摘要：https://github.com/lvwzhen/law-cn-ai 把开源的中国法律法规数据（https://github.com/LawRefBook/Laws）向量化，然后接入ChatGPT，这样你就可以用自然语言对法律法规进行问答。下面是问答的效果： 对于一些复杂的案例场景，回答还是不行
阅读全文
posted @ 2023-04-29 08:01
随笔分类 - 机器学习
摘要：Auto-GPT是个神奇的工具，它能够根据您用自然语言描述的目标，使用GPT做深入分析，拆分为多个有顺的子任务，并自动执行诸如访问互联网等任务操作，然后根据执行结果做反思重新优化目标，整个过程不断自主循环，直到给出满意的结果。 特点： 不需要人类插手，我们使用ChatGPT，每项任务需要手动发起；而
阅读全文
posted @ 2023-04-25 04:53
摘要："思维链"（Chain of Thought）是指一系列有逻辑关系的思考步骤或想法，这些步骤或想法相互连接，形成了一个完整的思考过程。它是指导我们思考和解决问题的一种方法，可以帮助我们更好地理解问题、分析问题和解决问题。 一个有效的思维链应该具有以下特点： 逻辑性：思维链中的每个思考步骤都应该是有逻
阅读全文
posted @ 2023-04-13 15:14
摘要：ChatGPT是一个语言模型，而不是知识模型。 当我们觉得ChatGPT在胡说八道时，实际上是把它误认为知识模型，当认知为知识模型时，就不能出错，不能胡说八道。 事实上，GPT不可能获得完整的知识，无论技术如何发展，知识错误是必然会出现的，这是因为： 部分知识具有时效性，从GPT训练的周期来看，它的
阅读全文
posted @ 2023-04-09 20:55
摘要：ChatGPT太强了，让人觉得AI可以应用于所有行业，重新塑造它们。 但是，我们如何判断哪些行业或场景更适合使用AI？有什么方法论可以指导我们判断呢？ 一个最主要的方法论应该是成本结构分析。 这里的成本结构是要看AIGC替代原先工作后，可优化的成本占原先总成本的比重。 如果只能降低10%～20%，不
阅读全文
posted @ 2023-04-08 22:09
摘要：受人类大脑内部复杂的神经元网络的启发，深度学习模拟生物神经网络，构建出包括输入层和输出层在内的人工神经网络。 下图，左边是视觉系统大致的通路，信息从视网膜到LGN的大细胞层到脑皮层；中间是听觉皮层，信息从耳蜗一直传到听觉皮层；右边是典型的人工神经网络。以上三种均属于层次化的结构。 当将数据输入该网络
阅读全文
posted @ 2023-04-08 07:12
摘要：Edge的最新版本集成了NewBing的搜索聊天功能，可以很方便的基于某个网页或内容进行聊天，如下图所示： 要讨论的内容是本地的文件也可以： 使用注意点： Edge 请用Dev的最新版本。 需要FQ，国内的bing不支持new bing（https://www.bing.com/new）； 快速阅读
阅读全文
posted @ 2023-04-05 15:16
摘要：在上一篇文章中，介绍了卷积神经网络（CNN），CNN在图像识别中有着强大、广泛的应用，但有一些场景用CNN却无法得到有效地解决，例如： 语音识别，要按顺序处理每一帧的声音信息，有些结果需要根据上下文进行识别； 自然语言处理，要依次读取各个单词，识别某段文字的语义； 这些场景都有一个特点，就是都与时间
阅读全文
posted @ 2023-04-05 06:53
摘要：生成对抗网络（Generative Adversarial Nets 简写GAN）是最近几年很热门的一种无监督算法，他能生成出非常逼真的照片，图像甚至视频。它由2个重要的部分构成： 生成器(Generator)：通过机器生成数据（大部分情况下是图像），目的是“骗过”判别器； 判别器(Discrimi
阅读全文
posted @ 2023-04-05 06:50
摘要：引言：上周听了刘嘉老师的分享，越来越认可看懂人工智能需要从脑科学的角度去思考，基于分享的内容、自己的思考、收集的资料整理出本篇文章。 惊艳出现的ChatGPT还在被大家吐槽“胡说八道”，到GTP-4时，一下就从后10%的差生变成了前10%的尖子生，让大家都在问： 到底人工智能发生什么了？为什么现在突
阅读全文
posted @ 2023-03-23 15:46
