AI 助理
备案控制台

DreamSpark_个人页

个人头像照片 DreamSpark
个人头像照片 个人头像照片 个人头像照片
文章
32
问答
207
视频
0

个人介绍

暂无个人介绍

擅长的技术

获得更多能力
通用技术能力：
  • Go
    中级

    能力说明：

    掌握封装、能够排除典型的代码bug，并指导如何重构达成目标。

    获取记录：

    • 2023-05-19 在 大学考试 大学/社区-用户参加考试
    • 2023-05-19 在 大学考试 Go语言中级能力 大学/社区用户通过技能测试
    • 2023-05-18 在 大学考试 大学/社区-用户参加考试
    • 2023-05-18 在 大学考试 Go语言初级能力 大学/社区用户通过技能测试
  • 容器
    高级

    能力说明：

    熟练掌握Docker各类高级特性，包括容器数据卷、DockerFile构建等；熟练使用Docker封装MySQL、Redis、Tomcat、Apache等镜像，并可在公有云或私有云部署并保持稳定运行。

    获取记录：

    • 2023-05-15 在 大学考试 大学/社区-用户参加考试
    • 2023-05-15 在 大学考试 容器技术高级 大学/社区用户通过技能测试
    • 2023-05-14 在 大学考试 大学/社区-用户参加考试
    • 2023-05-14 在 大学考试 容器技术中级 大学/社区用户通过技能测试
    • 2023-05-13 在 大学考试 大学/社区-用户参加考试
    • 2023-05-13 在 大学考试 容器技术初级 大学/社区用户通过技能测试
  • 微服务
    中级

    能力说明：

    熟悉微服务常用开放框架，理解Spring、Spring Boot，以及Spring Cloud的概念和不同，对Spring Cloud Alibaba有较为全面的认知。对Istio具备基础运维能力，掌握基本组件的知识。

    获取记录：

    • 2023-05-17 在 大学考试 大学/社区-用户参加考试
    • 2023-05-17 在 大学考试 微服务中级 大学/社区用户通过技能测试
    • 2023-05-16 在 大学考试 大学/社区-用户参加考试
    • 2023-05-16 在 大学考试 微服务初级 大学/社区用户通过技能测试
  • Linux
    高级

    能力说明：

    熟练掌握Linux常用命令、文件及用户管理、文本处理、Vim工具使用等，熟练掌握企业IP规划、子网划分、Linux的路由、网卡、以及其他企业级网络配置技术，可进行Web服务器（Nginx），以及数据库（My SQL）的搭建、配置、应用，可根据需求编写Shell脚本，通过常用工具进行linux服务器自动化运维。

    获取记录：

    • 2023-05-11 在 大学考试 大学/社区-用户参加考试
    • 2023-05-11 在 大学考试 Linux运维高级 大学/社区用户通过技能测试
    • 2023-05-11 在 大学考试 大学/社区-用户参加考试
    • 2023-05-11 在 大学考试 Linux运维中级 大学/社区用户通过技能测试
    • 2023-05-11 在 大学考试 大学/社区-用户参加考试
    • 2023-05-11 在 大学考试 Linux运维初级 大学/社区用户通过技能测试
  • 数据库
    初级

    能力说明：

    具备数据库基础知识，了解数据库的分类，具备安装MySQL数据库的能力，掌握MySQL数据类型知识，基本了解常用SQL语句，对阿里云数据库产品有基本认知。

    获取记录：

    • 2023-05-12 在 大学考试 大学/社区-用户参加考试
    • 2023-05-12 在 大学考试 数据库初级 大学/社区用户通过技能测试
云产品技术能力：

阿里云技能认证

详细说明

暂无更多信息

2024年08月

2024年07月

2024年06月

  • 发表了文章 2024-08-20

    用FaceChain-FACT生成人物写真体验分享

  • 发表了文章 2024-08-19

    手把手带你5分钟搭建企业级AI问答知识库

  • 发表了文章 2024-08-18

    多模态AI单词助记模型体验

  • 发表了文章 2024-08-18

    函数计算驱动多媒体文件处理解决方案体验评测

  • 发表了文章 2024-08-18

    一键打造你的定制化AIGC文生图工具

  • 发表了文章 2024-08-17

    手把手教你如何10分钟获得一位24小时AI专家助手

  • 发表了文章 2024-08-16

    PolarDB MySQL多场景评测

  • 发表了文章 2024-07-23

    Serverless高可用架构体验评测

  • 发表了文章 2024-07-17

    容器化管理云上应用体验评测

  • 发表了文章 2024-07-12

    阿里云百炼产品初体验评测

  • 发表了文章 2024-07-08

    操作系统智能助手OS Copilot体验评测

  • 发表了文章 2024-07-08

    E-MapReduce Serverless Spark体验评测

  • 发表了文章 2024-07-01

    通义万相AI绘画创作体验评测

  • 发表了文章 2024-06-18

    PolarDB 开源部署体验评测

  • 发表了文章 2024-06-15

    基于云效流水线高效构建企业门户网站体验评测

  • 发表了文章 2024-06-03

    云效流水线 Flow测评

  • 发表了文章 2024-05-15

    向量检索服务体验评测

  • 发表了文章 2024-05-15

    幻兽帕鲁服务器部署实践评测

  • 发表了文章 2024-05-15

    经济型e实例试用评测

  • 发表了文章 2024-05-15

    转发路由器 Transit Router体验评测

正在加载, 请稍后...
滑动查看更多
  • 回答了问题 2024-08-19

    100%打赢人类新手，乒乓球机器人靠谱吗？

    我更倾向于真人对练。但与乒乓球机器人对练相比于真人有一些显著的优缺点： 优点：一致性：乒乓球机器人可以提供高度一致的球路和旋转，有助于练习者专注于特定的技术动作。可调节性：机器人通常可以根据用户的需要调整球速、旋转和频率，适合不同水平的练习者。无疲劳：机器人不会感到疲劳，可以长时间提供稳定的训练环境。无需伙伴：不需要依赖其他人的时间和技能水平，可以随时进行训练。数据反馈：一些高级的乒乓球机器人可能提供数据反馈，帮助用户分析自己的表现。缺点：缺乏适应性：真人对手可以根据比赛情况调整策略，而机器人通常不具备这种适应性。缺少战术训练：与真人对打时，可以练习更多的战术组合和应对不同风格的对手，机器人无法提供这种多样性。社交互动缺失：乒乓球是一项社交运动，与真人对打可以增进友谊和社交技能，机器人无法提供这种体验。成本问题：高质量的乒乓球机器人可能价格昂贵，不是所有练习者都能承担得起。机械性：机器人发球可能过于机械和预测性强，不利于培养应对真实比赛中的不可预测性。 如果目标是提高特定技术的精确度和重复性，那么乒乓球机器人可能是更好的选择。但如果希望提高战术理解、比赛感觉和社交互动能力，与真人对打可能更为合适。对于大多数人来说，结合两者的优势，既使用机器人进行技术训练，又与真人进行实战演练，可能是最佳的训练方式。
    踩0 评论0
  • 回答了问题 2024-08-19

    哪些职场行为可能成为职业发展的阻碍？

    🎯 在追求职业成功的道路上，我们常常专注于技能提升和目标规划，却可能忽视了一些小细节。今天，让我们一起来探讨那些不经意间可能会影响你职业生涯的行为习惯。 1️⃣ 过度承诺：我们都希望在职场上展现自己的能力和价值，但过度承诺可能会导致无法完成的任务，从而损害信誉。学会合理评估自己的时间和资源，避免“是的”陷阱。 2️⃣ 缺乏沟通：沟通是职场协作的基石。不主动分享信息或反馈，可能会导致误解和效率低下。保持透明和开放的沟通态度，有助于建立信任和理解。 3️⃣ 抗拒变化：职场环境不断变化，抗拒新事物可能会让你错失成长机会。保持开放心态，积极适应新工具、技术和流程，能让你在职场上更加灵活和有竞争力。 💼 记住，每一个小习惯都可能成为你职业道路上的助力或阻碍。通过意识到并改善这些行为，你可以更好地规避职场“雷区”，为自己的职业生涯铺平道路。
    踩0 评论0
  • 回答了问题 2024-08-15

