错误转发使用模型•错误转发仅用于读取完成数据，AtomicOp完成数据，AtomicOp请求数据或写数据，从不用于错误在“头”(请求阶段，地址/命令等)的情
CARLsim开源程序是一个高效、易用、GPU 加速的软件框架，用于模拟具有高度生物细节的大规模脉冲神经网络（SNN）模型。 struggle2025 神经网络人工智能深度学习
一、软件介绍文末提供程序和源码下载CARLsim是一个高效、易用的GPU加速库，用于模拟具有高度生物学细节的大规模脉冲神经网络（SNN）模型。CARLsim允许在通用x86CPU和标准现成GPU上以逼真的突触动力学执行Izhikevich脉冲神经元网络。该模拟器在C/C++中提供了一个类似PyNN的编程接口，允许在突触、神经元和网络级别指定详细信息和参数。二、CARLsim6的新功能包括：CUDA
OneMessage：打造高效跨平台消息框架蒋闯中Errol
OneMessage：打造高效跨平台消息框架OneMessage一个基于发布-订阅模型的多线程消息框架，用于嵌入式平台，纯C实现，性能和灵活性极高项目地址:https://gitcode.com/gh_mirrors/on/OneMessage项目介绍OneMessage是一个基于发布-订阅模型的跨平台消息框架，使用纯C语言编写，以其卓越的性能和高度灵活性而著称。它集成了红黑树、链表、队列、CRC
前端React和Vue框架的区别
React和Vue作为前端Web开发的两大主流框架，虽然都用于构建用户界面，但在设计理念、语法风格、生态系统等方面存在显著差异。以下从多个维度对比两者的核心区别，帮助你在技术选型时做出更合适的决策。一、设计理念与架构1.数据流控制React：强制单向数据流（One-WayDataFlow），状态变化只能通过父组件→子组件传递，如需反向通信（如子组件修改父组件状态），需通过回调函数实现。复杂应用中需
nnv开源神经网络验证软件工具
一、软件介绍文末提供程序和源码下载用于神经网络验证的Matlab工具箱，该工具箱实现了可访问性方法，用于分析自主信息物理系统（CPS）领域中带有神经网络控制器的神经网络和控制系统。二、相关工具和软件该工具箱利用神经网络模型转换工具（nnmt）和闭环系统分析、混合系统模型转换和转换工具（HyST）以及CONTINUOUSReachabilityAnalyzer（CORA）三、无需安装即可执行NNV可
继 Evo 2 之后，Arc Institute 发布首个虚拟细胞模型 STATE，训练数据涉及 70 种不同细胞系 hyperai
众所周知，人体由不同类型的细胞组成——免疫细胞在感染发生时可引发炎症反应以抵御病原体；干细胞具有分化潜能，可生成多种组织类型；而癌细胞则通过逃避生长调控信号，实现异常增殖。尽管这些细胞在功能和形态上差异巨大，但它们几乎都拥有相同的基因组。细胞的独特性并非来自DNA序列本身的差异，而是源于它们如何调控和使用相同的基因信息。换言之，细胞的特性源于基因表达的差异，而一个细胞的基因表达模式不仅决定了它属于
[pytorch] pytorch_model.bin 和 training_args.bin 的区别心心喵 pytorch 深度学习 pytorch 神经网络
pytorch_model.bin和training_args.bin是与PyTorch框架和训练过程相关的两个文件。pytorch_model.bin:这是保存了PyTorch模型的二进制文件。在使用PyTorch进行深度学习训练时，经过训练的模型会被保存为这个文件，其中包含了模型的权重参数。这个文件可以被加载到PyTorch中，以便进行推理、评估或继续训练。training_args.bin:
鸿蒙应用AR开发：增强现实技术实现方案操作系统内核探秘操作系统内核揭秘 OS harmonyos ar 华为 ai
鸿蒙应用AR开发：增强现实技术实现方案关键词：鸿蒙系统、AR开发、增强现实、ARKit、ARCore、3D渲染、计算机视觉摘要：本文将深入探讨如何在鸿蒙操作系统上开发增强现实(AR)应用。我们将从AR技术的基本原理讲起，逐步深入到鸿蒙AR开发框架的具体实现，包括3D模型渲染、空间定位、手势识别等核心技术。文章将提供完整的代码示例和实战项目，帮助开发者快速掌握鸿蒙AR应用开发的核心技能。背景介绍目的
【2025最新】AI大模型项目实战教程大揭秘！超详细攻略，手把手带你飞，记得收藏！大模型教程人工智能产品经理大模型大模型教程大数据大模型学习程序员
一、大模型开发整理流程1.1、什么是大模型开发我们将开发以大语言模型为功能核心、通过大语言模型的强大理解能力和生成能力、结合特殊的数据或业务逻辑来提供独特功能的应用称为大模型开发。开发大模型相关应用，其技术核心点虽然在大语言模型上，但一般通过调用API或开源模型来实现核心的理解与生成，通过PromptEnginnering来实现大语言模型的控制，因此，虽然大模型是深度学习领域的集大成之作，大模型开
.NET多线程任务实现的几种方法及线程等待全面分析百锦再@新空间包罗万象 .net android task Thread 线程并发线程池
