挑大梁的专栏

原创 基于YOLOv8的目标识别、计数、电子围栏的项目开发过程

用于生产环境中物体检测、识别、跟踪，人、车流量统计，越界安全识别YOLOv8 是Ultralytics的YOLO的最新版本。作为一种前沿、最先进(SOTA)的模型，YOLOv8在之前版本的成功基础上引入了新功能和改进，以提高性能、灵活性和效率。YOLOv8支持全范围的视觉AI任务，包括检测、分割,、姿态估计、跟踪和分类。这种多功能性使用户能够利用YOLOv8的功能应对多种应用和领域的需求。

原创 基于传统机器学习模型算法的项目开发详细过程

详细阐述了基于传机器学习模型算法开发项目的详细步骤

原创 九、大模型之Fine-Tuning（2）

角色后跟随的是metadata，对于function calling来说，metadata是调用的函数和相应参数；get_weather\n```python\ntool_call(location=“北京”)```实际应用中，我们只需要将上述数据，与ChatGLM 3的标准数据格式对齐，就可调用其原生的数据加载器，自动完成数据拼接。微调：在预训练的基础上，使用自己的特定数据集上进行训练，对训练参数进行微调。\n根据天气工具的信息，北京的天气是：温度 12 摄氏度，有雾。

原创 八、每晚准时入眠的五个关键要素(The 5 Keys to Falling Asleep On Time Every Night)

不幸的是，这也会影响后续的睡眠。咖啡因当下的刺激很快就会消失，但它在大脑中的半衰期长得惊人，意味着即使过了几个小时，你的身体里残留的咖啡因仍然不可忽略。然而，问题在于，咖啡因并没有使腺苷酸真正排出体外(或像睡眠那样有恢复精力的好处)，因此当咖啡因也坚持不住的时候，之前积累的所有腺苷酸都会回来，使你感觉比之前更糟糕。然而，正如沃克在书中指出的，打盹可以减少一些积攒的腺苷酸，但反过来也会使晚上的入睡变得更困难。不幸的是，在现代环境中，我们时刻处于灯泡和屏幕的照明中，使这个系统很容易就和外部时间不同步。

原创 白话人工智能之⌈大语言模型⌋

LLM。

原创 白话人工智能之⌈自然语言处理⌋

原创 白话人工智能之⌈自然语言处理⌋

原创 白话人工智能之⌈多目标追踪⌋

track。

原创 白话人工智能之⌈机器视觉目标检测⌋

原创 白话人工智能之⌈机器视觉目标分类⌋

原创 白话人工智能之⌈深度学习⌋

deep learning 1deep learning2

原创 白话人工智能之⌈决策树⌋

原创 白话人工智能之⌈支持向量机⌋

SVM。

原创 白话人工智能之⌈逻辑回归⌋

白话人工智能之⌈逻辑回归⌋

原创 白话人工智能之⌈线性回归⌋

白话人工智能之⌈线性回归⌋

原创 八、大模型之Fine-Tuning（1）

通过HuggingFace，可以指定模型名称，运行自动下载对应Tokenizer。这些损失函数也可以组合使用（在模型蒸馏的场景常见这种情况），例如。为了让训练过程更好的收敛，人们设计了很多更复杂的求解器。6.定义数据规整器：训练时自动将数据拆分成Batch。加载数据集—>数据预处理—>数据规整器—>训练器。——假设是概率分布 p,q 是离散的。是一个预先定义的权重，也叫一个「超参」4. 加载Tokenizer。(等价于欧式距离，见下文)：转成模型接受的输入格式。

原创 七、Audio,Paper or Kindle:What‘s the best way to read a book?听书、纸书、电纸书，阅读方式该怎么选？

下载样章的功能已经成了我安排阅读序列的新方法–每当听说一本好书，我就下载样章，直到读完之后才买。例如，我在写书评时，经常会再读一遍笔记和画的重点，从而重新想起我对书的理解。你几乎不会按照词句的线性顺序阅读内容，而是随着掌握更多信息，会翻回前面的内容，帮助理解新的知识。然而，我对这项研究的整体印象是，不同形式的书阅读效果差异很小，相比个人偏好或方便性而言不值一提。附注:我非常喜欢电子搜索，以至于当只有纸质书(这对于学术书/教材来说很常见)时，我通常会用谷歌图书的搜索功能找到包含想要信息的页码。

