Teknologian jakaminen

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

ChatGPT:n räjähdysmäinen syntyminen vuoden alussa on johtanut uuteen tekoälyn aaltoon - suuriin malleihin. Minusta on häpeä sanoa, että suuria malleja on ehdotettu jo viime vuodesta. Tuolloin suuret valmistajat tekivät sen talon sisällä, kuten Google, Facebook, Tencent, Alibaba jne. Itse asiassa vastusti sitä tuolloin Jokainen yritys käytti niin paljon rahaa ja joutui käyttämään niin paljon työvoimaa ja aineellisia resursseja, että se on lopulta hyödytöntä. Sitten startup OpenAI julkaisi ChatGPT:n, joka on maailman johtava. Tämä paljastaa myös joitain sääntöjä. Häiritsevät innovaatiot syntyvät todennäköisimmin start-up-yrityksistä, koska suuret yritykset ovat liian mukavia ja kaikki niiden tekeminen on kokoonpanolinjoja. Jokainen suuri teknologinen muutos on sota, jossa kuplat, huijaukset ja poltetut rahat ovat väistämättömiä. Sitten minun on pohdittava itseäni, miksi en ymmärrä, että tämä on häiritsevä innovaatio, kuten herra Howie teki gpt3:ssa.

ChatGPT:n julkaisun jälkeen ei itse asiassa ole tarkoituksenmukaista tehdä suuria malleja, ellet ole Musk-tason pelaaja, se voi olla ajanhukkaa. Olen optimistinen vertikaalisen kentän mallista. Tänään OpenAI:n kehittäjäpäivä paljasti GPT Storen (samanlainen kuin Applen App Store, openAI on todella kuin Apple...)

Selitä, että on tullut aika aloittaa pystymallien kehittäminen tiettyyn suureen malliin perustuen.

Äskettäin kommunikoin Piilaakson ja korkeakoulujen isojen kavereiden kanssa. He kaikki käyttävät GPT4:ää ja Github Copilotia päivittäisinä kehitystyökaluina. Sitten kävin äskettäin professori Ng Endan nopean insinöörikurssin, joka on erittäin ystävällinen aloittelijoille. Monimutkaisin ohjelmointi on funktioiden ja silmukoiden määrittely. Mutta vaikein osa on kehotusosa, joka ei tietenkään ole samalla tasolla kuin ne muutamat sanat, joita käytämme ChatGPT:tä päivittäin, ja on jopa vaikeampaa kuin tavallinen koodin kirjoittaminen. (Punainen osa on kehoteosa) Joten sinun on käytettävä sitä yhdessä kehotteen luoman työkalun kanssa tai tallennettava joitain yleisesti käytettyjä malleja.

Tämä oppitunti esittelee lyhyesti suurten mallien perustoiminnot ja antaa käsityksen niiden toiminnasta. Olen myös aiemmin työskennellyt NLP-projekteissa, ja kaiken kaikkiaan se on paljon mukavampaa kuin perinteinen koneoppimisprosessi. Koska olen suuri kauppias, voin vähitellen siirtyä suuriin malleihin data-analyysissä, joten kiirettä ei ole.

Pitäisikö minun lopulta käyttää API:ta vai ChatGPT:tä? Koska olen tällä hetkellä sijoittamassa suurta mallia käyttäjäksi eikä kehittäjäksi, ja hänen GPT-kauppansa on juuri alkanut, joten käytän edelleen ChatGPT:tä ensin. Hinta on myös tärkeä tekijä API:ta käyttävän ystävän mukaan hän maksaa tällä hetkellä useita satoja yuania kuukaudessa. OpenAI:n käyttämä latausstrategia on samankaltainen kuin Amazon Cloud. Se tuntuu aluksi erittäin kätevältä ja halvalta, mutta sitten tunnet olosi särkyneeksi, kun maksat tilauksen joka kuukausi hahh.

