Κοινή χρήση τεχνολογίας

Καλώς ήλθατε σε όλους στο μάθημα του πρακτικού έργου Το περιεχόμενο αυτού του τεύχους είναι "Πρακτική πρακτική εξάσκηση στο μοντέλο μεγάλου γλωσσικού μοντέλου".Η λεγόμενη τάξη έργου βασίζεται σεΜια απλή ανασκόπηση των αρχών + λεπτομερής τρόπος πρακτικής του έργου και πρακτικές εξηγήσεις σε επίπεδο κώδικα για ένα συγκεκριμένο θέμα.

Περιεχόμενα αυτού του μαθήματος

Το Prompt Engineering, γνωστό και ως Prompt Engineering, είναι ένα σημαντικό πεδίο στην επεξεργασία φυσικής γλώσσας (NLP) και στη μηχανική εκμάθηση. Οι καλές προτροπικές λέξεις μπορούν να βοηθήσουν το μοντέλο να κατανοήσει τις απαιτήσεις της εργασίας και να βελτιώσει τη συνάφεια και την ακρίβεια του κειμένου που δημιουργείται. Σε εφαρμογές όπως τα ρομπότ συνομιλίας, η δημιουργία κειμένου και τα συστήματα ερωτήσεων και απαντήσεων, η άμεση μηχανική λέξης είναι ζωτικής σημασίας για τη βελτίωση της εμπειρίας χρήστη και της απόδοσης του συστήματος.

Αυτό το μάθημα θα επικεντρωθεί στην πραγματική πρακτική της άμεσης μηχανικής για μεγάλα γλωσσικά μοντέλα. Το περιεχόμενο περιλαμβάνει τον ορισμό της προτροπής, γιατί να γράψετε καλά, τις βασικές μεθόδους και τις προηγμένες τεχνικές γραφής προτροπής και την ολοκληρωμένη πρακτική της προτροπής που βασίζεται στο Zhipu. Qingyan API - δημιουργία αποκλειστικών κρατήσεων αεροπορικών εισιτηρίων, αυτό το μάθημαΗ τιμή είναι 69 γιουάν και η εξήγηση διαρκεί περίπου 100 λεπτά., εξοπλισμένο με ομάδα Q&A και κωδικό,Το περιεχόμενο και η διάρκεια κάθε μέρους του μαθήματος έχουν ως εξής:

Το περίγραμμα του μαθήματος έχει ως εξής:

Ας ρίξουμε μια σύντομη ματιά στα περιεχόμενα κάθε μέρους:

Μέρος 1: Τι είναι η προτροπή Αυτό το μέρος εισάγει τον ορισμό και τις περιπτώσεις της προτροπής;Αυτό το μέρος μπορείτε να το ακούσετε δωρεάν。

Μέρος 2: Γιατί πρέπει να γράφετε καλά τα μηνύματα Αυτό το μέρος εισάγει τη σημασία των προτροπών;Αυτό το μέρος μπορείτε να το ακούσετε δωρεάν。

Μέρος 3: Βασικές μέθοδοι γραφής για προτροπές Αυτό το μέρος εισάγει τα βασικά των προτροπών, συμπεριλαμβανομένης της βασικής σκέψης γραφής, των περιπτώσεων γραφής σφαλμάτων, του πλαισίου ICIO, του πλαισίου APE, του πλαισίου BROKE, του πλαισίου SCOPE και άλλων πλαισίων γραφής.

Μέρος 4: Προηγμένες δεξιότητες γραφής για προτροπές Αυτό το μέρος εισάγει ορισμένες μεθόδους για τη βελτίωση των προτροπών, συμπεριλαμβανομένης της καλής χρήσης οριοθέτησης για τη βελτίωση της αναγνωσιμότητας, των δομημένων αποτελεσμάτων εξόδου, των ελέγχων ακεραιότητας των εισροών χρήστη, της επαναληπτικής βελτιστοποίησης των μηνυμάτων Η βιβλιοθήκη λύνει την ψευδαίσθηση του μοντέλου, η matryoshka--νικώντας τη μαγεία με τη μαγεία, η κούνια--επιτρέπει στο μοντέλο να αναλυθεί βήμα-βήμα και η αυτοσυνέπεια-- επιτρέπει στο μοντέλο να υπολογιστεί πολλές φορές.

Μέρος 5: Πρακτική εφαρμογή του προγράμματος προτροπής του βοηθού εισιτηρίων Αυτό το μέρος του μαθήματος θα σας οδηγήσει στην εφαρμογή ενός βοηθού εισιτηρίων από την αρχή με βάση το API του Zhipu Qingyan.