原创 六、保持长期高效的七个法则(二)Rules for Staying Productive Long-Term(2)

如果你每天都在从事一份你讨厌的工作，如果你在学习一个被迫学习而不是自由选择的专业，如果你梦想的工作已经成为噩梦，我那么没有生产力系统可以解决这个问题.在MIT挑战期间，任务本身更庞大也更模糊，我的每天目标会是这样的:全天做课堂习题。在此设定固定的工作时间更合理，这样我就可以在需要的时候保持专注，但仍然给自己留有放松的时间。在一年不说英语项目期间，就像MIT挑战一样，我有设定时间的核心任务，但也养成专门的习惯做一些小任务，例如在正常的工作节奏之外记识字卡或听播客，这帮助我抓住一天中的空闲时间。

原创 七、LLM维护平台LangFuse实战

项目地址：https://github.com/langfuse。官方网站：https://langfuse.com/通过docker compose up -d安装。将解析数据上传至创建的数据集my_dataset。实际调用,判断是否为新问题，需要回答。构建 PromptTemplate。创建自己的项目获得API Key。初始化大纲和问题列表。加载prompt测试。

原创 六、大模型开发框架LangChain

将大语言模型作为一个推理引擎。给定一个任务，智能体自动生成完成任务所需的步骤，执行相应动作（例如选择并调用工具），直到任务完成。

原创 彻底学会系列：一、机器学习之梯度下降（2）

在梯度下降优化过程中，目标是最小化损失函数，通过调整模型参数使得损失函数的值最小化，从而得到最优的模型参数。: 在高维空间中，梯度下降算法可能面临维度灾难（curse of dimensionality）的挑战，即随着特征空间维度的增加，优化问题变得更加复杂，梯度下降算法的效率会大大降低。: 使用正则化技术，如L1正则化、L2正则化等，可以防止过拟合，提高模型的泛化能力，进而提高算法的性能。: 在深度神经网络中使用批归一化技术，可以加速收敛速度，提高模型的稳定性和泛化能力，进而提高算法的性能。

原创 彻底学会系列：一、机器学习之梯度下降（1）

是一种优化算法，用于最小化一个函数的值，特别是用于训练机器学习模型中的参数，其基本思想是通过不断迭代调整参数的值，使得函数值沿着梯度的反方向逐渐减小，直至达到局部或全局最小值。学习率设置得太小，参数更新的步长就会很小，导致收敛速度缓慢，需要更多的迭代次数才能收敛到最优解，或者在达到最优解之前就提前停止。方法，选定一个经验初始值，一步步沿着梯度的反方向进行计算，使方程解尽快达到收敛，并得出最优解。学习率的是一个经验，把它设置成一个比较小的正整数，0.1、0.01、0.001、0.0001，

原创 五、保持长期高效的七个法则(二)Rules for Staying Productive Long-Term(1)

对他们而言，把低优先级的工作先放一放，灵感一来就立刻开始写作是有道理的。运用一个生产力系统，不仅意味着要遵循它的基本准则，还要发展出一种处理系统例外情况的技能，从而使之更有用，而不是更没用。评价你的系统更好的、长期的答案应该是，当你回顾过去一个季度、一年或十年使用系统的情况时，你已经取得了很多有意义的成就。举例来说，假设你是一名作家，今天有一堆事情要做，但突然之间，你有了一个很好的想法，可以写一篇文章。这就导致在开始一个新系统的时候，花费很多精力，做了很多事情，然后当你无法维持这种状态时，就会感到失望。

原创 五、OpenAI实战之Assistants API

在8线小城的革委会办公室里，黑8和革委会主任的对话再次展开。黑8：主任，您知道吗？除了OpenAI API，现在还有一项新的技术叫做Assistants API，它可以帮助我们更好地进行对话和沟通。主任：Assistants API？听起来很神奇，它有什么特别之处吗？黑8：是的，主任。Assistants API不仅可以生成自然流畅的文本，还能理解对话中的语境和情境，从而更加智能地回应用户的需求。它可以模拟人类对话，进行智能问答、提供建议和解决问题，为我们的工作和生活带来更多便利。主任：这听起来确实很有用。