    你有使用过科技助眠工具吗？

    一直以来我的睡眠质量都还算蛮好的，因为我有睡前阅读的习惯，且阅读的都是诸如舒缓心情的一类读物。而对于当下流行的睡眠监测工具，我倒是前段时间使用过小米手环8 pro，从手环给出的睡眠检测数据，还是可以非常直观地看到整体的一个睡眠时长和质量的。比如：我非常喜欢它的这个鼾声检测，开启后如果睡觉时有打鼾会自动记录。虽然睡眠监测工具可以帮助用户更好地了解自己的睡眠状况，从而调整作息习惯，提升睡眠质量。但在数据采集及准确性仍存在不少限制或者问题，比如，手环需要与用户的皮肤紧密接触才能准确采集数据；同时，如果用户处于较强的电磁干扰环境中，也可能会影响数据传输的准确性。所以，睡眠的好坏起决定作用的还是我们自己，如果你睡眠质量不好，不妨可以借助睡眠监测工具提供的数据解读和应用来指导自己的作息习惯和生活方式。用户可以根据这些数据了解自己的睡眠状况，并据此调整作息习惯。例如，如果发现深睡时长较短或清醒次数较多，可以尝试提前入睡、减少睡前刺激等方式来改善睡眠质量。
    踩0 评论0
  • 回答了问题 2024-08-15

    电子书vs传统纸质书，你更喜欢哪种阅读方式？

    当下从业氛围不佳，各行各业都面临着前所未有的危机，一方面机会减少，另一方面需就业的人数陡增，大家都在往各个方向卷。所以为了保持当下的心态，我最近在阅读《静下来才能看见自己》，使用的是手机APP阅读的。在我看来，无论是传统的纸质阅读还是当下流行的电子书阅读，对于获取知识需求的读者来说，阅读方式只是其一，重要的是适合自己的才是最好的。而对于我而言，在日常通勤、旅行或需要快速查找信息时，我倾向于使用电子书，因为它能满足我随时随地的阅读需求，并且便于管理大量书籍。然而，在周末的午后、夜晚的床边或是想要深度阅读、享受阅读乐趣的时刻，我会选择纸质书，因为那种与书籍亲密接触的感觉、翻页的仪式感以及书籍本身所带来的宁静氛围，是电子书无法替代的。 电子书的优势：便携性：电子书最大的优点在于其轻便性，一部电子阅读器或智能手机就能装载成千上万本书籍，极大地节省了物理空间，便于携带和随时随地阅读。资源丰富：互联网上的电子书资源极为丰富，无论是经典文学、最新畅销书还是专业书籍，都能迅速获取，且往往价格更为亲民或免费。个性化阅读体验：电子书支持字体大小、背景色、亮度等自定义设置，适合不同视力状况和阅读习惯的人群，同时还能记录阅读进度、添加书签和笔记，提升阅读效率。 纸质书的魅力：真实触感：纸质书特有的纸张质感、墨香和翻页声，为读者带来一种难以言喻的沉浸感和满足感，这是电子书目前还难以完全复制的。收藏价值：对于许多读者来说，书籍不仅仅是阅读的媒介，更是文化和知识的载体，具有收藏和传承的价值。纸质书能够长久保存，成为个人书架上的宝贵财富。减少干扰：与电子设备相比，纸质书在阅读过程中更少受到通知、弹窗等外界干扰，有助于读者更专注地沉浸在书籍内容中。
    踩0 评论0
  • 回答了问题 2024-08-06

    聊聊哪些科幻电影中的家居技术你最希望成为现实？

    实际上，随着物联网以及如今大模型的蓬勃发展，电影中的未来智能家居实际上也有部分已经落地了，比如现在大家随处可见的自动电灯、自动门禁、自动家电等。但可以肯定的是未来的智能家居系统将更加智能、全面和无缝。从灯光、窗帘、空调到安防系统，一切都可以通过手机、语音或手势控制，甚至能够预测并满足居住者的需求。例如，当你早晨醒来时，窗帘自动拉开迎接第一缕阳光，咖啡机开始煮你最爱的咖啡，而智能音箱则播放你最喜欢的晨间音乐。这样的生活不仅便捷高效，还充满了未来感。我到现在还依稀记得一段关于想象未来生活的视频短片《A Day Made of Glass》,视频预示了未来人们使用各种各样玻璃触摸屏的生活，手机、平板、电视等等。有兴趣的朋友可以点击链接前往观看第一部、第二部。此外，在科幻电影中，未来的住宅往往能够自给自足，利用太阳能、风能等可再生能源供电、供水，甚至能够处理废水、垃圾等废弃物。这样的绿色建筑不仅能够减少对外部资源的依赖，降低能耗和排放，还能提高居住环境的可持续性。我希望这样的技术能够在未来得到广泛应用，让我们共同守护地球家园。
    踩0 评论0
  • 回答了问题 2024-08-06

    传统健身VS科技健身，你更倾向于哪一种？

    不管是传统健身方式还是现代的科学健身方式，我觉得只有适合自己的、符合自己体质或者日常时间安排的都是非常好的健身方式。健身重在始终如一，而不是三天打鱼两天晒网，或者为了一时的跟风打卡。对于我个人而言，我更倾向于将传统健身与科技健身相结合。比如我就一直坚持日行10000步，为了时刻提醒或者监督自己完成，我使用了小米的健康APP来记录。一个月的记录截图如下：
    踩0 评论0
  • 回答了问题 2024-08-05

