![](https://img-blog.csdnimg.cn/a078a24c7c4b491181b18f556704a515.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
AIGC
文章平均质量分 66
欢迎来到AIGC专栏!在这里,我们将为您提供最新的人工智能和生成式人工智能技术,帮助您更好地了解和应用这些技术,提高您的生产力和创造力。
在这个专栏中,您将学习到如何使用自然语言处理技术来生成高质量的文章、如何使用图像处理技术来生成独特的艺术作品
东方佑
世界500强企业,算法工程师,大模型设计,炼丹
展开
-
gru_rec推荐诗
【代码】gru_rec推荐诗。原创 2024-05-27 10:20:44 · 42 阅读 · 0 评论 -
MaxState 突破长度和参数量限制(sam out)
该代码是一个神经网络模块的实现,主要用于处理输入数据并产生输出。具体而言,该代码有两个类:squash和MaxState。squash函数定义了一个名为squash的操作,用于对输入进行归一化处理。该函数通过计算兴趣胶囊的模长,并根据模长计算一个标量因子。然后,将标量因子乘以兴趣胶囊,得到归一化后的兴趣胶囊作为输出。MaxState类是一个神经网络模块,该模块的功能是将输入数据进行处理并产生输出。该模块接收一个输入数据input_data和一个状态state作为输入。原创 2024-05-27 10:19:52 · 322 阅读 · 0 评论 -
mind推荐算法推荐诗
【代码】mind推荐算法推荐诗。原创 2024-05-26 11:28:20 · 64 阅读 · 0 评论 -
arcade 视角锁定 4
5.2f。原创 2024-05-21 11:15:00 · 1036 阅读 · 0 评论 -
扩散模型图像扩散简单的demo
【代码】扩散模型图像扩散简单的demo。原创 2024-02-27 09:03:18 · 59 阅读 · 0 评论 -
矢量扩散模型初探
接下来,代码使用随机生成的label和alpha_prod对x进行扩散,生成新的坐标xt,并将xt、t和label存储在x_t_label列表中。最终绘制出扩散后的坐标图像。然后,代码定义了一个UNet模型和优化器,并进行了简单的坐标扩散训练。这段代码是一个简单的扩散模型实现,实现了一个从0开始构建的扩散过程,并使用一个UNet模型对坐标进行扩散。首先,代码定义了一个递增的alpha序列和连续乘积alpha_prod,用于扩散过程中的计算。然后,代码定义了一些初始坐标x和y,并根据这些坐标绘制了一个图像。原创 2024-02-25 17:44:02 · 134 阅读 · 0 评论 -
重构Transformer神经网络:优化的自注意力机制和前馈神经网络
因此,本研究的目标是设计一种新颖的、优化的Transformer神经网络模型,以同时保持强大的性能和降低计算复杂性。本论文研究了一种改进的Transformer神经网络模型,该模型使用区别于传统自注意力机制的新型注意力机制,以及优化的前馈神经网络。而且,该模型还引入了非线性激活函数以增强模型的表现力。为验证我们的模型性能,我们对比了现有的Transformer和这种新型Transformer在不同数据集上的性能。改进的自注意力机制和前馈神经网络为处理长序列数据带来了巨大的优势,同时保留了强大的模型性能。原创 2023-09-19 10:07:45 · 581 阅读 · 0 评论 -
基于反向推理的序列预测模型