文章目录1.引言2..NET多线程编程基础2.1线程概念回顾2.2.NET线程模型概述3.多线程任务实现方法3.1Thread类实现3.2ThreadPool实现3.3TaskParallelLibrary(TPL)3.4Parallel类3.5BackgroundWorker组件3.6Async/Await模式3.7各种方法的比较与选择4.线程等待机制详解4.1基本等待方法4.2同步原语4.3异
遥感影像数据处理-大图滑窗切分为小图 GIS潮流遥感语义分割
功能需求据所周知，遥感影像的尺寸有大有小，大的达到几万x几万像素，而图像分割算法模型在训练中尺寸适中，比如256x256，512x512，1024x1024等等，如果直接将遥感影像的原图输入模型中进行训练，大概率会提示内存和显存不足，因此针对遥感影像的模型训练，一般都需要将影像裁剪为小图。裁剪后的效果图如下：解决思路基于上面的需求，写了一套裁剪算法流程。主要考虑的是在裁剪过程中，从左往右、从上到下
ZLG嵌入式笔记 | 工业现场掉电，系统异常如何破解？ ZLG 致远电子边缘计算 ZLG嵌入式开发应用笔记嵌入式硬件
在工业现场，设备常因掉电导致文件系统损坏或数据丢失。本文将介绍如何通过硬件和系统设计优化，解决这一问题，提升设备稳定性。前言在工业应用现场，不可避免会出现异常掉电或者一些偶发性频繁上下电的情况，这样对系统是有非常大的影响的，特别是写数据过程中发生了掉电，可能会引发下列异常：引起文件系统损坏或者系统异常；数据丢失，带来经济损失。这是非常典型的产品运行过程中有写数据操作，但数据
深入理解AI技术与实践：如何贡献代码 Wurenyu957 人工智能
在现代AI技术的开发过程中，贡献代码是推动项目发展、提升技术能力的重要方式。在这篇文章中，我们将结合AI技术实践，深入探讨如何有效地为开源项目贡献代码，尤其是那些使用AI模型的项目。技术背景介绍AI技术的迅猛发展得益于开源社区的共享和协作。诸如TensorFlow、PyTorch等开源框架，极大地降低了AI模型开发的门槛。与此同时，越来越多的项目通过GitHub等平台开放源码，接受来自全球开发者的
电铸Socket弹片测试全解析：如何提升5G连接器稳定性？ NantongZhuoLIDa-Chen 电铸精密电铸电铸socket测试弹片
1.电铸Socket弹片的关键作用在5G通信、高速计算和AI芯片测试领域，Socket（测试插座）的稳定性直接影响信号传输质量和设备可靠性。其中，电铸弹片作为核心接触部件，承担着精密导电、弹性支撑和耐久测试的重任。相比传统冲压弹片，电铸工艺能实现微米级精度，确保高频信号低损耗传输，同时具备更强的抗疲劳特性，可承受数万次插拔测试。2.影响弹片性能的3大测试指标为确保5G连接器的长期稳定性，电铸弹片需
大模型之提示词工程十指令——结合认知科学与高效学习法的AI协作指南 SEVEN-YEARS 学习人工智能
1.费曼学习法：用“教学”倒逼模型理解复杂概念原理：通过模拟教学场景，迫使模型深入理解知识本质。指令示例：“请用‘小学数学老师’的身份，向孩子解释区块链的基本原理。”输出：“区块链就像一个透明的记账本，每个人都可以看到上面的记录。比如你和同学一起买零食，大家轮流在本子上记录谁买了什么，这样没有人能偷偷修改记录。”应用场景：技术概念简化、跨领域知识迁移、科普内容生成。2.帕累托法则：聚焦关键20%的
文本生成新纪元：解锁大模型的企业级应用密码
数字化浪潮席卷各行业的当下，文本生成技术正经历着翻天覆地的变革，这场变革的幕后功臣正是大模型。今天，咱们就来深入探讨大模型在文本生成领域的奥秘，看看它如何赋能企业，又该怎样规避风险，实现价值最大化。技术跃迁：从笨拙规则到智能生成回首往昔，文本生成依靠规则模板与关键字替换，虽能实现基础自动化，却如机械舞者，动作生硬、缺乏灵动。业务稍有变动，规则需全面重构，耗时费力。随着N-gram等统计机器学习方法
小程序领域开发语言的基础教程小程序开发2020 小程序开发语言 ai
小程序领域开发语言的基础教程：从0到1轻松入门关键词：小程序开发、WXML、WXSS、JavaScript、双线程模型、生命周期、组件化摘要：本文是针对小程序开发语言的零基础入门指南，通过生活类比、代码示例和实战案例，详细讲解小程序核心开发语言（WXML/WXSS/JavaScript）的原理、协作方式及实际应用。无论你是前端新手还是想转行小程序开发的小白，都能通过本文掌握小程序开发的“三板斧”，
小程序领域H5的性能监控与分析小程序开发2020 CS 小程序 apache 服务器 ai
小程序领域H5的性能监控与分析：让你的"小快灵"跑得更稳更快关键词：小程序H5、性能监控、首屏时间、双线程模型、用户体验优化摘要：当我们在小程序里刷新闻、逛商品详情页时，这些看似"丝滑"的H5页面背后，可能隐藏着白屏卡顿、加载缓慢等"暗礁"。本文将从生活场景出发，用"奶茶店运营"的类比拆解小程序H5性能监控的核心逻辑，带你掌握从指标定义到实战落地的全流程方法，助你成为小程序H5的"性能管家"。背景