Αυτό το μάθημα είναι ένα καταγεγραμμένο μάθημα, ο εκπαιδευτήςΝτι Γιουν, ειδικός στον αλγόριθμο NLP σε μια εταιρεία του Fortune 500, λέκτορας τριών διαδικτυακών μαθημάτων AI, δημοσίευσε πολλές εργασίες σε διεθνή συνέδρια και κατέχει περισσότερες από 10 πατέντες.

Πώς να εγγραφείτε

Όλα τα μαθήματα βίντεο βρίσκονται στην πλατφόρμα Xiaoetong. Μπορείτε να χρησιμοποιήσετε την εφαρμογή Xiaoetong για κινητά ή να συνδεθείτε απευθείας στην ιστοσελίδα Για να ακούσετε το περιεχόμενο και να εγγραφείτε, σαρώστε απευθείας τον ακόλουθο κωδικό QR.

Οι λεπτομέρειες του μαθήματος έχουν ως εξής:

Περισσότερο πρακτικό περιεχόμενο μαθημάτων

Για περισσότερο περιεχόμενο πρακτικών μαθημάτων έργου, ανατρέξτε στη συλλογή πρακτικών μαθημάτων του έργου, ως εξής:

[Ομάδα ένας προς έναν] Τρεις ομάδες πρακτικής υψηλού επιπέδου AI-CV θα κυκλοφορήσουν το 2024, με περισσότερες από 30 περιπτώσεις και 60 ώρες πρακτικής άσκησης έργου

Πρόσληψη εισηγητών πρακτικών μαθημάτων

Προκειμένου να εμπλουτιστεί περαιτέρω το πρακτικό περιεχόμενο του Yousan AI Ecology, οι έμπειροι και ικανοί καθηγητές είναι ευπρόσδεκτοι να εγγραφούν για να γίνουν ομιλητές πλατφόρμας:

Οι απαιτήσεις του καθηγητή είναι οι εξής:

(1) Έχουν πολλές διδακτικές εμπειρίες στον τομέα της τεχνητής νοημοσύνης και είναι καλοί στην ομιλία και τη διδασκαλία.

(2) Να έχουν πάνω από 3 χρόνια πρακτική εμπειρία σε έργα στον τομέα της τεχνητής νοημοσύνης.

(3) Θα δοθεί προτεραιότητα σε τρεις AI που είναι ήδη οικολογικά μέλη.

Έσοδα από πρακτικά μαθήματα και υιοθέτηση πλατφόρμαςΣταθερή μετοχήΜέθοδος, συγκεκριμένες λεπτομέρειες μπορείτε να βρείτε στην ομάδα περιεχομένου, επικοινωνήστε μαζί μας για να εγγραφείτεWeChat-LonglongtogoΥποβάλετε το βιογραφικό σας ή στείλτε ένα email στο [email protected].

Σχετίζεται με προηγούμενες περιόδους

• [Σημαντικό] Το 2023, ποιες άλλες ολοκληρωμένες υπηρεσίες μαθημάτων θα προσφέρει το San AI, συμπεριλαμβανομένων ατομικής καθοδήγησης, εκπαιδευτή με πραγματικό όνομα + μόνιμη εγκυρότητα + λειτουργία χωρίς ρουτίνα;
  

• [Σύνοψη] Το πιο συστηματικό περιεχόμενο βιογραφικού, μια περίληψη όλων των δωρεάν και επί πληρωμή μαθημάτων όρασης υπολογιστών από το SanAI (Δεκέμβριος 2022)

• [Project Practical Course] Ξεκινήστε γρήγορα με εργασίες ανίχνευσης στόχων, λεπτομερή ερμηνεία του πλαισίου ανίχνευσης MM και πρακτικές περιπτώσεις

• [Practical Project Class] Ταξινόμηση βίντεο CNN_LSTM και πρακτική αναγνώρισης συμπεριφοράς με βάση το Pytorch

• [Project Practical Course] Πρακτική μάχη κατάταξης βίντεο 3DCNN και αναγνώριση συμπεριφοράς με βάση το Pytorch

• [Practical Project Class] Πρακτική μάχη κατάταξης βίντεο και αναγνώριση συμπεριφοράς μοντέλου SlowFast με βάση το Pytorch

• [Project Practical Lesson] MTCNN και Centerloss Face Recognition Practical Combat Based on Pytorch

• [Πρακτικό Μάθημα Έργου] Πρακτική καταπολέμηση του προσώπου Retina Face και ανίχνευση βασικών σημείων με βάση το Pytorch

• [Πρακτικό Μάθημα Έργου] Πρακτική καταπολέμηση του PFLD Face Key Point Detection based on Pytorch

• [Πρακτική Κατηγορία Έργου] Πρακτική ανίχνευσης βιομηχανικών ελαττωμάτων YOLOv3 με βάση το Pytorch

• [Practical Project Class] Εξάσκηση χρωματισμού ασπρόμαυρων εικόνων Pix2Pix βασισμένη στο Pytorch
  

