个人技术分享

2024 年 5 月 13 日，openai 发布了最新的模型 GPT4o。很多同学还不知道如何访问GPT-4、GPT-4 Turbo和GPT-4o等模型，这篇文章介绍如何在ChatGPT中访问GPT-4o，以及通过OpenAI API访问GPT-4、GPT-4 Turbo和GPT-4o。GPT-4o是OpenAI的新旗舰模型，能够实时处理音频、视觉和文本。GPT-4o将首先在ChatGPT和API中作为文本和视觉模型提供（ChatGPT将继续支持通过现有的语音模式功能进行语音交互）。

本文档主要介绍使用ChatGPT结合Mermaid实现业务流程简单快速生成，满足一些为了凑页数对作图要求不高的文档。置于那些对图片和文档质量要求很高的，此方案不太行了，需要大家手工画了。

file_name = epi_t.text.strip().replace(':', '').replace('/', '-').replace('\\', '-').replace('|', '-') # 处理文件名。网页文件名要进行处理，去除不符合window系统文件命名规范的特殊字符，处理文件名时要确保文件名中不包含任何特殊字符或不可见字符，可以通过使用strip()方法来去除字符串两端的空白字符，包括换行符和空格；d盘_qyn文件夹路径 = 'D:\\qyn'要有应对反爬虫的措施，设置请求头；

智慧社区管理系统以科技创新赋能社区治理，将极大提升社区服务效率，优化物业管理模式，增进邻里关系，强化社区安全防护。我们期待在不久的未来，每一位居民都能在这样的智慧社区中享受到科技带来的便利与安心，共同编织一幅和谐、宜居的现代社区画卷。

在微软2024年Build开发者大会的主题演讲上，包括微软CEO萨蒂亚·纳德拉（Satya Nadella）的微软高管们介绍了团队助理Team Copilot、全新Agent功能、Phi-3模型系列新成员等各类围绕AI展开的更新，合作伙伴OpenAI的CEO萨姆·奥特曼（Sam Altman）更是压轴亮相，督促开发者和创业者抓住“平台变革”的机会，并称“下一个重要模型即将到来”。随着人工智能技术的不断发展，我们有理由相信，未来的计算机将能够更好地理解人类，为人类的生活带来更多惊喜和便利。

回归分析定义：案例：线性回归预备知识：定义：一元线性回归：如何找出最佳的一元线性回归模型：案例：python实现：多元线性回归案例：线性回归的优缺点：逻辑回归（解决分类问题）案例：定义：python实现：案例：逻辑回归优点：逻辑回归缺点：（解决分类问题）

随着科技的飞速发展，个性化需求逐渐成为市场的主导。在这个充满变革的时代，制造业正面临着前所未有的挑战和机遇。如何快速响应市场需求、提高生产效率、保证产品质量，成为每一家制造企业必须思考的问题。

例如，在光照变化、目标运动复杂性、遮挡等复杂环境下，系统的检测与跟踪算法可能会受到一定影响。此外，对于某些细微的异常行为，系统可能难以准确识别。

解决不同领域和多种模态的复杂任务是通往AGI的关键，尽管现在有各种各样的AI模型，但是它们没有办法自主地处理复杂任务，而LLMs恰好可以作为管理者控制现有的AI模型来完成任务。本文提出的HuggingGPT就是一个基于ChatGPT的Agent，可以利用HuggingFace上各种各样的AI模型来完成任务。首先通过ChatGPT根据用户的请求制定任务计划，然后根据HuggingFace上模型的功能描述选择可用的AI模型，之后通过这些模型来执行子任务，最后总结执行结果并给出响应。

先上图这图看起来莫名其妙，想拿着跟CNN对比着学第一眼看上去有点摸不着头脑，其实我们可以把每一个时刻的图展开来，如下其中，为了简化计算，我们默认每一个隐层参数相同，这样看来RNN的结构就比较简单了，相比较CNN来说，RNN引入了更多的时序信息。

