GitHub: https://github.com/volnet
Nothing here yet.
Apr 28, 2023 · 3 min read · 标签： #Prompt #LLM 创建时间：2023-04-28 17:05:45 链接：课程（含JupyterNotebook） ，中文版 讲师：Andrew Ng，Isa Fulford 阅读提示 这是一篇入门的教程，入门的意思是指大部分内容，可能你都已经知道了，但是知道不等于掌握，Prompt是一门实践经验主义科学，LLM是个黑盒，你只有不断去“实践”才能烂熟于心，所以这篇笔记本身建议仅作为一个“提示”，帮你回顾知识点。你需要点开课程（含JupyterNotebook），然后...
VEric commented
Apr 27, 2023 · 9 min read · 标签： #Meta #LLM #元宇宙 创建时间：2023-04-27 16:39:40 LLM部分相关总结 在Meta看来，结合自身业务，大语言模型围绕以下方向展开： 1、推荐和排名基础设施：新闻订阅（feeds）、短视频产品（Reels）、广告系统（ads sytem）、诚信系统（ integrity systems）。业务结合点：精准推荐（即向用户推荐关系链以外的有价值信息、提高广告和交易的业绩）。 2、新的产品和体验形态（基于模型生成内容的特点）：Meta的产品专注于连接和表达（...
Join discussion
Apr 23, 2023 · 1 min read · 标签： #产品设计 #LLM 创建时间：2023-04-23 21:14:59 笔记 LLM看似没有UI界面，但却带来了新的UI范式。新的方式需要有新的应用程序设计思路。 自动完成，作为一种典型的能力，应用到了自定义新闻订阅、电子邮件等场景。 我们（微软）的立场是：技术是为人类服务的，技术应该协助人类完成不同的事项。 新范式下需要在产品设计中，创建敏捷、灵活的设计和工程流程。 微软将产品和LLM进行深度结合，将文字转化为生产力工具——文字是这里的关键。 “对话式”是LLM技术...
Join discussion
Apr 20, 2023 · 1 min read · 标签： #CLIP #Image2Text #Text2Image #OpenAI 创建时间：2023-04-21 00:17:52 基本原理 CLIP是一个图像分类模型。 准备训练数据：准备大量的文本描述和图片的训练对，然后把进行对比训练。 文本描述和图片的训练对的数据获取：从互联网上获得400Million的图像文本数据对。这个 规模大致和GPT-2的数据规模相当。 好处1：数据获取容易。传统的做法会对图像进行分类，以ImageNet为例，获得图片后需要人工进行分类标注，这...
Join discussion
Apr 16, 2023 · 1 min read · 标签： #可解释AI 创建时间：2023-04-17 00:32:18 参考链接：https://ex.pegg.io/ 本文基于：jalammar's Blog。 可解释AI能够帮助我们解决下面这样的问题： 一张雪地里的哈士奇照片。 机器可能会用和我们完全不同的方式去识别它。 比如：它识别狗+它识别了雪地，于是它说它是哈士奇。 但如果我们需要一个解释的话，这个解释显然不能另我们满意。 我们更希望它是通过哈士奇眉宇之间的特殊毛色来识别。 See also https://ex.peg...
Join discussion