原创 四、保持长期高效的七个法则(一)7 Rules for Staying Productive Long-Term（2）

但如果你的任务模糊不清，或者是开放式的，这个系统就没那么好用了。那么，我们所需要的，就是一种处理规则例外的方法，而不需要做太多特别的调整，以至于原先的系统变得没有意义。遗憾的是，没有办法创建一个这样的元规则列表，因为如果存在这样的列表的话，就可以简单地将它们纳入原来的系统中。固定时间表生产力系统想要抗衡的是不断加班的倾向，让你的办公时间渗入家庭生活。因此，在你开始运用一个系统前，重要的是询问它背后的假设是什么。每一个系统，不论多么复杂，都会产生一些情况，在这些情况下，遵循它所设定的规则已经没有意义。

原创 四、OpenAI之检索增强生成模型(RAG)

LLM的知识不是实时的LLM可能不知道你的私有的领域/业务知识。

原创 三、保持长期高效的七个法则(一)7 Rules for Staying Productive Long-Term（1）

但在最坏的情况下，看到你从未在任何令人感到有点挫败的事情上取得超过昙花一现的进展，那简直令人心碎。存在无数生产力系统。想法很简单:把所有你需要做的事情(以及你准备如何做)系统化，可以避免许多内心的纠结，从而完成事情。你选择的系统就好像是你为自己制作了一个缓慢收紧的监狱，扼杀了你想要做有意义工作的意愿，而把你变成了一个机器人。这些问题是可以避免的，但需要思考一下，拥有一个生产力系统的意义是什么，它能为你做什么、不能做什么。这个系统从来没有“适合”过你的生活，而你却认为，问题在于你不知道如何在它的要求下工作。

原创 小伙伴询问AI该怎么学习？本人的一点总结，以思维导图呈现

本人学习之思维导图总结

原创 二、什么是生产力负罪感？（以及如何防止它）——What is Productivity Guilt?(And How Can You Prevent It?)

你每周应该货真价实地锻炼四次，不仅仅是慢跑，而是高强度间歇训练。还应该间歇性禁食，每天喝两加仑水，不要忘了冥想。

原创 一、How to Finish Your Work, One Bite at a Time(如何完成艰巨的任务？每次啃一小口)——The Best of Scott Young: Productive

如何合理的规划自己的任务进度，我发现了一个极其有效的方法，那就是制定每周/每天的任务计划。利用每周/每天的任务列表，你可以最大限度地完成要做的事，同时留有时间放松，享受不用追求效率的悠闲生活。一旦开了这个先例，你的“所有事情”将不在待在切分好的明天要完成的列表中，而成了你可以无限添加的待办事项。一天有24小时，但很多时间被花在吃饭、睡觉和休息上，在几个小时的全力工作之后，任何没有考虑这些因素的生产力系统都是低效的。通过把待办的事项分配到每天的任务列表上，你像大象一样大的任务就能变成可以一口口啃的任务了。

原创 六、OpenAI之嵌入式(Embedding)

OpenAI的文本嵌入衡量文本字符串的相关性。搜索（通过一个查询字符串的相关性将结果排序）聚类（通过相似性将文本字符串进行分组）推荐（推荐与文本字符串相关的条目）异常检测（相关性不大的异常值被识别出来）多样性衡量（分析相似度分布）分类（通过最相似的标签分类文本字符串）嵌入是一个浮点型的向量。用距离衡量两个向量的相关性。小的距离暗示高相关性，大的距离暗示低相关性。

原创 五、OpenAi之函数调用(Function Calling)(三)

怎样使用函数与知识库这是个笔记的创建是基于参数生成笔记的基础上，创建一个可以访问知识库的代理和两个可以根据用户需求调用的函数。我们要创建一个使用arXiv的数据的代理来回答关于学术主题的问题。有两个处理函数：- get_articles: 一个返回arXiv上的主题文章的函数，并使用链接列出摘要- read_article_and_summarize: 采用之前搜索的文章，读取整篇文章，并总结核心论点、证据和结论。

原创 三、OpenAI之Function Calling实战

黑8决心将对 OpenAI API 的学习应用到更多实际场景中，以展示新时代技术的巨大潜力。在接下来的日子里，他不断探索和尝试，将 API 中的各种功能融入到不同的生活场景中，取得了一系列令人瞩目的成果。首先，他将 OpenAI API 中的文本生成功能应用到了日常写作中。通过简单的 function calling，他可以请求 API 生成文章大纲、段落或完整的文章。例如，在准备一个关于项目的解决方案时，他使用 API 生成了一份生动而具有说服力的文章，引起了人们的关注和共鸣。

