fantastick99的博客

编写gpt-j 6B的torch模型生成onnx的脚本：# 定义一个示例输入，可以根据需要修改# 定义一个输出文件名，可以根据需要修改# 使用torch.onnx.export函数来转换模型model, # 要转换的模型input_ids, # 要转换的输入output_file, # 要保存的输出文件名input_names=["input_ids"], # 输入的名称output_names=["logits"], # 输出的名称。

此时，image更新了，有了需要的image（也就是镜像，用来创建一个能跑代码的容器），但是此时还不能直接使用容器。2、两个机器之间转移docker容器（为了不用再新的机器上面配置环境，下载文件等等，docker贼方便）docker export -o <路径/容器名.tar> <容器名或容器id>scp <源路径/容器名.tar> <目标用户名>@<目标IP>:/<目标路径>（1）首先把A机器上的容器打包成一个tar文件，以便于接下来的传输；docker import <容器名.tar> <新容器名>

听说GPT4模型更大、参数更多，功能更强，具体它好在哪里？

人们对于大型语言模型的期望可以分为两种：成为专家和成为通才。Finetune和Prompt是实现这两种期望的常用技术，而Adapter技术则是一种更加高效的方式——加外挂，可以帮助大型语言模型用更低的成本，更好地适应不同的任务，成为真正的通才

AI作画：Stable Diffusion的试用记录，以及Stable Diffusion的原理介绍

循环神经网络(RNN)是可以处理序列数据的神经网络，它在处理语音、文本、视频等序列信息时表现卓越，可以通过前一个时刻的输出状态和当前的输入状态计算出当前的输出状态，从而实现对序列数据信息的存储和处理。通过 PyTorch等深度学习库，我们可以方便快捷地定义和运行RNN模型，实现对序列数据的处理和分析。

本文介绍了机器学习任务中常见的三种类型：回归、分类和生成式学习，并且以ChatGPT和AI生成语音为例，分析了不同类型任务的输出类型、目标、方法和评价指标等。本文还介绍了找出函数的三个步骤：设定范围、设定标准和达成目标，并且讨论了训练资料数量对于模型选择的影响。最后，本文探讨了两种生成策略：各个击破和一次到位，并且提出了一种取长补短的方法：先一次到位后各个击破，并且以diffusion model为例进行了说明。

所谓文字接龙，就是：第一次把问题（“什么是机器学习”）输入ChatGPT模型，然后模型对比接下来要输出那个文字的可能性最高，就把这个文字添加到问题的最后，变成下一次模型的输入。直到Chat GPT模型认为 结束符号 出现的可能性最高时，模型便停止输出，然后我们就能看到最终的输出，也就是问题的答案——"机器学习是一门很深奥的学问......。ChatGPT又发现，这句话输入后，接下来最大可能输出的文字是 “器”，再把这个字添加到第二次输入的后面。它针对每个问题的答案，都是模型即时生成的！