如完整输入序列为"12345",可以通过针对"123456"、“123457”、"123458"等可能的后续序列,进行反向推理,从而得出“3”的可能性。因此,一个新的预测理论的提出,将有助于解决此类问题,即利用反向推理进行序列预测。总的来说,反向推理提供了一种全新的解决序列预测问题的思路,这是一种更为主动探索的方法,它将预测问题从历史依赖性的角度进行了解决,拓宽了预测模型的视野,为未来的研究提供了新的可能性。因此,反向推理不仅可以解决缺乏历史信息的问题,还可以通过比较所有可能的预测结果,获取最可能的结果。原创 2023-09-15 15:42:05 · 295 阅读 · 0 评论 -
Transformer貌似也是可以使用state递归解码和训练的
而Transformer的Multi-Head Attention操作则是一种特殊的注意力机制,通过查询、键、值三个线性变换来计算注意力分布,并将其应用于序列中的元素,通过多头方式增加了模型的表达能力。在上述代码中,根据文档建议,添加了残差连接和层归一化操作,以增强模型的训练和泛化能力,并将非线性激活函数应用到输入向量的计算中。使用更强大的模型结构:除了改进自注意力机制,还可以考虑引入其他Transformer中的模块,如位置编码、Feed Forward网络等,以进一步提升模型的性能。原创 2023-09-10 19:11:35 · 242 阅读 · 0 评论 -
手搓大模型之only em for pos之增加依赖性
然后将这个向量添加到词汇的嵌入表示中,从而使得模型能够学习到词汇在上下文中的位置信息。因此,如果模型能够考虑到单词在上下文中的位置信息,将增加模型识别上下文中依赖性的能力。例如,在一句话中,“我今天很高兴”,如果模型能够知道“高兴”单词的相对位置在“今天”单词之后,那么它就能更好地理解句子的语义。总之,通过增加token相对位置,可以帮助自然语言生成模型更好地捕捉上下文的依赖性,并提高模型的性能。在自然语言生成模型中,通过增加token相对位置可以更好地捕捉上下文的依赖性,从而提高模型的性能。原创 2023-08-27 18:19:21 · 229 阅读 · 0 评论 -
copy is all you need前向绘图 和疑惑标记
主要功能是给定一个文本序列和一个查询序列,预测查询序列中的起始和结束位置,使其对应文本序列中的一个短语。首先,使用BERT将文本序列编码成一个张量作为输入,并从GPT-2模型中提取查询序列的表示。然后,将查询序列的表示拆分为起始和结束两部分,并使用MLP将短语的起始和结束点表示投影到另一个空间中。接下来,利用生成式模型计算每个查询起始和结束位置之间的所有令牌的概率分布,并根据此生成预测位置。最后,计算起始和结束位置的准确性和整个短语的准确性,并返回损失和准确性的值来优化模型的性能。原创 2023-08-25 23:00:55 · 361 阅读 · 0 评论 -
手搓 自然语言模型 参数量和依赖长度表
而有相关报告证明,人类的极限是1GB的信息量,约等于5亿token,此时的参数规模要达到7万亿。而大多普通人不会记忆那么多0.1-0.5 亿token ,且如果假设前20年,那么 只有0.02-0.1token。那么是该模型的512天那里,而实际人类远远不会记住512天的内容,8天是一个正常人的极限,会不断的忘记那些没有用的内容。而隐藏层维度为0.67 亿,此时能记住,且完全注意到的字符量为1.3亿,1.3亿token。如表所示该网络如果,要达到表达一生3万天所说的内容要,参数量达到21990亿。原创 2023-08-01 21:31:36 · 422 阅读 · 0 评论 -
一个人的最终成就确实受到处于良好环境和丰富资源的时间长短的影响