摘要：ChatGPT引发了AI革命，大家都想探究如何让它发挥更大价值。 以它为代表的大模型并未完全掌握所有专业知识，这也正是我们创业的契机。 我们应该思考如何让AI在专业领域中释放更大的价值潜能。 就像开发者挖掘出某个鲜为人知的资源一样，我们可以开发出AI在特定领域的潜力，从而在市场上脱颖而出。 以Ope
阅读全文
posted @ 2023-03-20 15:03
摘要：《联邦党人文集》 1787年5月，美国各州（当时为13个）代表在费城召开制宪会议；1787年9月，美国的宪法草案被分发到各州进行讨论。一批反对派以“反联邦主义者”为笔名，发表了大量文章对该草案提出批评。 宪法起草人之一亚历山大·汉密尔顿着急了，他找到曾任外交国务秘书（即后来的国务卿）的约翰·杰伊，以
阅读全文
posted @ 2023-03-06 21:32
摘要：作为当时美国海军大西洋舰队的19艘核动力攻击潜艇之一，排水量3000吨的天蝎号属于飞鱼级核潜艇。为了最大限度的提升水下速度，该艇采用了先进的泪滴形外壳，以33节（每小时61公里）的水下速度，成为当时美国海军最快的核潜艇。 1968年5月，美国海军的天蝎号核潜艇在大西洋亚速海海域突然失踪，潜艇和艇上的
阅读全文
posted @ 2023-03-06 21:01
摘要：在用matplotlib进行绘图时，如果在绘制过程中会用到中文，则默认情况下会出现字体警告: UserWarning: Glyph 36724 (\N{CJK UNIFIED IDEOGRAPH-8F74}) missing from current font. 警告信息中提示“missing fr
阅读全文
posted @ 2023-03-05 10:10
摘要：提到token，不得不提tokenization（分词）。分词就是将句子、段落、文章这类型的长文本，分解为以字词（token）为单位的数据结构。 比方说，在句子 “我很开心” 中，利用中文分词得到的列表是{“我”，“很”，“开心”}，列表中的每一个元素代表一个token。 不同的分词策略，会导致不同
阅读全文
posted @ 2023-03-04 07:48
摘要：目的：跑通下面代码 相关代码 from torch import nn import torch import jieba import numpy as np raw_text = """越努力就越幸运""" words = list(jieba.cut(raw_text)) print(word
阅读全文
posted @ 2023-03-02 08:40
摘要：嵌入(Embedding)是用向量表示一个物体，这里所说的物体可以是人，是实体，是虚拟物品，比如：一个单词、一条语句、一个序列、一件商品、一个动作、一本书、一部电影、一个人等等。 可以说嵌入涉及机器学习、深度学习的绝大部分对象，这些对象是机器学习和深度学习中最基本、最常用、最重要的对象，正因如此，如
阅读全文
posted @ 2023-03-01 10:45
摘要：在Encoder-Decoder模型框架我们提到： 不论输入和输出的语句长度是什么，中间的上下文向量长度都是固定的。 一旦长度过长，仅仅靠一个固定长度的上下文向量解码，会有信息瓶颈，可能会丢失信息的问题。 解决方法就是注意力机制。 在了解注意力机制之前，先请看《圣母与圣吉凡尼诺》这幅由佛罗伦萨画家多
阅读全文
posted @ 2023-02-26 20:02
摘要：Seq2Seq（Sequence-to-Sequence，序列到序列）问题是一类特殊的序列建模问题，其中的Encoder和Decoder都是一个序列。 Encoder-Decoder模型框架（编码器-解码器模型框架）最早在2014年提出，当时是为了解决机器翻译的问题（机器翻译就是一个典型的Seq2S
阅读全文
posted @ 2023-02-24 22:03
摘要：在当下各行各业，同质化算是一个很普遍的问题，与“同质化”对应的词，便是“差异化”。差异化是指企业在顾客广泛重视的某些方面，力求在本产业中独树一帜。 “差异化”并非可有可无，而是生存之道 如果无视“差异化”的影响，盲目投身于同质化的竞争之中，同时成本又比不过对手，必然会撞个头破血流。 知乎上一位网友表
阅读全文
posted @ 2023-02-22 10:47
浙公网安备 33010602011771号