    如何10分钟获得一位24小时AI专家助手？

    部署过程 开通服务 本次体验涉及的服务有函数计算FC、阿里云百炼产品，如果你是新用户，是基本没有体验费用的，因为可以领取试用额度，尤其是函数计算FC；而对于百炼产品，目前尚处公测阶段，开通服务即可免费获得试用额度，如下将展开阐述如何开通云百炼服务。首先访问大模型服务平台百炼控制台。首次进入需要同意服务协议，点击同意。如下：在首页/模型广场/应用广场，均可点击开通模型调用服务。新用户首次访问将有100次提问额度。额度用完后需开通服务后方可继续使用。如下：点击开通，如下：使用阿里云百炼大模型服务，需要开通【百炼大模型推理】【百炼大模型部署】【百炼大模型训练】商品，并创建模型调用API-KEY。勾选协议，点击确认开通。如下：开通服务后将会收到三条开通百炼大模型推理、百炼大模型部署、百炼大模型训练商品成功的短信通知。至此，我们就完成了阿里云百炼大模型服务产品的开通，也就是开启了百炼产品的免费试用。 创建应用 进入百炼控制台的我的应用，点击创建应用。在应用设置页面，给应用取一个名字，我这里叫小优；模型选择通义千问-Plus，其他参数保持默认。为了更好地引导用户使用，我这里设定了一个Prompt。完成上述设置后点击发布，你就获得了一个小优应用了。此刻在页面右侧可以提问验证模型效果。不过您会发现，目前它还无法准确回答你们公司的信息。为了在后续通过 API 调用大模型应用的能力，我们需要获取一个百炼应用的API-KEY 和应用 ID。在我的应用页面，点击查看我的API-KEY，在弹出窗口中创建一个新API-KEY。在应用列表中可以查看刚创建的小优助手应用 ID。 基于函数计算FC搭建门户网站 点击前往应用模板，参考下图选择直接部署、并填写前面获取到的百炼应用 ID 以及 API-KEY。其他表单项保持默认，点击页面左下角的创建并部署默认环境。大概等待一分钟，应用完成部署。在应用详情的环境信息中找到示例网站的访问域名，点击即可查看。 为网站增加AI助手 回到应用详情页，在环境详情的最底部找到函数资源，点击函数名称，进入函数详情页。进入函数详情页后，在代码视图中找到public/index.html文件，然后取消图示红框所在位置的代码注释即可。完成后点击部署代码，等待部署完成即可。重新访问示例网站页面以查看最新效果。此时您会发现网站的右下角出现了 AI 助手图标，点击即可唤起 AI 助手。可以看到当前的助手还并不具备完整的功能。如果想让 AI 助手像公司员工一样，更加精准且专业地回答与商品相关的问题，我们还需要为大模型应用配置知识库。 配置知识库 在百炼控制台的数据管理中点击导入数据。进入知识索引，根据引导创建一个新的知识库，并选择刚才上传的文件，其他参数保持默认即可。知识库将为上一步骤中准备的文档建立索引，以便后续大模型回答时检索参考。完成知识库的创建后，可以返回我的应用进入到刚才创建的应用设置界面，打开知识检索增强开关、选择知识库，测试验证符合预期后点击发布。Prompt 中会被自动添加一段信息，以便大模型在后续回答时参考检索出来的信息。完成后，让我们验证一下助手的回答效果。可以很明显看到，有了知识库的加持，助手能力显著提升了。下面看看网站AI助手能否也是如此。到这本次部署体验就结束了，是不是意犹未尽啊，别担心，阿里云百炼为大家提供了更多可操作的实验和案例，点击前往即可。 清理资源 在完成了部署体验后，一定要记得释放掉创建的服务和应用，以免产生不必要的扣费。前往函数计算FC控制台，在应用中找到刚才创建的应用，点击删除应用即可。对于百炼应用，如果你不调用是不会产生费用的，但如果你不再使用，可以在我的应用中，进行删除应用。 体验总结 1、整个体验流程还是非常顺畅的，即使是新手也完全可以按照文档指引一步一步完成整个部署流程。提供了极其友好的界面和丰富的功能选项，使得开发者能够轻松上手。无论是模型选择、数据管理还是模型调优，都能够在平台上找到直观的操作指引。部署过程中所有步骤均有很好的文档指引，需要注意的点也进行了标明，主打就是一个实用。2、基于函数计算FC可以一键实现为网站添加智能助手，这个应用点还是当下很多公司网站所需要的。依托云百炼不但可以使用到最新最优的大模型，还能非常优惠地使用，主打的就是一个降本增效。3、阿里云百炼集成了上百款大模型API，包括通义、Llama、ChatGLM等系列模型，还首家托管百川等系列三方模型，覆盖国内外主流厂商，为开发者提供了多样化的模型选择空间。同时支持数据的上传、处理和管理，使得开发者能够轻松构建自己的知识库。支持多种文件格式的上传，能够很好地满足不同企业的需求。提供的检索增强能力，结合上传的知识数据，大模型识别解析学习文档内容，最终给出生成式回复，有助于提升办公效率。4、为开发者提供了便捷的应用开发和部署，预置了丰富的应用插件和便捷的集成方式，帮助用户更快地完成大模型应用的开发和部署。支持使用开放架构创建智能体应用，并集成了prompt优化工具、流程管理工作流、插件等能力，提高开发和优化效率。5、当前百炼产品的应用案例还是缺乏的，尤其是可以让新手上手的实验部分更是缺乏。期待提供更为详尽的入门教程和案例实战分享，帮助新手用户快速上手。更期待制作一系列视频教程、图文测评等，覆盖从基础概念到高级功能的各个方面。此外，可以引入更直观、用户友好的界面设计，减少复杂设置和参数调整，让非技术背景的用户也能轻松使用平台功能。6、当前对于较大体量的文本解析速度还是较慢的，比如一个20MB的pdf耗时近半小时才完成解析，这里除了pdf本身元素有点复杂外，还涉及到图片的识别。期待后期版本可以优化数据解析和处理的算法，提高处理速度和效率，减少用户等待时间。7、当前支持的数据格式还很有限，期待后期能够提供更灵活的数据导入和导出方式，支持多种数据格式和来源，方便用户整合和管理自己的数据集。8、最后，也是非常重要的一点就是，根据用户需求和市场反馈，调整和优化定价策略，提供不同层级的套餐和定制化服务，满足不同规模和预算的企业需求。毕竟，一个好的产品如果缺乏了受众也是非常难以长远发展的，这就不得不考虑广大中小企业当前能承受的价格范围了。
    踩0 评论0
  • 回答了问题 2024-08-04