然而,尽管环境和方法是重要的因素,但个人的天赋、努力和决心也是取得成功的关键因素。这种环境与资源的支持可以激发个人的潜力,提供机会和支持,使个人更容易取得成功。尽管环境和方法对于成功是重要的,但个人的天赋、努力和决心也是取得成功的关键因素。本研究采用了大规模的问卷调查和访谈方法,收集了关于个人成就和环境、资源因素的数据。本研究的目的是探讨处于良好环境和丰富资源的时间长短对个人成就的影响,并通过对相关数据的分析,为这一观点提供实证支持。一个人的最终成就确实受到处于良好环境和丰富资源的时间长短的影响。原创 2023-07-08 23:56:12 · 124 阅读 · 0 评论 -
将Fnet 的fft层 替换为cnn 将位置编码替换为fft 加速收敛 实现文本分类
这段代码是一个基于PaddlePaddle的编码器模型实现。主要包含三个类:FeedForward、EncoderBlock和Fnet。FeedForward类定义了一个前馈神经网络,包含两个全连接层和一层GELU激活函数。它将输入进行线性变换、激活和dropout操作后输出。EncoderBlock类定义了一个编码器块,包含一个LayerNorm层、一个FeedForward层和另一个LayerNorm层。它还包括一个1D卷积层,用于从隐藏维度(hiddendimension)中提取特征。原创 2023-07-08 08:40:24 · 249 阅读 · 0 评论 -
对超长文本进行二分建立查找索引在随机查出
演讲稿生成器的原理是通过分层数据的组合和匹配,在不同的层级中寻找符合关键词的文本,并将这些文本逐步组合生成最终的演讲稿。然后,使用一个循环通过不同的层级对数据进行切割和组合,将每个层级的数据存储在current_dict中,并将current_dict更新到total_dict中。只需要提供一个适当的数据源和关键词,即可自动生成一个吸引人的演讲稿。最后,代码根据用户指定的层级和关键词,逐层地调用get_str和get_str_one函数,从total_dict中获取匹配的文本,并逐步组合生成演讲稿。原创 2023-07-08 08:40:01 · 156 阅读 · 0 评论 -
chatglm循环写长点的小说模版
【代码】chatglm循环写长点的小说模版。原创 2023-07-01 14:51:40 · 503 阅读 · 0 评论 -
完美selenium将某套壳chatgpt网站变为api
在代码的主要部分,我们创建了一个SeleniumServer的类,并在初始化方法中设置了浏览器的一些选项,如启动浏览器的方式、窗口最大化、无痕模式等。比如,在自动化测试中,我们可以利用它来模拟用户的操作,测试网页的功能和性能。总之,这个基于Selenium库的自动化浏览器操作程序是一个非常实用的工具,可以极大地提高我们的工作效率和生产力。在代码的最后部分,我们创建了一个SeleniumServer对象,并使用一个循环不断地接收用户输入,并调用post_res方法来获取结果并打印出来。原创 2023-06-28 20:14:46 · 781 阅读 · 0 评论 -
时空关系为因果关的系本质
事件A的发生导致了事件B的发生,而两者之间的时空关系则是因果关系的本质。事件A的发生导致了事件B的发生,因此可以说A是B的因果事件。同时,事件A和事件B还具有空间上的关联性,因为事件A的发生导致C发生了变化,从而影响了事件B的发生。因果关系是自然界中常见的一种关系,它表示一个事件的发生导致了另一个事件的发生,两个事件之间具有时间上的先后顺序和空间上的关联性。事件A的发生改变了C,并导致了事件B的发生,这种关系揭示了宇宙的因果性和时空关系,有助于我们更好地理解事物之间的相互作用。原创 2023-06-27 21:49:18 · 229 阅读 · 0 评论 -
justpy实现注册登录
