NLP算法工程师，主要研究人机对话系统、机器翻译算法，文本生成、大模型等算法研究

解决该问题的方法是：修改/etc/resolv.conf文件，添加nameserver信息就可以，下面给出的是两个通用的谷歌域名服务器，也可以换成自己的服务器。当使用wget进行下载资源的时候，比如执行下面的命令。

不看此文，遗憾终生1.命运 命里一尺，难求一丈，中国的老俗话颇有道理，没有必要做无谓的抗争，老天爷早为你安排好了一切，该啥样就啥样了。 2.金钱 身外之物，撑不着饿不死就得，大不了他吃好的，我吃咸菜，一样管饱，无非是他穿好的，我穿差的，照样暖和。 3.地位 那东西跟我根本扯不上，他作他的达官贵人，我作我的贫民百姓，像小品里说的：最终的归宿不都是那

善男信女至诚听，听念三世因果经。三世因果非小可，佛语真言实非轻。今生做官为何因？前世黄金装佛身。前世修来今世受，紫袍玉带佛前求。黄金装佛装自己，遮盖如来盖自身。莫说做官皆容易，前世不修何处来。骑马坐轿为何因？前世修桥补路人。穿绸穿缎为何因？前世施衣济穷人。有食有穿为何因？前世茶饭施贫人。无食无穿为何因？前世不舍半分文。高楼大厦为何因？前世造庵起凉亭。福禄具足为何因？前世施米寺

下面这些话，说的太漂亮了  山有山的高度， 水有水的深度，没必要攀比，每个人都有自己的长处风有风的自由，云有云的温柔，没必要模仿每个人都有自己的个性你认为快乐的，  就去寻找，      你认为值得的，  就去守候，       你认为幸福的，   就去珍惜，      没有不被评说的事，   

管好自己的嘴（惊醒！）                1、不要评价别人的好坏，因为他们并不影响你吃饭　　2、不要评价别人的德行，因为你不见得比他更高尚。　　3、不要评价别人的家庭，因为那和你没有一点关系　　4、不要评价别人的学问，因为世上最不缺的就是学问。　　5、不要评价任何人，哪怕是你最看不起的人。　　6、不要胡乱花钱，因为明天你就可能失业。

10-9-8-7-6-5-4-3-2-1原来是这个意思我10在太想你了，己经想你很9啦，请8你自己交给我吧，我绝不会7负你，让你永远6在我身边5发4这辈子绝不会对你3心2意这辈子就爱你1个啦祝'十全十美'幸福到老！

欢迎使用Markdown编辑器写博客本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦：Markdown和扩展Markdown简洁的语法代码块高亮图片链接和图片上传LaTex数学公式UML序列图和流程图离线写博客导入导出Markdown文件丰富的快捷键快捷键加粗 Ctrl + B 斜体 Ctrl + I 引用 Ctrl

素数，也叫质数，他是大于1的自然数，除了1和他本身外不能再被其他自然数整除的数，也就是说除了1和他本身外不再含有其他的因数。最小的素数是2，否则是合数。通过调试程序，提高算法的效率，

Title：the length of the Last World 解题思路如下：首先要判断字符串是否为空，防止在运行程序的过程中数组下标越界 使用Java中的方法split（）方法用空格符把字符串中的字母分开，分开后返回的形式是String[]数组的形式。然后使用数组的方法返回最后一个单词的长度。 java代码如下：public class S

Git远程仓库版本回退step1：git log 查看历史提交记录，选择要回退的版本号step2: git reset --hard xxxxxxxx 回退到本地版本step3: git push -f 强制回退远程仓库到当前版本

设置Gitgit config --global user.name "your_name"git config --global user.email your_email@domain.com在本地创建代码库在window上的操作cd \workspace\my_site在mac或Linux上的操作cd ~/workspace/my_site/加载文件git add . 其中"."代表所有文

//第一种方法 var files = Directory.GetFiles(file_path, "*.txt"); foreach (var file in files) { Console.WriteLine(file); } //第二种

Fragment的出现就是为了解决这样的问题，使得App可以同时适应手机和平板。 为了使得Fragment与Activity进行通信，需要将Fragment添加到Activity中。 添加到Activity中的两种方式是： （1） 在布局中使用onCreate（Bundle savedInstanceState）：创建Fragment时被回调，该方法只会被调用一次onCreateView(L

mportError: /home/user/anaconda2/envs/py36/lib/python3.6/site-packages/scipy/spatial/ckdtree.cpython-36m-x86_64-linux-gnu.so: symbol _ZTINSt8ios_base7failureB5cxx11E, version GLIBCXX_3.4.21 not define...

在国产化大模型适配的时，遇到的环境问题。

在复制虚拟环境后，执行clean操作经常报以上错误。

【代码】bash: /usr/bin/mv: Argument list too long。

step2:左下角选择管理—设置—输入"fileheader"—点击"在setting.json中编辑"step1:安装插件KoroFileHeader。step3:添加下面的代码到json文件中。

【代码】How to resolve “RuntimeError: CUDA out of memory”?