    打造你的定制化文生图工具【AI动手】

    领取试用 本次体验使用到阿里云交互式建模（PAI-DSW），如果你是新用户，则可以先领取产品试用。点击前往，领取试用。如下：领取试用时认真阅读试用说明，确认后点击立即试用。如下： 主机规格抵扣规则：A10机型（ecs.gn7i-c8g1.2xlarge）：每使用1小时，消耗6.99计算时V100机型（ecs.gn6v-c8g1.2xlarge）：每使用1小时，消耗14.55计算时G6机型（ecs.g6.xlarge）：每使用1小时，消耗0.57计算时可用区中国内地公共云DSW开服Region通用，包括北京、上海、杭州、深圳有效期有效期3个月，试用期间免费，超过试用期限会自动停机或释放 领取试用后，可在我的账单中查看到具体的明细，如下： 开通默认工作空间 登录PAI控制台，如果你是首次使用PAI，会需要先开通个默认的工作空间。如下：为了方便，这里地域就直接选择了杭州。如下：由于本次体验不需要开通其他产品，所以组合服务这里取消默认的组合服务勾选，以免产生不必要的费用。首次开通需要授权，点击授权前往RAM访问控制。如下：点击同意授权即可。如下：完成授权后返回点击刷新，继续点击“确认开通并创建默认工作空间”。如下：这里需要等待一小会，即可完成服务的开通。如下： 新建实例 进入PAI控制台，在左侧导航栏中单击工作空间列表，选择交互式建模(DSW），点击新建实例。配置参数区域这里选择华东1（杭州）实例名称为AIGC_test资源规则选择GPU类别中的ecs.gn7i-c8g1.2xlarge (8 vCPU, 30 GiB, NVIDIA A10 * 1)，这也是试用的规格之一，支持资源包抵扣的。镜像这里我们选择stable-diffusion-webui-develop:1.0-pytorch1.13-gpu-py310-cu117-ubuntu22.04，专用于DSW实例环境的。在点击确定开始创建时会遇到如下异常，是因为所在区域的可用资源不足导致的，需要更换到其他可用区域重新提交。其他配置保持默认，点击左下角的确定，开始创建。创建过程中，可以通过事件查看到创建时的日志记录。2分钟后，可以看到状态显示运行中，此时就表明实例创建成功。点击操作项的打开，即可进入PAI-DSW实例开发环境。 安装依赖 单击快速开始区域Notebook下的Python 3(ipykernel)从GitHub下载Diffusers开源库，并安装相关依赖： ! git clone https://github.com/huggingface/diffusers ! cd diffusers && git checkout e126a82cc5d9afbeb9b476455de24dd3e7dd358a ! cd diffusers && pip install . 可以通过如下命令验证环境是否完成安装，如下： import diffusers 执行如下命令，下载默认配置文件，配置accelerate。 ! mkdir -p /root/.cache/huggingface/accelerate/ ! wget -c http://pai-vision-data-sh.oss-cn-shanghai.aliyuncs.com/aigc-data/accelerate/default_config.yaml -O /root/.cache/huggingface/accelerate/default_config.yaml 接下来，安装文生图算法相关依赖库。 ! cd diffusers/examples/text_to_image && pip install -r requirements.txt 接着最重要的一步，就是下载stable-diffusion-webui开源库。 import os ! apt update ! apt install -y aria2 def aria2(url, filename, d): !aria2c --console-log-level=error -c -x 16 -s 16 {url} -o {filename} -d {d} url_prefix = { 'cn-shanghai': 'http://pai-vision-data-sh.oss-cn-shanghai-internal.aliyuncs.com', 'cn-hangzhou': 'http://pai-vision-data-hz2.oss-cn-hangzhou-internal.aliyuncs.com', 'cn-shenzhen': 'http://pai-vision-data-sz.oss-cn-shenzhen-internal.aliyuncs.com', 'cn-beijing': 'http://pai-vision-data-bj.oss-cn-beijing-internal.aliyuncs.com', } dsw_region = os.environ.get('dsw_region') prefix = url_prefix[dsw_region] if dsw_region in url_prefix else 'http://pai-vision-data-sh.oss-cn-shanghai.aliyuncs.com' ! git clone https://gitcode.net/mirrors/AUTOMATIC1111/stable-diffusion-webui.git %cd stable-diffusion-webui ! git checkout a9fed7c364061ae6efb37f797b6b522cb3cf7aa2 repositories_url = f'{prefix}/aigc-data/code/repositories.tar.gz' aria2(repositories_url, repositories_url.split('/')[-1], './') ! tar -xf repositories.tar.gz %cd extensions ! git clone https://gitcode.net/mirrors/DominikDoom/a1111-sd-webui-tagcomplete.git ! git clone https://gitcode.net/ranting8323/stable-diffusion-webui-localization-zh_CN %cd .. ! wget -c http://pai-vision-data-sh.oss-cn-shanghai.aliyuncs.com/aigc-data/webui_config/config_tryon.json -O config.json %cd .. 若需更新最新版本，你可以点击下面的开源链接前往进行下载。stable-diffusion-webuistablediffusiontaming-transformersk-diffusionCodeFormerblip通过命令运行窗口可以直观看到当前进度。这个资源包有点大，需要耐心等待一下。完成后，下载示例数据集及训练代码。 ! wget http://pai-vision-data-hz.oss-cn-zhangjiakou.aliyuncs.com/EasyCV/datasets/try_on/cloth_train_example.tar.gz && tar -xvf cloth_train_example.tar.gz ! wget http://pai-vision-data-hz.oss-cn-zhangjiakou.aliyuncs.com/EasyCV/datasets/try_on/train_text_to_image_lora.py 可以通过执行下述代码查看实例服装。 from PIL import Image display(Image.open('cloth_train_example/train/20230407174450.jpg')) 下载预训练模型并转化成diffusers格式。 safety_checker_url = f'{prefix}/aigc-data/hug_model/models--CompVis--stable-diffusion-safety-checker.tar.gz' aria2(safety_checker_url, safety_checker_url.split('/')[-1], './') ! tar -xf models--CompVis--stable-diffusion-safety-checker.tar.gz -C /root/.cache/huggingface/hub/ clip_url = f'{prefix}/aigc-data/hug_model/models--openai--clip-vit-large-patch14.tar.gz' aria2(clip_url, clip_url.split('/')[-1], './') ! tar -xf models--openai--clip-vit-large-patch14.tar.gz -C /root/.cache/huggingface/hub/ model_url = f'{prefix}/aigc-data/sd_models/chilloutmix_NiPrunedFp32Fix.safetensors' aria2(model_url, model_url.split('/')[-1], 'stable-diffusion-webui/models/Stable-diffusion/') ! python diffusers/scripts/convert_original_stable_diffusion_to_diffusers.py \ --checkpoint_path=stable-diffusion-webui/models/Stable-diffusion/chilloutmix_NiPrunedFp32Fix.safetensors \ --dump_path=chilloutmix-ni --from_safetensors 设置num_train_epochs为200，进行lora模型的训练。 ! export MODEL_NAME='chilloutmix-ni' && \ export DATASET_NAME='cloth_train_example' && \ accelerate launch --mixed_precision='fp16' train_text_to_image_lora.py \ --pretrained_model_name_or_path=$MODEL_NAME \ --dataset_name=$DATASET_NAME --caption_column='text' \ --width=640 --height=768 --random_flip \ --train_batch_size=1 \ --num_train_epochs=200 --checkpointing_steps=5000 \ --learning_rate=1e-04 --lr_scheduler='constant' --lr_warmup_steps=0 \ --seed=42 \ --output_dir='cloth-model-lora' \ --validation_prompt='cloth1' --validation_epochs=100 将lora模型转化成WebUI支持格式并拷贝到WebUI所在目录。 ! wget -c http://pai-vision-data-hz.oss-cn-zhangjiakou.aliyuncs.com/EasyCV/datasets/convert-to-safetensors.py ! python convert-to-safetensors.py --file='cloth-model-lora/pytorch_lora_weights.bin' ! mkdir stable-diffusion-webui/models/Lora ! cp cloth-model-lora/pytorch_lora_weights_converted.safetensors stable-diffusion-webui/models/Lora/cloth_lora_weights.safetensors 准备额外模型文件。 detection_url = f'{prefix}/aigc-data/codeformer/detection_Resnet50_Final.pth' aria2(detection_url, detection_url.split('/')[-1], 'stable-diffusion-webui/repositories/CodeFormer/weights/facelib/') parse_url = f'{prefix}/aigc-data/codeformer/parsing_parsenet.pth' aria2(parse_url, parse_url.split('/')[-1], 'stable-diffusion-webui/repositories/CodeFormer/weights/facelib/') codeformer_url = f'{prefix}/aigc-data/codeformer/codeformer-v0.1.0.pth' aria2(codeformer_url, codeformer_url.split('/')[-1], 'stable-diffusion-webui/models/Codeformer/') embedding_url = f'{prefix}/aigc-data/embedding/ng_deepnegative_v1_75t.pt' aria2(embedding_url, embedding_url.split('/')[-1], 'stable-diffusion-webui/embeddings/') model_lora_url = f'{prefix}/aigc-data/lora/koreanDollLikeness_v10.safetensors' aria2(model_lora_url, model_lora_url.split('/')[-1], 'stable-diffusion-webui/models/Lora/') 在DSW中启动WebUI 执行如下命令，启动WebUI。 ! cd stable-diffusion-webui && python -m venv --system-site-packages --symlinks venv ! cd stable-diffusion-webui && \ sed -i 's/can_run_as_root=0/can_run_as_root=1/g' webui.sh && \ ./webui.sh --no-download-sd-model --xformers --gradio-queue 在返回结果中，单击URL链接（http://127.0.0.1:7860），即可进入WebUI页面。到这，我们已经完成了所有操作，成功完成了AIGC文生图模型微调训练及WebUI部署。接下来可以在WebUI页面，进行模型推理验证。如果这个步骤因为拉取资源频繁失败，其实还有一种方法可以实施，那就是DSW Gallery。进入方式有两种，第一种：在页面中输入Lora搜索，找到“AIGC Stable Diffusion文生图Lora模型微调实现虚拟上装”。第二种，可以直接在工作空间左侧的快速开始——Notebook Gallery。按照图示步骤挨个执行即可了，比起Notebook下的Python 3(ipykernel)要直观方便不少。 模型推理验证 正向prompt：cloth1,, (extremely detailed CG unity 8k wallpaper),(RAW photo, best quality), (realistic, photo-realistic:1.2), a close up portrait photo, 1girl, shopping mall rooftop cafe, outdoor, smile, (high detailed skin:1.4), puffy eyes, gorgeous hair, air bangs, brown black hair, soft lighting, high quality,负向prompt：ng_deepnegative_v1_75t,paintings, sketches, (worst quality:2), (low quality:2), (normal quality:2), lowres, ((monochrome)), (grayscale:1.2), skin spots, acnes, skin blemishes, age spot, glans,extra fingers,fewer fingers,(watermark:1.2),(letters:1.2),(nsfw:1.2),teeth采样方法：Euler a采样步数：50宽高： 640，768随机种子：1400244389CFG Scale：7使用高清修复 资源清理 登录PAI控制台，在工作空间页面的左侧导航栏选择模型开发与训练>交互式建模（DSW），进入交互式建模（DSW）页面。单击目标实例操作列下的停止，成功停止后即可停止资源消耗。也就是达到了资源清理的效果。如果你不再使用这个实例，可以继续点击更多进行删除。 体验总结 1、整个体验流程还是通畅的，但在某几个步骤时还是非常考验耐心的，由于需要从github拉取资源，而这个来源是存在网络时好时坏的，这块急需优化，非常影响体验。此外，由于参考的实验链接发布有点旧，里面使用到的资源链接都失效了，比如https://gitcode.net/mirrors/AUTOMATIC1111/stable-diffusion-webui.git，这个是404的。希望往后的体验能够及时修正这些细节。2、如果有产品试用，其实整个体验的费用还是可以抵扣的。如果是老用户，这块的体验费用就非常高了，因为前面提到的拉取资源会非常耗时，这就从侧面增加了体验费用，此外，训练模型需要的耗时也是挺高的，所以如果你是整个流程都认真体验下来，这块的费用还是挺高的，可以达到30元以上。非常期待后期的体验可以缩减这块费用，让更多感兴趣的小伙伴前来体验。而不是现在的这个情况，从已经发布的话题内容来看，没一个朋友是实际购买实例进行体验的，都是直接挪用了实验中的图或者之前文章中的图稍作修改得来的。3、非常建议类似这样需要搭建环境配置过程的话题，能否修改成一个专门的评测体验，一方面可以让更多优秀的作者加入体验，一方面可以很好地收集有关产品的建议和意见。4、既然作为一个话题拿出来讨论，就应该让整个体验过程变得简约，比如魔塔社区模型体验那般就非常适合。建议往后的话题讨论能够简化整体的流程，比如无需部署基础环境，开箱即用。5、加强与阿里云其他服务的整合，其实本次体验为了简化部署流程，是完全可以融合函数计算FC的。希望后期可以加强这方面的能力。
    踩0 评论0
  • 回答了问题 2024-08-04

