2023年是人工智能大语言模型大爆发的一年，一些概念和英文缩写也在这一年里集中出现，很容易混淆，甚至把人搞懵。
LLM：Large Language Model，即大语言模型，旨在理解和生成人类语言。LLM的特点是规模庞大，包含成百、上千亿的参数，可以捕捉语言的复杂模式，包括句法、语义和一些上下文信息，从而生成连贯的、有意义的文本。ChatGPT、GPT-4、BERT、文心一言等都是典型的大型语言模型。
GPT：Generative Pre-training Transformer，是OpenAI开发的一种基于Transformer的大规模自然语言生成模型。
AIGC：Artificial Intelligence Generated Content，即AI生成内容。指的是利用AI技术生成的内容，比如AI写文章、画画甚至做视频等等。
AGI：Artificial General Intelligence，即通用人工智能。AGI的目标是创造一个能像人类一样思考、学习、执行多种任务的系统，成为全能的“超级大脑”，未来可能在任何领域都超越人类。
推荐语：中国IT领军者陈斌新作，详解ChatGPT在软件研发全流程的应用，大幅提升研发效率，塑造工程师AI时代竞争优势。
import openai # 设置OpenAI API密钥 openai.api_key = 'YOUR_API_KEY' # 定义对话的起始信息 conversation_start = "User: Hello AI!\nAI: Hi, how can I help you today?" # 发送请求并获取AI的回复 def get_ai_response(message): response = openai.Completion.create( engine='text-davinci-003', prompt=conversation_start + message, max_tokens=50, temperature=0.7, n = 1, stop=None, temperature = 0.6 ) return response.choices[0].text.strip() # 与AI交互 while True: user_input = input("User: ") # 添加用户输入到对话中 conversation_start += '\nUser: ' + user_input # 获取AI回复 ai_response = get_ai_response(conversation_start) # 添加AI回复到对话中 conversation_start += '\nAI: ' + ai_response print("AI:", ai_response)
《神经网络与深度学习：案例与实践》作为邱锡鹏老师出品的《神经网络与深度学习》配套案例，与《神经网络与深度学习》深度融合，从实践角度诠释原书理论内容。复旦大学邱锡鹏教授、百度飞桨研发团队联袂奉献。
import torch import torch.nn as nn import torch.optim as optim import torchvision import torchvision.transforms as transforms # 定义神经网络模型 class NeuralNet(nn.Module): def __init__(self): super(NeuralNet, self).__init__() self.fc1 = nn.Linear(784, 128) # 输入层到隐藏层 self.relu = nn.ReLU() self.fc2 = nn.Linear(128, 10) # 隐藏层到输出层 def forward(self, x): x = x.view(x.size(0), -1) # 将图像扁平化（将图像转换成一维向量） x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x # 定义超参数 learning_rate = 0.001 batch_size = 100 num_epochs = 10 # 加载并预处理数据 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,)) ]) train_dataset = torchvision.datasets.MNIST(root='./data', train=True, transform=transform, download=True) test_dataset = torchvision.datasets.MNIST(root='./data', train=False, transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