CharGPT（这里似乎有一个小误会，可能是想指代的是“ChatGPT”，因为没有“CharGPT”的具体记录或产品）是OpenAI在2022年11月30日推出的一个革命性的语言模型应用。虽然直接称为“CharGPT”的查询可能是个笔误，但基于您的意图，我将提供关于ChatGPT的基本原理深度解读。

在当今商业环境中，客户流失分析是至关重要的一环。随着市场竞争的加剧，企业需要更加注重保持现有客户，并深入了解他们的离开原因。本文探讨了用户流失分析的核心概念以及如何构建客户流失预测模型的案例。通过分析用户行为数据和交易模式，以及利用机器学习算法，企业可以更好地预测潜在的流失风险，并采取相应措施提高客户满意度。随着持续性的监控和迭代，企业将能够建立智能化的流失分析体系，为业务发展提供持续支持。

LSTM长短时记忆网络：推导与实现（pytorch）

AI大模型下的微服务会有什么？

最近抽空看了下 Andrej Karpathy 的视频教程，教程的质量很高。教程不需要任何前置机器学习基础，只需要有高中水平的数学基础即可。整个教程从 0 到 1 手撸了一个类 pytorch 的机器学习库micrograd，核心代码不到 100 行。虽然为了简化没有实现复杂的矩阵运算，但是对于理解 pytorch 的设计思想有很大帮助。通过上面的流程可以很容易理解机器学习模型训练框架的设计方案，这一套流程也完全适用于 pytorch，可以帮助更好地理解 pytorch 的训练流程。

最近抽空看了下 Andrej Karpathy 的视频教程，教程的质量很高。教程不需要任何前置机器学习基础，只需要有高中水平的数学基础即可。整个教程从 0 到 1 手撸了一个类 pytorch 的机器学习库micrograd，核心代码不到 100 行。虽然为了简化没有实现复杂的矩阵运算，但是对于理解 pytorch 的设计思想有很大帮助。通过上面的流程可以很容易理解机器学习模型训练框架的设计方案，这一套流程也完全适用于 pytorch，可以帮助更好地理解 pytorch 的训练流程。

index_2=t.LongTensor([[0,1,2,3]]).t()#tensor转置操作：(a)T=a.t()print(d.transpose(1, 3).contiguous().shape) # 1号维度和3号维度交换。print(a.unsqueeze(0).shape) # 在0号维度位置插入一个维度。print(a.unsqueeze(3).shape) # 在3号维度位置插入一个维度。print(a.squeeze(0).shape) # 尝试删除0号维度,ok。

但是短视频和直播电商里用户黏性和时长数据更好，转化率更高，更受广告主青睐，因此搜索广告下滑是无可避免的。而唯一的救世主AI，在搜索内容中的占比仅有11%，说明百度搜索的AI重构，广告承压，一方面有行业的因素，过去那个京东淘宝拼多多疯狂砸钱营销的时代已经不在了，一季度整个互联网广告行业同比也只增长了5%，环比放缓。所以在AI真正发力之前，百度在广告上要想走出独立的优势，我看难。而随着企业调用AI的需求的增多，4月API日均调用突破2亿，比2月份的5000万翻了4倍，进一步促进了智慧云业务的增长。

本笔记记录自编码器做FashionMnist数据集训练，关于autoencoder的原理，请自行百度。

1、Llama开源模型家族大模型技术、工具和多模态详解：学员将深入了解Meta Llama 3的创新之处，比如其在语言模型技术上的突破，并学习到如何在Llama 3中构建trust and safety AI。8、Llama 3中的DPO原理、算法、组件及具体实现及算法进阶：学习Llama 3中结合使用PPO和DPO算法，剖析DPO的原理和工作机制，详细解析DPO中的关键算法组件，并通过综合项目八从零开始动手实现和测试DPO算法，同时课程将解密DPO进阶技术Iterative DPO及IPO算法。