登录页和注册页分别包含一个输入框和一个密码框,以及一个按钮,点击按钮可以触发登录和注册功能实现。登录功能实现中,先判断用户输入的用户名是否存在,如果存在,则判断输入的密码是否正确,如果正确,则将。最后,使用 jp.Route 函数设置了三个路由:/login、/register 和/dashboard,分别指向登录页、注册页和仪表盘页。仪表盘页中只包含一个“注销”按钮,点击按钮可以触发注销功能实现,将 session_id 设为空,并重定向到登录页面。users 中,并重定向到登录页面。原创 2023-06-26 20:59:50 · 180 阅读 · 0 评论 -
justpy 实现聊天
【代码】justpy 实现聊天。原创 2023-06-26 20:57:17 · 244 阅读 · 0 评论 -
写一个演讲稿:目前通过对职位招聘网站考察,显示AIGC相关职位增多,且大厂居多。文心一言 VS chatgpt
写一个演讲稿:目前通过对职位招聘网站考察,显示AIGC相关职位增多,且大厂居多。原创 2023-06-23 18:55:28 · 200 阅读 · 0 评论 -
文心一言大有进步啊,将盗将行改为故事
这些年,蜀中大雨连绵,关外横尸遍野,但是他的笑像一条恶犬,依然能够撞乱他的心弦。但是,大盗却发现,李岩的内心并不像他的外表一样光鲜亮丽。最终,他选择了离开,离开了他深爱的姑娘和曾经向往的生活。他发现,真正的幸福和满足感并不是来自于金银财宝和名利地位,而是来自于简单而充实的生活和与心爱的人一起分享的时光。他发现,自己真正想要的并不是金银财宝和名利地位,而是那个能够和他一起分享简单生活的姑娘。他们的故事也启示了人们一个道理:不要被物质的追求所迷惑,真正的幸福和满足感来自于内心的平静和与心爱的人一起分享的时光。原创 2023-06-21 17:34:24 · 411 阅读 · 0 评论 -
文心一言修复了计算问题
需要注意的是,在进行矩阵乘法时,如果第一个矩阵的行数不为m,则需要进行转置操作,使其变为m行n列的矩阵。同时,如果第二个矩阵的列数不为n,则需要进行转置操作,使其变为n行p列的矩阵。进位后的数为186,加上最高位的进位值2,得到最终结果7654 + 321 = 7975。如果前两位比除数小,就看前三位,除到被除数的哪一位,商就写在那一位的上面。如果两个矩阵的列数相同,则将第一个矩阵的行与第二个矩阵的列对应相乘,并将结果累加到新的矩阵中。计算完所有元素的乘积后,得到一个新的矩阵C,它的行数为m,列数为n。原创 2023-06-21 17:23:09 · 2053 阅读 · 0 评论 -
沉浸式prompt(immersive prompt)或代入式prompt(generative prompt)
这款游戏中有各种各样的角色可供选择,每个角色都有自己的独特天赋和技能。你可以根据自己的喜好和游戏需求来选择角色,比如,战士、法师、刺客、牧师等等,每个角色都有自己的特点和能力。你可以根据自己的喜好和游戏需求来选择角色,比如,战士、法师、刺客、牧师等等,每个角色都有自己的特点和能力。你可以根据自己的喜好和游戏需求来选择角色,比如,战士、法师、刺客、牧师等等,每个角色都有自己的特点和能力。你可以根据自己的喜好和游戏需求来选择角色,比如,战士、法师、刺客、牧师等等,每个角色都有自己的特点和能力。原创 2023-06-19 15:07:04 · 253 阅读 · 0 评论 -
完全沉浸式prompt引导chatgpt
当你遇到这种情况时,可以先停下来冷静一下,回想自己为什么要打美杜莎女王,这是为了多获得修行的经验,提升身体素质,还是为了完成师傅的任务。最终,你需要找到一种内在的动力,克服恐惧和不安,并努力完成任务,在实践中不断成长和提高。如果还是无法克服自己的情绪,你可以向师傅寻求建议和指导,师傅会给你更好的解决方案。同时,你也可以找师傅沟通,表达自己的困惑和担忧,师傅也会给你更好的指导和帮助。同时,作为师傅的弟子,你必须要尊重师傅的安排,完成自己的任务。作为一名弟子,你需要尊重师傅的安排并且完成自己的任务。原创 2023-06-19 15:06:41 · 289 阅读 · 0 评论 -