• [Project Practical Lesson] Practical Combat of StyleGAN v1 Face Image Generation Based on Pytorch

• [Project Practical Lesson] Πρακτική επεξεργασία των χαρακτηριστικών προσώπου StyleGAN (έκφραση, ηλικία, φύλο) με βάση το Pytorch

• [Project Practical Lesson] BeautyGAN Face Intelligent Makeup Πρακτικός συνδυασμός με βάση το Pytorch

• [Project Practical Course] Practical Combat of UGATIT Face Animation Stylization Based on Pytorch

• [Project Practical Course] Πρακτική μάχη εικόνας SRGAN με υπερ-ανάλυση βασισμένη στο Pytorch

• [Practical Project Class] Πρακτική βελτίωσης φυσικής εικόνας EnlightenGAN βασισμένη στο Pytorch

• [Πρακτικό Μάθημα Έργου] Πρακτική Μάχη του DANet Φυσική μείωση θορύβου εικόνας με βάση το Pytorch

• [Project Practical Course] Πρακτική μάχη Real-ESRGAN φυσικής εικόνας με υπερ-ανάλυση βασισμένη στο Pytorch
  

• [Project Practical Course] Practical Combat of DCGAN Human Face and Mouth Expression Image Generation Based on Pytorch

• [Πρακτικό μάθημα έργου] Πρακτική καταπολέμηση της τμηματοποίησης ελαττωμάτων επιφάνειας BiseNet με βάση το Pytorch

• [Project Practical Course] Practical Combat of Semantic_Human_Matting (Portrait Soft Segmentation) Based on Pytorch

• [Practical Project Class] Γενική πρακτική παρακολούθησης στόχων SiameseFC βασισμένη στο Pytorch
  

• [Practical Project Class] Πρακτική πρακτική κλαδέματος αραιού περιορισμένου δομημένου μοντέλου με βάση το Pytorch

• [Practical Project Class] Ποσοτικοποίηση και εξάσκηση συμπερασμάτων του συμμετρικού μοντέλου 8 bit με βάση το πλαίσιο ncnn και την απόκλιση KL

• [Πρακτική Κατηγορία Έργου] Πρόγραμμα WeChat Mini Πρόγραμμα Αναγνώρισης Εικόνας Πρόγραμμα Εξάσκησης στο Front-end και στο Front-end

• [Πρακτικό Μάθημα Έργου] Εφαρμογή της ανάπτυξης του μοντέλου ταξινόμησης εικόνας Android εγγενούς Pytorch από την αρχή

• [Πρακτικό Μάθημα Έργου] Εφαρμογή της εγγενούς ανάπτυξης μοντέλου τμηματοποίησης εικόνας Android Pytorch από την αρχή

• [Πρακτικό Μάθημα Έργου] Εφαρμογή της εγγενούς ανάπτυξης του μοντέλου ανίχνευσης στόχου Android Pytorch από την αρχή

• [Πρακτικό Μάθημα Έργου] Πρακτική ανάπτυξη μοντέλου ανίχνευσης σκληρού καπέλου με βάση το TensorRT+YOLOv5

• [Πρακτικό μάθημα έργου] Πρακτικός συνδυασμός πολλαπλών ετικετών Ταξινόμηση εικόνων καθημερινών αναγκών με βάση το ResNet

• [Πρακτικό Μάθημα Έργου] Πρακτική μάχη Διαγωνισμός ταξινόμησης ερυθροκυττάρων EfficientNet με βάση το Pytorch

• [Πρακτικό μάθημα έργου] SENet Ethnic Image Classification Πρακτική μάχη με βάση το Pytorch

• [Πρακτική τάξη έργου] Πρακτικός συνδυασμός ταξινόμησης εικόνας λουλουδιών InceptionNet με βάση το Pytorch

• [Πρακτικό μάθημα έργου] Όλοι μπορούν να μάθουν δωρεάν!Πρακτική βελτίωση δεδομένων για απλή εργασία ταξινόμησης εικόνων με βάση το Pytorch

• [Project Practical Course] Όλοι μπορούν να μάθουν δωρεάν, πρακτική ταξινόμησης εικόνας με λεπτόκοκκο πουλί BCNN με βάση το Pytorch

• [Project Practical Course] Όλοι μπορούν να μάθουν δωρεάν, πρακτική ταξινόμηση εικόνων οικιακών απορριμμάτων με βάση το ResNet

• [Πρακτικό μάθημα έργου] Όλοι μπορούν να μάθουν δωρεάν!Πρακτική τμηματοποίησης εικόνας χειλιών SimpleNet βασισμένη στο Pytorch
  

• [Project Practical Course] Μηδενικά βασικά στο AI, όλοι μπορούν να μάθουν δωρεάν!Πρακτική αναγνώρισης εκφράσεων προσώπου SimpleNet βασισμένη στο Pytorch