【零基础学AI】第10讲：线性回归 1989 0基础学AI 人工智能线性回归算法 python 回归 numpy 开源
本节课你将学到理解线性回归的原理和应用场景掌握最小二乘法的基本思想使用Python构建房价预测模型学会评估回归模型的性能指标开始之前环境要求Python3.8+JupyterNotebook或任何PythonIDE需要安装的包pipinstallscikit-learnpandasmatplotlibseabornnumpy前置知识第9讲：机器学习概述基本的Python和数据处理能力核心概念什么是
自然语言处理(NLP)中的文本生成控制技术 AI天才研究院 AI大模型企业级应用开发实战 Agentic AI 实战 AI人工智能与大数据自然语言处理 easyui 人工智能 ai
自然语言处理(NLP)中的文本生成控制技术关键词：文本生成、可控生成、语言模型、Prompt工程、解码策略、条件控制、评估指标摘要：本文深入探讨自然语言处理中文本生成控制技术的最新进展。我们将从基础概念出发，系统分析各种控制方法的原理和实现，包括Prompt设计、解码策略优化、条件控制机制等核心内容。文章将结合数学模型、算法实现和实际案例，全面展示如何实现高质量、可控的文本生成，并探讨该领域面临的
戴尔笔记本win8系统改装win7系统 sophia天雪 win7 戴尔改装系统 win8
戴尔win8 系统改装win7 系统详述第一步：使用U盘制作虚拟光驱： 1）下载安装UltraISO：注册码可以在网上搜索。 2）启动UltraISO，点击“文件”—》“打开”按钮，打开已经准备好的ISO镜像文
BeanUtils.copyProperties使用笔记 bylijinnan java
BeanUtils.copyProperties VS PropertyUtils.copyProperties 两者最大的区别是： BeanUtils.copyProperties会进行类型转换，而PropertyUtils.copyProperties不会。既然进行了类型转换，那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
MyEclipse中文乱码问题 0624chenhong MyEclipse
一、设置新建常见文件的默认编码格式，也就是文件保存的格式。在不对MyEclipse进行设置的时候，默认保存文件的编码，一般跟简体中文操作系统（如windows2000，windowsXP）的编码一致，即GBK。在简体中文系统下，ANSI 编码代表 GBK编码;在日文操作系统下，ANSI 编码代表 JIS 编码。 Window-->Preferences-->General -
发送邮件不懂事的小屁孩 send email
import org.apache.commons.mail.EmailAttachment; import org.apache.commons.mail.EmailException; import org.apache.commons.mail.HtmlEmail; import org.apache.commons.mail.MultiPartEmail;
动画合集换个号韩国红果果 html css
动画指一种样式变为另一种样式 keyframes应当始终定义0 100 过程 1 transition 制作鼠标滑过图片时的放大效果 css .wrap{ width: 340px;height: 340px; position: absolute; top: 30%; left: 20%; overflow: hidden; bor
网络最常见的攻击方式竟然是SQL注入蓝儿唯美 sql注入
NTT研究表明，尽管SQL注入（SQLi）型攻击记录详尽且为人熟知，但目前网络应用程序仍然是SQLi攻击的重灾区。信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明，目前黑客攻击网络应用程序方式中最流行的，要数SQLi攻击。报告对去年发生的60亿攻击行为进行分析，指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中，SQLi攻击占
java笔记2 a-john java
类的封装： 1，java中，对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节（尤其是私有数据） 2，目的：使对象以外的部分不能随意存取对象的内部数据（如属性），从而使软件错误能够局部化，减少差错和排错的难度。 3，简单来说，“隐藏属性、方法或实现细节的过程”称为——封装。 4，封装的特性： 4.1设置
[Andengine]Error：can't creat bitmap form path “gfx/xxx.xxx” aijuans 学习Android遇到的错误