RecurrentGPT 中文版无限长文本写小说
超长文本生成原创 2023-06-18 23:59:02 · 1742 阅读 · 0 评论 -
将gpt分类拆分为回归模型,可节约不知道多少算力
我们使用26个字母的数据集对我们的方法进行了评估,实验结果表明,我们的方法相比原始的GPT模型生成结果更加准确,并且需要更少的计算资源。我们提出的方法实现了显著的计算需求量的降低,同时不牺牲模型的性能表现,这可通过生成的文本的较低困惑值和计算需求量的降低得到证明。第五步,预测一个序列,将序列的最后一个字母在26个字母频率表中取最大的5个,将这五个分别接在序列后边,组成5个序列。第五步,预测一个序列,将序列的最后一个字母在26个字母频率表中取最大的5个,将这五个分别接在序列后边,组成5个序列。原创 2023-06-18 23:54:03 · 148 阅读 · 0 评论 -
循环prompt开发之本地记忆关键词查询
回答当前输入需要查找记忆的关键信息: 记忆开始日期:2023-06-14 记忆结束日期:2023-06-17 记忆关键词:当前时间,什么时候 上网搜索关键词:2023-06-17 时间,现在几点了,时刻查询。回答当前输入需要查找记忆的关键信息: 记忆开始日期:2023-06-17 记忆结束日期:2023-06-18 记忆关键词:星期几、明天 上网搜索关键词:2023年6月18日 星期几。注意:你认为回答当前输入,是否需要查资料(记忆)关键词不是必须在当前输入里,原创 2023-06-17 17:51:33 · 1270 阅读 · 0 评论 -
可超长文本生成小说之循环prompt,全程ctrl+c,ctrl+c
【代码】可超长文本生成小说之循环prompt,全程ctrl+c,ctrl+c。原创 2023-06-17 17:28:13 · 2076 阅读 · 0 评论 -
看图角色扮演聊天ui
该程序是一个聊天机器人的界面程序,主要功能是让用户输入文本,调用聊天机器人的模型或API,返回机器人的回复,并显示在界面上。下面从以下几个方面讲解此程序的创新和功能。原创 2023-06-13 22:20:52 · 1242 阅读 · 0 评论 -
对于文本生成模型的指导性和整体性研究(chatgpt生成)
但是,由于这些模型仅基于输入文本生成输出,缺少具体的目标和指导性,因此模型可能会在摘要中忽略重要的信息或包含无关紧要的细节。它们是提高模型效率和精准性的重要因素,是影响模型构建的关键要素。唯一性的文本输入是基础,但如果是一个无目标的文本输入,由于输出是概率top-k的,可能会导致最终结果存在不确定性。总之,本文提出了文本生成模型的指导性和整体性的概念,以及如何增强模型效率和精度的方法。我们的研究结果表明,文本生成模型的整体性和指导性是影响模型性能的重要因素,它们可以用于改进模型在各种任务上的性能。原创 2023-06-13 22:19:32 · 1617 阅读 · 0 评论 -
使用文心一言将盗将行改为故事
这些年,蜀中大雨连绵,关外横尸遍野,但是他的笑像一条恶犬,依然能够撞乱他的心弦。这些年,蜀中大雨连绵,关外横尸遍野,但是他的笑像一条恶犬,依然能够撞乱他的心弦。这些年,蜀中大雨连绵,关外横尸遍野,但是他的笑像一条恶犬,依然能够撞乱他的心弦。他们对音乐有着共同的爱好和理解,一起欣赏了许多音乐家的作品,讨论了音乐的艺术和技巧。有一天,他走进一家汤面店,吃了一碗汤面,看着窗外的飞雪,取出了腰间的明珠,弹中了那只山雀。从此以后,他变成了一个普通的人,常常去那家汤面店吃面,看着窗外的飞雪,弹着山雀。原创 2023-06-11 12:03:01 · 450 阅读 · 2 评论 -