Siksi suhtautumiseni suuriin malleihin on kommunikoida enemmän alan ihmisten kanssa, olla jättämättä itseäni jälkeen ja katsoa miten tuotantoa integroidaan paremmin. Opi sitten ja odota käyttäessäsi sitä hämmentymättä~

AI suurten mallien oppimisen edut

Innostuneena Internet-veteraanina päätin jakaa arvokkaan tekoälytietoni kaikkien kanssa. Mitä tulee siihen, kuinka paljon voit oppia, se riippuu opiskelun sinnikkyydestäsi ja kyvystäsi. Olen jakanut tärkeitä tekoälyn suuria mallimateriaaleja, kuten tekoälyn suuren mallin esittelyoppimisen ajatuskarttoja, korkealaatuisia tekoälyn suurten mallien oppimiskirjoja ja -oppaita, opetusvideoita, käytännön oppimista ja muita tallennettuja videoita ilmaiseksi.

Rajallisen tilan vuoksi vain osa tiedoista näytetään. Sinun on napsautettava alla olevaa linkkiä saadaksesi ne.

2024Uusi CSDN Iso lahjapaketti: " AGI Suuri mallioppimisresurssipaketti" ilmainen jakaminen

1. Täydellinen sarja AGI-suurten mallien oppimisreittejä

Oppimismatka suurten tekoälymallien aikakaudella: perusasioista huippuluokkaan, hallitse tekoälyn ydintaidot!

Kuinka päästä isoon malliin?

Jos haluat ymmärtää täysin suuria malleja, sinun on ensin ymmärrettävä LLM-suurten mallien nykyinen tilanne markkinoilla, opittava Python-kieli, Prompt prompt -projekti ja sen jälkeen sinulla on oltava syvä ymmärrys Function Callingista, RAG:sta, LangChainista, agenteista jne.

Monet ihmiset eivät tiedäJos haluan oppia suuria malleja itse, mitä reittiä minun tulisi seurata?

Uusimmat ja täydellisimmät resurssit kaikille suurille malleille, mukaan lukien [Learning Roadmap], [Supporting Self-study Video + PDF], [Haastattelukysymykset]Olen selvittänyt kaiken puolestasi täällä.Hanki se alla olevan kortin kautta!

"Artificial Intelligence Large Model Introductory Learning Gift Pack", voit skannata alla olevan QR-koodin saadaksesi sen ilmaiseksi!

1. Kasvusuunnitelma ja oppimissuunnitelma
Uuden tekniikan oppimiseksi aloittelijana sinun on ensin opittava kasvun tiekartta. Jos suunta on väärä, ponnistelusi ovat turhia.
Opiskelijoille, jotka eivät ole koskaan olleet alttiina verkkoturvallisuudelle, olemme laatineet sinulle yksityiskohtaisen oppimis- ja kasvusuunnitelman ja oppimissuunnitelman. Sen voidaan sanoa olevan tieteellisin ja systemaattisin oppimisreitti. Tämän yleisen suunnan noudattaminen ei ole ongelma kaikille.

2. Opetusvideo
Monet ystävät eivät pidä epäselvistä teksteistä, joten olen myös valmistanut video-opetusohjelmia kaikille. Lukuja on yhteensä 21, ja jokainen luku on tämän osion ydin.

3.LLM
LLM (Large Language Model), josta kaikki pitävät ja josta kaikki pitävät eniten

Kehitysnäkymät: Suurilla malleilla on laajat sovellukset luonnollisen kielen käsittelyssä, kuvantunnistuksessa, puheentunnistuksessa ja muilla aloilla. Big datan aikakauden myötä suurten mallien teknologia kehittyy edelleen, mikä tarjoaa ohjelmoijille lisää kehitysmahdollisuuksia.

Taitovaatimukset: Ollaksesi hyvä suuren mallin ohjelmoija, sinulla on oltava seuraavat taidot:

• Hallitse syväoppimiseen liittyvää tietoa, kuten hermoverkkoja, konvoluutiohermoverkkoja jne.;
• Tunnet ohjelmointikielet, kuten Python, C++ jne.;
• Ymmärtää suuria datankäsittelytekniikoita, kuten Hadoop, Spark jne.;
• Sinulla on hyvä perusta matematiikassa ja tilastoissa ymmärtääksesi ja optimoidaksesi paremmin suuria malleja.