    如何用AI来提高英语学习效率？【AI动手】

    产品简介 本次体验的产品是一个可以帮助用户记忆单词的AI模型，基于星火认知大模型的多模态AI单词助记应用，旨在于通过荒谬而反直觉的故事和助记图片帮助用户记忆单词。提供两种模式，第一种是demo，点击“生成故事demo”，无需其他操作，等待20s生成即可；第二种是输入单词后，点击“生成故事”。本次体验有两个功能点，一个是图文记忆，一个是视觉学习。下面开始分别体验： 图文记忆 这个功能提供了两种模式，一个是demo，一个是自定义。demo的话操作非常简单，只需要选择任意一组词汇，点击“生成故事demo”就行。如下根据词汇生成的故事根据故事会生成的图片提示词根据提示词生成的图片 这里可以很明显看出demo是有问题的，虽然提供了四组词汇，但无论你怎么选择，始终只会使用第一组，且无法根据提示词生成图片。 既然demo生成有问题，下面就体验自定义看看结果如何。生成的故事这个生成效果让我很吃惊，我词汇里明明是没有苹果等水果的啊，这怎么还上面的那个故事非常像呢。为了验证误差，我在此点击生成，如下：这回的效果直接成了图片提示词了，不得不说效果非常糟糕。在这里可能会有小伙伴质疑，你使用的是官网列子，肯定是会有同demo一样的问题啊，为了消除大家的顾虑，我输入了自定义词汇，生成故事如下：看到这你是不是很无语啊，我的词汇里根本没有car吧。 总结：其实从功能体验来看，目前还只能勉强算个demo吧，不但没法准确生成故事，更不用谈根据提示词生成图片了。实际上，从每次生成体验来看，文本框中的内容都是累加的，这就导致后面的词汇关联上了前面的，情况很糟糕。强烈建议优化后再上线。视觉学习 为了避免误操作导致效果不精准，这里先就操作步骤简单描述，如下：下面就分别体验上述三种上传方式，看看识别率怎么样。第一种上传本地图片，如下：这个识别率能达到90%，除了TV没有识别出外，其他均准确识别到了。点击生成释义看看效果如何：给出的释义还是非常不错的，例句也相对简单易懂，效果不错。第二种拍摄图片，操作步骤如下：看看识别效果如何：我这个拍摄的场景元素其实还是蛮负责的，既有近处元素，还有远处的。识别率80%，主要是后面的大冰箱和门框没有识别出来。但这个识别中的transparent，还是值得点赞的，它把盒子的透明度给识别出来了。点击生成释义，看看情况怎么样：生成释义的效果一如既往的好，通俗易懂，对于单词记忆有帮助。第三种读取剪切板图片，操作步骤如下：我任意选择一张图片进行复制操作，而后点击这里的按钮进行读取，识别效果如下：这个识别率还是挺高的，但可能违背了记忆英文单词的这个初衷，均没有给出相应的词汇。这里为了验证效果，我另外选择了一张，识别效果如下：从这里可以非常好地理解，为啥纯文字的识别有问题，是因为缺乏了识别的物体元素。这次的识别率还不错，就是这个phone和umbrella，我识别没看出是哪里体现了。看看生成释义情况如何：这个功能还是一如既往的稳定，值得点赞表扬。体验总结 1、整个体验流程还是非常通顺的，通过魔塔模型可以直接在线体验，免去了传统部署搭建环境，主打一个开箱即用，高效便捷。2、针对图文记忆模块，目前体验下来也就是demo效果，除了无法正常根据词汇准确生成故事，更没法根据提示词生成图片。此外，生成故事文本框的内容是没法手动删除的，而图片提示词文本框的内容又是可以的。虽然提供了四组词汇，但demo始终只认有apple的第一组，体验非常糟糕。3、视觉学习模块整体效果非常不错，不但提供了三种图片上传方式，还温馨提供了example。图片的整体识别率还挺高，基本元素都能被识别到；生成释义和例句是这里非常值得点赞的一个功能点，除了单词多生成速度略慢外，其他均很优秀。这里唯一要吐槽的点是没有针对上传图片进行说明，也就是如果图片中是纯文字的，它可能无法识别成词汇，只有带有可识别物体元素的图片才能正常识别到词汇。4、不管是图片记忆还是视觉学习，都没有针对既有内容设计清理按钮，用户需要主动选中删除键进行删除，有些文本框还不支持删除，这点体验非常不友好。5、在模型开头的描述中，作者有提到后期的更新计划，比如加入本地单词库上传和选择预设单词库功能，还有克隆音色朗读功能等，这些点还是值得非常期待的，在这里感谢作者日夜编码，给大家带来优秀模型工具，期待更多功能点上线。
    踩0 评论0
  • 回答了问题 2024-08-03

    视频时代，图文未来如何发展？

    虽然当下是视频内容爆炸式增长的时代，图片内容显得逐渐式微，但我认为，随着时间推移，大众会回归常态，图片内容将有可能在适应新环境的过程中找到新的生存空间与价值定位。我认为会有如下几点原因：1、图片内容作为传统媒介已经存在了很久，天然具有独特的优势。比如，深度阅读、精准信息传递、快速浏览以及长期保存性等方面，图文内容都展现出强大的生命力。此外，图文内容在搜索引擎优化（SEO）方面也具备天然优势。2、随着时代进步和人们阅读习惯的变化，图文内容也在不断进化。比如，动态图文（如GIF、短视频化的图文内容）、交互式图表、信息图等新型图文形式正在不断涌现，它们不仅保留了图文内容的精髓，还融入了视频内容的部分元素，使得信息传递更加生动、直观。这也从侧面说明，图文内容并非固步自封，而是积极寻求与新技术、新形式的结合，以适应市场需求的变化。3、不同年龄或不同人群对于信息获取的方式有差异，视频内容在当下年轻群体非常流行，但在中老年群体和专业研究群体中，图文内容仍是刚需。这就是为啥，每逢节假期全国图书馆、博物馆人流井喷的主因。4、实际上，无论是视频还是图文，在知识阐述和呈现上始终是相辅相成的。图文内容与视频内容并非完全对立的关系，而是可以相互补充、共同发展的。在实际应用中，图文内容和视频内容往往被结合使用以达到更好的传播效果。综上，我认为图文内容在未来的发展中并不会逐渐式微，而是有可能在适应新环境、融合新技术的过程中找到新的生存空间与价值定位。
    踩0 评论0
  • 回答了问题 2024-08-03

    你有哪些能写出完美Prompt的秘籍？

    写好Prompt就相当于需要写好一篇话题作文，我日常就是参照这个标准去优化我的Prompt，比如：1、设定场景时间背景：明确故事或描述发生的时间，比如“在2035年的杭州，随着科技的飞速发展...”地点描述：详细描绘场景，让模型有具体的视觉参考，如“在一个充满未来感的图书馆里，天花板是透明的，可以看到星空...”2、角色描绘角色特征：描述角色的外貌、性格、背景等特征，让模型更好地理解角色的行为动机，如“主角是一位勇敢的年轻探险家，名叫凯莉，她拥有一头火红的长发和坚定的眼神...”角色关系：明确角色之间的关系，这有助于模型构建更加丰富的故事情节，如“凯莉和她的机器人伙伴Z一起踏上了一场未知的旅程...”3、引入剧情冲突引入：在Prompt中引入冲突或挑战，激发模型的创造力，如“在旅途中，他们遇到了一个被未知力量封锁的古老遗迹...”情节转折：预设一些情节转折点，让故事更加引人入胜，如“正当他们准备放弃时，凯莉发现了一个隐藏的线索...”4、设定语气风格明确：根据需求选择合适的语言风格，如正式、幽默、科幻等，并在Prompt中明确指出，如“请以一种幽默而又不失深度的风格讲述...”语气调整：通过词汇和句式调整语气，如使用“请求”、“探索”等词汇来营造积极向上的氛围。当然，除了上述这些主观的优化外，还可以借助工具和反馈进行客观优化。比如：1、即时反馈：根据模型生成的初步结果，及时给予反馈，并调整Prompt以改进输出。2、多轮迭代：不要期望一次就能得到完美的输出，通过多轮迭代和微调，逐步优化Prompt和输出。3、加入相关的社区或论坛，与其他人分享经验、讨论问题和获取反馈。
    踩0 评论0
  • 回答了问题 2024-08-03