chatglm int4 本地使用教程
首先一个项目文件 直接使用 打开这个目录 到控制台。一直传入历史会造成速度越来越慢也会爆显存。将代码copy to infer。其他就是创建虚拟环境 自行解决。第二部执行clone 代码。故而要设置记住几句历史数据。第三创建infer.py。推理速度来看非长快速。使用显存8G 下方可。原创 2023-05-03 12:06:41 · 1084 阅读 · 0 评论 -
如何更好的写提示词 来完成自己的目标事件-最佳答案是套路ai
他重新审视情节,改变了原来的构思方案,增加了更多有趣的细节和情节,以确保读者能够深刻体会到笑话的幽默和搞笑之处。几周之后,比尔参加了一个无关的比赛,但是他很惨,输了,但是裁判非常认真地告诉他,虽然他输了,但是他的无厘头笑话击败了其他选手,让他成为了所有选手中最有趣的人。于是比尔赢得了一个比赛的胜利,然后他掏出纪念奖牌,看着它摇了一下头说:“好吧,虽然这块奖牌能证明我赢得了比赛和笑话冠军,但它也证明了我可以犯错误并笑话别人。当你遇到实现过程中的困难时,你会如何解决它,以及解决方案的具体细节?原创 2023-06-07 20:46:55 · 251 阅读 · 0 评论 -
nlp小模型也可在控制和被控制结果的数据集(题库)上表现出智能
如果我们添加了一些基础题目数据集到模型训练数据中,那么它就不仅仅是一些答案的数据集了,而包含了问题和答案两个部分的数据集,同时也增加了语言学习过程中的基础知识。从上面的例子可以看出,模型B的回答比模型A更准确,更具有解释性,因为模型B拥有一些基础知识题目数据集,并且充分了解了问题的基本概念。因此,使用一个小的基础知识模型,加上超长的输入能力(例如GPT-2),才能达到大模型的效果,这也从另一个方面证明了训练数据集的全面性对于提高模型效果的重要性。模型A的回答:由于我有大量的数据集,我可以尝试回答该问题。原创 2023-06-10 17:08:04 · 323 阅读 · 1 评论 -
如何利用llm制作逻辑闭环的问答系统
如何逻辑闭环问答系统原创 2023-06-01 19:29:55 · 779 阅读 · 0 评论 -
通过目标实现步骤校验和提示来控制LLM计算
理论支撑 Open AI 新论文:通过“过程监督”来改进数学推理。按照上面的方法计算189892+1283289。因此,189892 + 1283289 = 1473181。不仅是数学问题其他任务也是一样的。原创 2023-06-10 10:07:35 · 657 阅读 · 1 评论 -
使用chatgpt设计了一个rpg游戏7万字的手稿
但是,随着时间的推移,你们开始意识到墨菲斯的阴谋,他试图掌控学院的所有资源,以此来扩大他的权利,并且攻击你们,并试图破坏学院的运作。他背负着欲望和自己的黑暗魔法技能,一路追踪到了魔法学院,并获得了你的知遇之后,他决定利用学院的资源和你的帮助,来实现他的野心,掌控着魔法世界。随着剧情的推进,你们逐渐揭开墨菲斯的阴谋,证明他掌控了学院,并且试图破坏学院的运作。米拉图:该区域的建筑和建筑的定位采用了寒冷的细节,建筑外表以白色、棕色和灰色为主,这些颜色与周围的冰雪和熔岩形成了鲜明的对比,形成了独特的美感。原创 2023-06-10 17:23:08 · 2144 阅读 · 0 评论 -
chatGPT这样使用真的好吗
使用python win32com 写一个 自动调用pycharm 并创建项目创建项目文件的自动化脚本 并写出测试用例。并使用这个自动化脚本运行该项目的测试用例的python 脚本。原创 2023-04-26 20:59:50 · 97 阅读 · 0 评论 -
AIGC生成多媒体流程
接下来的章节如上一样直到最后。原创 2023-04-30 15:22:45 · 774 阅读 · 0 评论