当对一个目录里面的文件进行压缩(tar)时，而这个文件数量超过三万个，就会遇到标题中的问题。

docker 容器的基本操作

基于Docker安装Tensorrt的方法介绍

清除linux上的buff/cache

visual studio code 连接远程 linux 服务器，不用每次都输入密码

the nlp domain machine translation

translation result

AttributeError: 'list' object has no attribute 'cpu'

CPU 不支持半精度计算，重新安装成GPU版本的pytorch 就可以查看安装的pytorch是否能使用CUDA进行加速计算import torchtorch.cuda.is_available()

pdb Python自带的一种debug工具pdb 的两种用法1: 非侵入式方法python -m pdb filename.py2: 侵入式方法Import pdbpdb.set_trace()3: 常用命令l：查看当前位置前后11行源代码ll：查看当前函数或框架的所有源代码n： 执行下一行不会进入函数体c：持续执行下去，直到遇到一个断点n：执行下一行（不会进入函数体）s：执行下一行（能够进入函数体）p：打印变量，相当于print()函数q：退出调式器referen

for linux and windowswget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.shFor OSXwget https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-x86_64.shInstall minicondash Miniconda3-latest-*-x86_64.sh -bRun conda init~ /

1：在终端执行程序指定GPUCUDA_VISIBLE_DEVICES=0 python demo.py其他可用的形式CUDA_VISIBLE_DEVICES=0,1CUDA_VISIBLE_DEVICES=“0,1,2”2：在python代码中指定GPUimport osos.environ["CUDA_VISIBLE_DEVICES"]="0,1"3：设置定量的GPU使用量import tensorflow as tfconfig = tf.ConfigProto()confi

1：yield一个带有yield的函数就是一个generator, 它和普通的函数不同，生成一个generator看起来像函数调用，但不会执行任何函数代码，直到对其调用next()才开始执行。虽然执行流程仍按照函数的流程执行，但每执行到一个yield语句就会中断，并返回一个迭代值，下次执行的时候从yield的下一个语句继续执行。看起来就如同一个函数在正常执行的过程中被yield中断了数次，每次中断都会从当前的yield返回当前的迭代值。yield的好处是显而易见的，把一个函数改写成一个generator

自然语言相关任务介绍

Tensor概念介绍可以把Tensor理解为多维数组，可以具有任意多的维度，不同的Tensor可以有不同的数据类型（dtype）和形状（shape）同一Tensor中的所有元素的dtype均相同。不同维度的Tensor可视化表示为如下图所示。模型和层的概念模型是深度学习中比较重要的概念，模型的核心功能是将一组输入变量经过一系列的计算，映射到另一组输出变量，用到的映射函数就是一种深度学习算法。模型主要包含两方面的内容。（1）一系列层的组合用于进行映射。（2）一些参数变量在训练的过程中实时更新.

1：基于数据驱动存在的问题长尾效应：现实中的数据分布就是长尾的，在学习的过程中，模型容易出现过拟合，泛化性差。数据噪声：对于有标签的数据，在标注过程中就不可避免的存在噪声。尤其是多人在标注一份数据集的时候，由于每个人的知识背景都不一样，对于问题的理解也就不一样，因此对同一份数据集的标注结果就会存在误差。也就是说，标注规范难以确定，无法统一大家的知识库。2：基于预训练语言模型存在的问题预训练模型的方式归根结底仍然属于数据驱动的任务，其通过在大规模数据上学习，推断未知数据的概率。如果数据中存在表述不

1 发现有趣AI论文的地方Papers With Code.RedditMedium2 掌握论文背景信息论文解决什么问题使用什么方法，该方法有什么优缺点3 把握主要观点先看一下各个章节和小节的标题，把它们与文章所介绍的模型架构联系起来4 客观看待实验结果检查比较基准:作者对比的是否全面检查Ablation:文章给出的pipeline方案中每个组成部分对实验结果的贡献上，贡献大小是否都被检验检查数据：用于论文所处理任务的开源主流数据是否提到了5实验结果整理论文中提到的实

1 数据信息如下表所示

搭建个人的博客https://blog.csdn.net/weixin_43664418/article/details/103542206?spm=1001.2101.3001.6650.7&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-7.highlightwordscore&depth_1-utm_source=distribute.pc_relevant.none-t

1：NLP技术发展时序图

1.XLNet和Bert的对比分析1.1 自回归语言模型（Autoregressive LM）就是从左向右依次计算某个词出现的概率或者从右向左计算某个词出现的概率，典型代表就是GPT1.2 自编码语言模型(Autoencoder LM)把句子中的某个词用【MASK】替换掉，然后根据该单词的上下文来预测该单词，典型代表就是BERT1.3 两种模型的优缺点自回归语言模型没有能自然的同时获取单词的上下文信息，而自编码语言模型能很自然的把上下文信息融合到模型中，Bert中的每个Transformer都能