原创 五、OpenAi之函数调用(Function Calling)(二)

怎样生成函数参数指定一组函数并使用模型API生成函数参数。怎样使用模型生成的参数调用函数通过实际执行带有模型生成参数的函数来关闭循环。

原创 五、OpenAi之函数调用(Function Calling)(一)

在API调用中，您可以描述函数规范，让模型智能地选择输出包含参数的JSON对象，过程中你以调用一个或多个函数。聊天补全API自身不能调用函数；而是，让模型生成JSON，使用它调用函数代码最新的模型(gpt-3.5-turbo-0125和gpt-4-turbo-preview)已通过训练，可以检测何时应该调用函数(取决于输入)，并使用模型对符合函数签名的JSON进行响应。拥有这项能力的同时也伴随着风险。我们强烈建议在采取可能影响世界范围内的用户行为之前建立用户确认流程（例如：发邮件、发布网络、购物等待）

原创 九、优化强度(Optimizing Intensity)

重要的是，表现曲线的最优点与任务复杂性之间存在某种联系，即相比于困难任务，简单任务不太受到过分警觉的影响。你不会想要专注在一些分心的事物上，因为那会让你注意力的光束保持聚拢，而不要专注在无助于思考解决问题的领域。应该花多少时间在这种心不在焉的专注模式上，又应该花多少时间在更常规的专注模式上，取决于你面临的问题。但认识到专注的强度与所要解决问题的复杂性之间的关系是很有用的，从而可以最大化专注的有效性。然而，如果你面临的是复杂的或创造性的任务，需要利用更发散的技能和记忆，那么这束高度聚集的光线则过于脆弱。

原创 十、现在就行动(Apply This Now)

如果你应用了所有这些想法，并系统地应用一个月，你将很可能大幅提高最重要的那类工作的产出。即使你在专注方面已经做得不错，依然有机会进行提高：开始专注前是否浪费太多时间？是否因为潜在的恐惧或焦虑而避免某些类型的工作？也许你擅长利用大块时间专注，却浪费了一天中出现的半小时左右的碎片时间？你想提高专注的能力吗？7.在恰当的时候利用有效的非专注时段解决创造性问题。4.衡量专注力，逐渐提高持久性、灵活性和速度。1.组织工作空间，消除分心的事物。2.与周围的人沟通，尽量减少打扰。3.提前规划以充分利用时间。

原创 八、克服冲动(Overcoming Impulses)

推自己一把，让自己处于一个感到极不舒服的情境，让那个任务（而不是随便什么你想要追求的目标）成为你的首要事项。花一些时间想像你的目标、想象你追求这些目标的原因，以及与积极的人交谈，都有助于天平向你有利的一方倾斜。获得真正的反馈，即使那正是你所害怕的，通常可以消除你的反感。无法专注通常是由于强烈的厌恶和渴望情绪，这需要时间和有意识的努力才能消除，但认识到问题所在，永远是解决问题的第一步。情绪反感给专注造成的困难比其他更严重，因为在忽略工作导致的痛苦足够强大，以致无法再拖延下去之前，你会避免做任何事。

原创 四、OpenAI之文本生成模型(Text Generation)

文本生成模型OpenAI的文本生成模型(也叫做生成预训练的转换器(Generative pre-trained transformers)或大语言模型)已经被训练成可以理解自然语言、代码和图片的模型。模型提供文本的输出作为输入的响应。对这些模型的输入内容也被称作“提示词”。设计提示词的本质是你如何对大语言模型进行开发，通常是提供指令和任务案例来使工作得以成功完成。使用GPT-4-vision-preview，你可以构建处理和理解图片的系统。

原创 三、OpenAI所有模型介绍

例如，如果一个4K token的块在某个类别的得分为0.9901，而另一个块的得分为0.1901，那么API响应中将显示0.9901，因为它更高。选择加入的一个好处是，随着时间的推移，模型可能会在您的用例中变得更好。这些模型可以替代原有的GPT-3基座模型，并使用传统的补全API。GPT-4是1个多模态的大语言模型(可以接受文本或图片，然后输出文本)，对于解决相对较困难的问题超过之前所有的模型。对于基本的任务，GPT-4和GPT-3.5模型没有显著的区别。可以根据不同的需求选择不同的模型并进行精调。