    您会在哪些场景中使用到云消息队列RabbitMQ 版？

    日常生活工作中，您会在哪些场景中使用到云消息队列 RabbitMQ 版？（必答） 在回答这个问题前，首先需要了解的是什么是消息队列，也即MQ，是指利用高效可靠的消息传递机制进行与平台无关的数据交流，并基于数据通信来进行分布式系统的集成。它本质上是一个队列，而队列中存放的是一个个消息。这些消息由生产者（Producer）产生，并放入队列中，由消费者（Consumer）从队列中取出并处理。有了上述的基础知识了解后，下面的应用场景就可以很好的理解了。在日常生活工作中，我会在如下场景或业务中使用MQ。1、在电商平台中，用RabbitMQ处理库存管理、支付确认，这些服务间异步传递订单信息，确保处理流程的连续性和效率。尤其是在电商活动日或者日常秒杀活动中，大量的购买请求可以先进入RabbitMQ队列，系统根据处理能力逐步从队列中取出并处理这些请求。2、在业务日志收集中，用RabbitMQ作为中心化的日志收集和分发系统，将各个系统和应用的日志消息发送到队列中，再由日志处理节点异步地处理和存储。3、在事件订阅中，用RabbitMQ作为事件总线，用于发布和订阅事件。各个服务可以通过订阅感兴趣的事件来实现解耦和灵活的事件驱动通信。4、在微服务架构中，用RabbitMQ允许各个微服务之间通过消息进行交互，而不是直接调用对方的API。这种方式减少了服务间的直接依赖，使得系统更加灵活和可扩展。 分享您的任意一条消息的轨迹截图（必答）
    踩0 评论0
  • 回答了问题 2024-07-22

    大型AI模型如何跨越“专门化智能”的局限？

    其实当下大模型遇到的特定任务“狭窄任务定向”束缚是个通病的，也是一个新技术发展初期必经之路。那如何摆脱束缚，成为真正的智慧体，我觉得应该从如下几个方面进行努力： 增强模型的泛化能力：当前的许多AI模型在训练数据所覆盖的领域内表现出色，但一旦遇到新的、未见过的场景或任务，其性能往往会大幅下降。因此，增强模型的泛化能力是关键。这可以通过引入更多的、多样化的训练数据来实现，包括来自不同领域、不同文化、不同语言的数据。另一个方法是采用无监督学习或自监督学习技术，让模型在没有明确标签的情况下学习数据的内在结构和规律，从而提高其在未见数据上的适应能力。促进多模态学习与融合：现实世界是复杂且多模态的，包含文本、图像、声音等多种信息形式。未来的AI模型需要能够理解和处理这些多模态数据，并在它们之间进行有效的融合和交互。这要求模型不仅具备处理单一模态数据的能力，还要能够学习不同模态之间的关联和互补性。通过多模态学习，模型可以更全面地理解世界，从而在更广泛的场景中展现出更强的智能和创造力。鼓励创新与创造力：真正的智慧体不仅要有强大的学习和理解能力，还要具备创新和创造力。为了培养AI模型的这种能力，可以设计一些专门的任务或环境来鼓励模型产生新的想法和解决方案。比如，可以通过生成对抗网络（GANs）等技术来训练模型生成具有创意的文本、图像或音频等内容；也可以设计一些开放性的、没有固定答案的问题来测试模型的创新能力。 综上，要实现AI模型从“狭窄任务定向”向“全能且创新”的智慧体转变，需要我们在增强泛化能力、促进多模态学习与融合、鼓励创新与创造力等方面做出努力。这将是一个长期且充满挑战的过程，但也是我们迈向更加智能和美好的未来所必须经历的阶段。
    踩0 评论0
  • 回答了问题 2024-07-22

    智能眼镜能否重塑学习体验？

    回答这个问题之前，首先有一点是明确的，那就是智能眼镜的诞生对于实现“智能学习”成为一种可能。这主要得益于智能眼镜的如下几个方面的特性： 智能眼镜可以利用AI技术分析学生的学习行为和习惯，从而为他们提供定制化的学习内容和路径。比如，在历史课上，智能眼镜可以根据学生的学习进度和兴趣点，推送相关的历史事件和背景知识，使学生更加深入地理解课程内容。智能眼镜的实时互动功能可以让学生在课堂上与教师和同学进行更加紧密的互动。教师可以利用智能眼镜的远程辅导功能，为学生提供个性化的指导和反馈。同时，学生之间也可以通过智能眼镜进行小组讨论和协作，共同解决问题，提高团队协作能力。智能眼镜可以与外部设备（如智能手机或平板电脑）结合使用，通过AR技术为学生提供沉浸式的学习体验。比如，在地理课上，学生可以通过智能眼镜看到地球的3D模型，更加直观地了解地理知识。 而当下还存在一些原因导致智能眼镜还不能完全融入教育体系，比如： 智能眼镜的技术成熟度还不足以完全满足当下教育领域的需求。比如，语音识别和图像识别的准确性、设备的续航能力等都需要进一步提升。智能眼镜的价格相对较高，可能不是所有学生都能承担得起。这也是当前为啥智能眼镜不能完全进入教育领域的最主要的客观原因。智能眼镜在收集和处理学生数据的过程中，可能涉及到隐私和安全问题。这个问题不得到合法合理的解决将直接影响到智能眼镜的大面积多群体使用。 综上，智能眼镜在教育领域具有巨大的潜力，能够为学生带来更加个性化、实时互动和沉浸式的学习体验。然而，要实现智能眼镜在教育领域的深层次融入和高效“智能学习”新模式，还需要克服技术成熟度、成本问题和隐私安全等挑战。随着技术的不断进步和应用场景的不断拓展，相信智能眼镜将在教育领域发挥越来越重要的作用。此外，值得注意的是，虽然智能眼镜与AR眼镜在技术上有所不同，但两者在教育领域的应用场景和潜力具有一定的重叠性。未来，随着技术的融合和发展，智能眼镜和AR眼镜有望共同推动教育体系的创新和发展。
    踩0 评论0
  • 回答了问题 2024-07-22

    传统架构在哪些方面存在缺陷？

    传统架构在面对当今数字化转型浪潮时，存在的缺陷主要体现在以下几个方面： 难以适应业务快速变化：随着市场环境的快速变化和用户需求的日益多样化，传统架构往往难以迅速调整以适应这些变化。传统架构通常基于固定的硬件资源和预配置的服务器集群，缺乏灵活性和可扩展性。当业务流量突然增加时，传统架构可能无法及时扩展资源，导致性能瓶颈和用户体验下降。相反，数字化转型要求系统能够灵活应对各种业务场景，实现快速迭代和部署。高昂的运维成本和维护复杂度：传统架构的运维工作繁重且复杂，涉及服务器的日常管理、软件的更新升级、故障排查与恢复等多个环节。这些工作不仅要求运维人员具备较高的专业技能，还需要投入大量的人力和时间成本。随着系统规模的扩大，运维的复杂性和出错率也会显著增加。相比之下，数字化转型推崇自动化和智能化运维，通过引入云计算、大数据、人工智能等技术手段，降低运维成本，提高运维效率。缺乏灵活性与可扩展性：传统架构往往依赖于固定的硬件资源和预配置的服务器集群，难以根据业务流量的实时波动进行自动调整。这种静态的资源分配方式不仅限制了应用的扩展能力，还可能导致在高峰时段出现性能瓶颈，而在低峰时段则造成资源浪费。相比之下，云上Serverless架构能够根据实际需求自动伸缩资源，确保应用始终运行在最优状态，同时显著降低资源成本。
    踩0 评论0
  • 回答了问题 2024-07-22