最开始遇到这个错误是很早以前了，以前也没注意，只当是一个不理解的bug，因为所有的texture，textureregion都没有问题，但是就是提示错误。昨天和美工要图片，本来是要背景透明的png格式，可是她却给了我一个jpg的。说明了之后她说没法改，因为没有png这个保存选项。我就看了一下，和她要了psd的文件，还好我有一点
自己写的一个繁体到简体的转换程序 asialee java 转换繁体 filter 简体
今天调研一个任务，基于java的filter实现繁体到简体的转换，于是写了一个demo，给各位博友奉上，欢迎批评指正。实现的思路是重载request的调取参数的几个方法，然后做下转换。
android意图和意图监听器技术百合不是茶 android 显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递显式意图：调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图，显式意图明确指定了Intent应该传递给哪个组件。隐式意图;不指明调用的名称,根据设
spring3中新增的@value注解 bijian1013 java spring @Value
在spring 3.0中，可以通过使用@value，对一些如xxx.properties文件中的文件，进行键值对的注入，例子如下： 1.首先在applicationContext.xml中加入： <beans xmlns="http://www.springframework.
Jboss启用CXF日志 sunjing log jboss CXF
1. 在standalone.xml配置文件中添加system-properties： <system-properties> <property name="org.apache.cxf.logging.enabled" value=&
【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码 bit1129 centos
编译必需的软件 Firebugs3.0.0 Maven3.2.3 Ant JDK1.7.0_67 protobuf-2.5.0 Hadoop 2.5.2源码包 Firebugs3.0.0 http://sourceforge.jp/projects/sfnet_findbug
struts2验证框架的使用和扩展白糖_ 框架 xml bean struts 正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验，通常有两种方式： 1、在Action类中通过validatexx方法验证，这种方式很简单，在此不再赘述； 2、通过编写xx-validation.xml文件执行表单验证，当用户提交表单请求后，struts会优先执行xml文件，如果校验不通过是不会让请求访问指定action的。本文介绍一下struts2通过xml文件进行校验的方法并说
记录-感悟 braveCS 感悟
再翻翻以前写的感悟，有时会发现自己很幼稚，也会让自己找回初心。 2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了； 2. 要改变自己，不能这样一直在原来区域，要突破安全区舒适区，才能提高自己，往好的方面发展； 3. 多反省多思考；要会用工具，而不是变成工具的奴隶； 4. 一天内集中一个定长时间段看最新资讯和偏流式博
编程之美-数组中最长递增子序列 bylijinnan 编程之美
import java.util.Arrays; import java.util.Random; public class LongestAccendingSubSequence { /** * 编程之美数组中最长递增子序列 * 书上的解法容易理解 * 另一方法书上没有提到的是，可以将数组排序（由小到大）得到新的数组， * 然后求排序后的数组与原数
读书笔记5 chengxuyuancsdn 重复提交 struts2的token验证
1、重复提交 2、struts2的token验证 3、用response返回xml时的注意 1、重复提交 (1)应用场景 (1-1)点击提交按钮两次。 (1-2)使用浏览器后退按钮重复之前的操作，导致重复提交表单。 (1-3)刷新页面 (1-4)使用浏览器历史记录重复提交表单。 (1-5)浏览器重复的 HTTP 请求。 (2)解决方法 (2-1)禁掉提交按钮 (2-2)
[时空与探索]全球联合进行第二次费城实验的可能性 comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验至今给我们大家留下很多迷团..... 关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了在这里,我的意思是,现在
easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符 daizj oracle ORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误，如下： C:\Users\Administrator>sqlplus username/[email protected]:1521/orcl SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012 Copyright (c) 198
简单排序:归并排序 dieslrae 归并排序
public void mergeSort(int[] array){ int temp = array.length/2; if(temp == 0){ return; } int[] a = new int[temp]; int
C语言中字符串的\0和空格 dcj3sjt126com c
\0 为字符串结束符，比如说： abcd (空格)cdefg；存入数组时，空格作为一个字符占有一个字节的空间，我们
解决Composer国内速度慢的办法 dcj3sjt126com Composer
用法：有两种方式启用本镜像服务： 1 将以下配置信息添加到 Composer 的配置文件 config.json 中（系统全局配置）。见“例1” 2 将以下配置信息添加到你的项目的 composer.json 文件中（针对单个项目配置）。见“例2” 为了避免安装包的时候都要执行两次查询，切记要添加禁用 packagist 的设置，如下 1 2 3 4 5
高效可伸缩的结果缓存 shuizhaosi888 高效可伸缩的结果缓存
/** * 要执行的算法，返回结果v */ public interface Computable<A, V> { public V comput(final A arg); } /** * 用于缓存数据 */ public class Memoizer<A, V> implements Computable<A,
三点定位的算法 haoningabc c 算法
三点定位，已知a,b,c三个顶点的x,y坐标和三个点都z坐标的距离，la，lb,lc 求z点的坐标原理就是围绕a,b,c 三个点画圆，三个圆焦点的部分就是所求但是，由于三个点的距离可能不准，不一定会有结果，所以是三个圆环的焦点，环的宽度开始为0，没有取到则加1 运行 gcc -lm test.c test.c代码如下 #include "stdi
epoll使用详解 jimmee c linux 服务端编程 epoll
epoll - I/O event notification facility在linux的网络编程中，很长的时间都在使用select来做事件触发。在linux新的内核中，有了一种替换它的机制，就是epoll。相比于select，epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中，它是采用轮询来处理的，轮询的fd数目越多，自然耗时越多。并且，在linu
Hibernate对Enum的映射的基本使用方法 linzx0212 enum Hibernate
枚举 /** * 性别枚举 */ public enum Gender { MALE(0), FEMALE(1), OTHER(2); private Gender(int i) { this.i = i; } private int i; public int getI
第10章高级事件（下） onestopweb 事件
index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
孙子兵法 roadrunners 孙子兵法
始计第一孙子曰：兵者，国之大事，死生之地，存亡之道，不可不察也。故经之以五事，校之以计，而索其情：一曰道，二曰天，三曰地，四曰将，五曰法。道者，令民于上同意，可与之死，可与之生，而不危也；天者，阴阳、寒暑、时制也；地者，远近、险易、广狭、死生也；将者，智、信、仁、勇、严也；法者，曲制、官道、主用也。凡此五者，将莫不闻，知之者胜，不知之者不胜。故校之以计，而索其情，曰
MySQL双向复制 tomcat_oracle mysql
本文包括: 主机配置从机配置建立主-从复制建立双向复制背景按照以下简单的步骤: 参考一下：在机器A配置主机(192.168.1.30) 在机器B配置从机(192.168.1.29) 我们可以使用下面的步骤来实现这一点步骤1：机器A设置主机在主机中打开配置文件 ,
zoj 3822 Domination(dp) 阿尔萨斯 Mina
题目链接：zoj 3822 Domination 题目大意：给定一个N∗M的棋盘，每次任选一个位置放置一枚棋子，直到每行每列上都至少有一枚棋子，问放置棋子个数的期望。解题思路：大白书上概率那一张有一道类似的题目，但是因为时间比较久了，还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子，并且消耗k步的概率（k≤i∗j）,因为放置在i+1~n上等价与放在i+1行上，同理