    如何用5分钟搭建企业级AI问答知识库？试试Hologres，PAI和计算巢

    配置过程 在正式开始本次体验前，我们需要进行一下环境的准备，比如确保已经拥有阿里云账号，并开通了Hologres、PAI-EAS（机器学习平台）和计算巢服务。下面就以如何开通人工智能平台PAI为例，阐述如何开通服务。登录PAI控制台，如果你是首次使用PAI，会需要先开通个默认的工作空间。如下：为了方便，这里地域就直接选择了杭州。如下：由于本次体验不涉及其他服务，所以组合服务这里不需要勾选，以免产生不必要的费用。首次开通需要授权，点击授权前往RAM访问控制。如下：点击同意授权即可。如下：完成授权后返回点击刷新，继续点击“确认开通并创建默认工作空间”。如下：这里需要等待一小会，即可完成服务的开通。如下：这里需要注意的是，如果您已领取PAI-EAS免费试用权益，整个实验费用大约为每小时4.634元。如果您无免费试用额度或免费试用机型无库存，整个实验费用大约为每小时12.704元。接着，我们前往计算巢控制台，在左侧导航栏，选择服务目录。在搜索框中输入并搜索Hologres+PAI一键部署企业级问答知识库，在Hologres+PAI一键部署企业级问答知识库服务卡片下，单击正式创建。在计算巢服务为第三方服务对话框中，选中我已阅读并同意《计算巢服务协议》，单击确定。在创建服务实例页面,需要注意如下几点：1、若已领取PAI-EAS免费试用权益，地域请您选择与开通PAI-EAS相同的地域。若无免费试用额度或免费试用机型无库存，可随意选择。2、付费类型，可按需进行选择。但需要注意的是ECS和Hologres实例支持按量付费和包年包月，PAI-EAS实例只支持按量付费。3、Hologres推荐开通32核版本，以华东1（杭州）为例，每小时11.334元，性能更好。如需要更低规格，可以开通8核版本，以华东1（杭州）为例，每小时2.834元，注意8核仅用于体验，不适合用于生产。4、选择您希望部署的LLM大模型和PAI-EAS部署大模型的实例规格。大模型选择通义千问-7b(开源)。如果已领取PAI-EAS免费试用权益，请选择试用活动分类下的ecs.gn7i-c8g1.2xlarge.limit机型，免费试用额度内无需付费。5、PAI-EAS部署WebUI的实例规格。这里选择选择机型ecs.c7.2xlarge 8核16GB。6、VPC配置，选择开启新建VPC。开启新建VPC会自动生成对应的专有网络VPC实例ID和交换机实例ID，在创建计算巢服务实例时，创建对应的VPC信息。如果不开启，这里就需要手动选择专有网络VPC实例ID和交换机实例ID信息。其他配置保持默认，点击下一步：确认订单。在确认订单页面，确认订单费用后，选中我已阅读并同意《计算巢服务协议》，然后单击立即创建。在依赖检查这里会发现一个异常，点击开通权限即可。这里需要耐心等待部署完成。部署过程中可以通过点击服务实例ID进入详情，通过日志管理可查看部署详情以及进度。等待11分钟后，服务实例的状态变为已部署后，我们就可以开始使用知识库。在服务实例详情页面，您可以获取到endpoint以访问服务，单击endpoint后面的链接。接下来我们需要配置并连接知识库，在Hologres+大模型WebUI的设置页签，配置user和password。这里的user需要填入阿里云账号或RAM用户的AccessKey ID，AccessKey ID对应的AccessKey Secret。所以需要先创建一个AccessKey。进入RAM控制台，点击创建AccessKey。填入手机验证码，并复制保存好AccessKey。将生成的AccessKey填入配置中并点击连接。在连接信息中返回连接Hologres成功内容，即说明连接成功。在上传页签，选择您的专属语料数据文件，然后单击上传。这里直接使用了官网提供的文件。上传完成后在状态区域，返回“成功上传1个文件 [ example_data.txt, ] !”内容，即说明上传成功。接下来就可以配置聊天相关的参数了，在聊天页签进行配置即可。聊天模式有三种可选，他们的区别如下: 向量数据库：使用您在Hologres中上传的语料数据进行向量近似查询问答。大语言模型：使用原始的预训练大语言模型进行问答。向量数据库+大语言模型：使用您在Hologres中上传的语料数据进行向量近似查询，然后通过大模型对查询结果进行进一步完善和调整，最终反馈优化后的结果。 完成配置后，我们就可以和模型进行对话了。如下： 输出结果 比如我输入“Hologres是啥”，“Hologres能做什么”，对话如下：你可以对刚才的对话进行总结，直接点击总结按钮即可。 释放资源 完成体验后，非常且必要的一步就是将部署资源进行释放或者删除，以免产生不必要的费用扣除。操作如下：在服务实例管理页面的私有部署服务页签，找到您创建的Hologres+PAI一键部署企业级问答知识库服务服务实例，单击右侧操作列下的删除。在您确定要删除当前服务实例吗对话框中，选中我确认删除服务实例及包含的云资源，单击确定删除。该操作将一键清理掉部署所创建的所有资源，如果你需要保留，这一步操作需要慎重。 使用体验 通过上述部署体验，我总结如下： 通过计算巢服务，可以一键完成Hologres与大规模问答知识库所需的硬件资源与软件资源部署，大大缩短了部署时间，提高了效率。PAI-EAS作为模型在线服务平台，支持用户将模型一键部署为在线推理服务或AI-Web应用，进一步简化了部署流程。Hologres作为一站式实时数据仓库引擎，支持海量数据实时写入、实时更新、实时分析，能够处理PB级数据的多维分析和即席查询，满足企业级应用对数据处理能力的需求。PAI-EAS适用于实时推理、近实时异步推理等多种AI推理场景，具备自动扩缩容和完整运维监控体系等能力，确保系统的稳定性和可靠性。LangChain是一个开源框架，可以将大模型、向量数据库、定制语料结合，高效完成专属问答知识库的搭建。Hologres现已被LangChain作为向量数据库集成，进一步丰富了问答知识库的功能。计算巢服务是一个开放给服务商和用户的服务管理PaaS平台，为服务商和用户提供了高效、便捷、安全的服务使用体验。用户可以根据业务需求灵活调整资源配置，实现资源的最大化利用。 除了上述的优点外，其实在体验中还能看到些许不足： 企业级AI问答知识库的构建和运维需要投入大量的资金和资源。除了购买Hologres、PAI-EAS等产品的费用外，还需要考虑人员培训、系统维护、数据存储和传输等方面的成本。系统依赖于阿里云提供的Hologres、PAI-EAS和计算巢等外部服务，如果外部服务出现故障或中断，可能会对系统的正常运行造成影响。因此，用户需要关注外部服务的稳定性和可靠性，并制定相应的应急预案。上传语料数据文件耗时较长，官网提供的一个不到8kb的文件，上传硬是花费了2分钟。此外，号称5分钟的部署，实际耗时是11分钟。体验耗时就如此，那正式环境岂不是需要更久，非常期待后期优化。虽然一键部署简化了操作流程，但整个系统的构建和运维仍然需要较高的技术门槛。用户需要具备一定的云计算、大数据处理、AI算法等方面的知识和技能，才能充分发挥系统的全部优势。
    踩0 评论0
  • 回答了问题 2024-07-22

    你试过一秒钟出现在世界各地的感觉吗？使用一键人像抠图换背景，让你拥有任意门

    配置过程 本次体验不依赖任何底层环境的搭建，可以直接前往魔塔社区进行体验，点击前往根据页面提示，完成抠图体验需要准备一张人像照片和一张背景图片。如果你一时半会找不到理想的人像和背景图片，也可以直接使用官网提供的默认图片模板。我这里选择了一张皮卡丘的图片以及一张月圆之夜的背景图。生成效果如下 输出结果 从生成效果来看，在抠图方面做的并不好，皮卡丘左侧的耳朵没有抠出来；而对于换背景这个，效果也是并太理想，相当于是直接把抠图放上去了一样，背景的底图没有做优化，很生硬。为了生成的更好的效果，我换了一组图，生成的效果如下：这次的生成效果也有不足，抠图方面存在人像细节没有抠完整，比如头饰的披风就没有很好的抠下来，还有本是背景上的花朵点缀却被抠了下来；换背景方面虽然整体没啥问题，但还是没做细节的背景优化。 使用体验 通过上述体验，我总结本次使用的优点和不足如下：优点： 便捷高效：相比传统的手动抠图方法，AI抠图工具大大节省了时间和精力，即使是图像处理初学者也能轻松上手。可玩性高：通过更换不同的背景，你可以为同一张人像照片创造出多种不同的视觉效果，激发无限的创意灵感。 不足： 人像边缘不清晰，与背景并没有完美分离，存在多余像素或瑕疵。人像与新背景在色彩、光照等方面并没有自然融合，看起来很生硬。
    踩0 评论0
  • 回答了问题 2024-07-17

    人工智能与“人工”之间如何平衡？

    1. 明确人机分工，发挥各自优势 在制造业中，人工智能和机器人已经广泛应用于生产线，实现了高度自动化，大大提高了生产效率和产品质量。然而，这并不意味着人类员工将被完全取代。相反，人类员工可以转向更高级、更具创造性的工作，如产品设计、工艺优化、质量控制等。例如，在汽车制造领域，AI和机器人负责精确组装和检测，而人类工程师则专注于新车型的研发和设计，这种分工合作使得整个生产过程既高效又富有创新性。 2. 促进人机协作，提升整体效能 在医疗领域，AI技术被广泛应用于辅助诊断、药物研发等方面，但其决策往往基于大数据和算法，缺乏人类医生的临床经验和人文关怀。因此，人机协作显得尤为重要。医生可以利用AI提供的精准数据和分析结果，结合自身的专业知识和患者情况，做出更加全面和个性化的治疗方案。这种协作不仅提高了医疗服务的效率和质量，也保留了医疗行业的“温度”。 3. 培养适应新时代的技能与素养 随着AI技术的普及，人类需要不断学习和掌握新的技能，以适应职场的变化。这包括数据分析、机器学习、编程等硬技能，以及创新思维、批判性思维、情感智能等软技能。例如，在教育领域，教师可以通过学习AI技术，将其融入课堂教学，提升教学效果；同时，教师也需要关注学生的情感发展和创新思维培养，这是AI难以替代的。 4. 建立合理的政策法规，保障人类权益 在享受技术红利的同时，我们必须关注技术可能带来的负面影响，如就业结构变化、隐私泄露等。因此，政府和社会各界应共同努力，建立合理的政策法规体系，保障人类的基本权益和利益。例如，通过税收和补贴政策，鼓励企业采用人机协作模式，减少对人力的过度替代；同时，加强数据保护和隐私立法，确保个人信息安全。 5. 强化人文关怀，促进人机和谐共生 最后，我们需要强化人文关怀，关注人工智能技术发展对人类情感和社会关系的影响。通过加强科普教育、文化交流等活动，提高公众对AI技术的认知和理解，减少恐惧和误解。同时，鼓励企业和社会组织关注员工的心理健康和职业发展，为他们提供必要的支持和帮助，确保在人机协作的过程中，人类能够保持积极的心态和创造力。 综上，寻求人工智能与人类之间的和谐平衡点，需要我们明确人机分工、促进人机协作、培养新时代技能与素养、建立合理政策法规以及强化人文关怀。只有这样，我们才能在享受技术红利的同时，保障人类工作的价值与意义，促进人机协作共生。
    踩0 评论0
  • 回答了问题 2024-07-17

    如何借助AI技术为NAS注入新活力？

    1. 数据智能管理与优化 内容智能识别和分类：AI NAS能够在用户上传文档或照片时，进行内容智能识别和分类。这包括对人物、事物、文字、图片场景等进行分类聚合，支持智能快速描述搜索，使得数据检索和管理更加便捷高效。敏感内容处理：AI NAS还能对身份证等敏感内容进行模糊处理，保护用户隐私安全。同时，通过超分等技术实现批量改善老照片清晰度等操作，提升用户体验。本地化自学习能力：AI NAS具备本地化自学习能力，能够消化个人和企业数据，帮助用户智能管理数据，实现数据的有效利用和长期保存。 2. 提升处理速度和效率 智能化调度与分配：利用AI技术优化数据存储管理算法，如首适应（First-Fit）和最佳适应（Best-Fit）算法，结合AI的预测分析能力，可以更有效地分配和调度存储资源，提升数据处理速度。自动化处理流程：AI技术可以自动化处理数据备份、迁移、删除等任务，减少人工干预，提高整体处理效率。例如，通过配置生命周期规则，自动将过期的数据删除或迁移到成本更低的存储类型中。 3. 灵活共享与协同工作 多用户权限管理：AI NAS可以支持多用户权限管理，确保数据在共享过程中的安全性和合规性。通过智能化的权限分配和访问控制，实现数据的灵活共享和协同工作。实时协同编辑：对于创意工作者和团队来说，AI NAS可以提供高速的文件传输和实时协同编辑功能。无论团队成员身处何地，都可以快速访问和编辑同一份文件，提升工作效率和团队协作能力。 4. 实际应用案例与体验 创意工作者：摄影师和设计师可以利用AI NAS进行大规模文件管理和备份，同时实现作品的协同编辑和高速传输。这不仅提高了工作效率，还保证了数据的安全性和可靠性。企业用户：企业可以通过AI NAS实现海量数据的智能管理和优化，降低存储成本，提升数据处理速度。同时，AI NAS的灵活共享功能也促进了企业内部的协同工作和知识共享。综上，借助AI技术为NAS注入新活力，可以显著提升数据存储、管理和共享的效率与智能化水平。这不仅满足了大数据时代对存储系统的高标准需求，也为个人和企业用户带来了更加便捷、高效、安全的数据管理服务。
    踩0 评论0
  • 回答了问题 2024-07-17

    数据存储阶段，哪些小妙招有助于优化成本

    多元数据需要得到有效的治理，有哪些数据治理的办法值得一试？（必答） 对于多元数据的治理，如下是我以为值得一试的方法：1、数据分类与标签化：首先对数据进行分类，并根据其业务价值、敏感度、访问频率等属性打上标签。这有助于后续的数据管理和策略制定。2、数据质量管理：建立数据质量标准和监控机制，确保数据的准确性、完整性、一致性和及时性。使用数据清洗和校验工具来纠正错误数据。3、数据安全管理：实施数据加密、访问控制、审计跟踪等安全措施，保护数据免受未经授权的访问、泄露或篡改。4、数据访问与共享管理：建立数据访问权限管理制度，确保数据在合法、合规的前提下被访问和共享。同时，制定数据共享策略，促进数据在组织内外的有效利用。5、数据备份与恢复：制定数据备份策略，定期备份重要数据，并确保备份数据的完整性和可恢复性。在数据丢失或损坏时，能够迅速恢复数据。6、数据生命周期管理：根据数据的业务价值和访问频率，制定数据保留和销毁策略。对于不再需要的数据，及时删除或迁移到成本更低的存储介质中。 您是如何降低云上数据存储成本的？请分享下您的妙招。（必答） 降低云上数据存储成本的方法有很多，如下是实践中我常用的一些实用的妙招：1、使用分层存储：根据数据的访问频率和重要性，将数据存储在不同成本效益的存储类型中。例如，将频繁访问的热数据存储在高性能的SSD存储中，而将较少访问的冷数据迁移到成本更低的HDD存储或归档存储中。2、配置生命周期规则：在云存储服务（如阿里云OSS）中配置生命周期规则，自动将过期的数据删除或迁移到成本更低的存储类型中。这可以显著减少不必要的存储费用。3、数据压缩与去重：在存储之前对数据进行压缩和去重处理，减少存储空间的占用。虽然这可能会增加一些处理时间，但长期来看可以节省大量的存储成本。4、定期审查和优化存储使用情况：定期审查云存储的使用情况，识别并删除不再需要的数据。同时，优化存储配置和策略，确保存储资源得到合理利用。5、利用云存储的定价优惠：关注云服务商的定价优惠活动，如预留容量折扣、使用量阶梯定价等。合理利用这些优惠可以降低存储成本。 您是否使用过自动化工具进行数据生命周期管理？使用体验如何？（必答） 我使用过自动化工具进行数据生命周期管理，并且使用体验非常好。首先自动化工具能够极大地简化数据生命周期管理的流程，减少人工干预和错误。通过使用自动化工具，我可以轻松地配置生命周期规则，实现数据的自动迁移、删除和归档等操作。这不仅提高了工作效率，还降低了存储成本。此外，自动化工具通常提供了丰富的监控和报告功能，使我能够实时了解数据的存储状态和生命周期管理效果。这有助于我及时发现并解决问题，确保数据的安全性和合规性。综上，自动化工具是进行数据生命周期管理的有力工具，它们能够显著提高管理效率、降低成本并保障数据质量。
    踩0 评论0
正在加载, 请稍后...
滑动查看更多
正在加载, 请稍后...
暂无更多信息