Net程序员学习Ai-1

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

1.无

1.机器学习介绍概念
2.人工智能概念介绍
3.掌握环境的安装使用
4.掌握通义千问注册流程

人工智能（AI）
│
├── 传统AI（规则系统、搜索算法等）
│
└── 机器学习（ML）
 │
 ├── 传统机器学习（SVM、决策树、随机森林等）
 │
 └── 深度学习（DL）
 │
 ├── CNN（计算机视觉）
 ├── RNN（自然语言处理）
 └── ...

- 结果达到要求，上线服务
- 没有达到要求，重新上面步骤

- 结果达到要求，上线服务
- 没有达到要求，重新上面步骤

- 由特征值+目标值（部分数据集没有）构成

- 训练数据（70%-80%）和测试数据（20%-30%）

假设上面的房价预测，只有五个样本，对应的
真实值为：100,120,125,230,400
预测值为：105,119,120,230,410

import matplotlib.pyplot as plt
%matplotlib inline
plt.figure(figsize=(20,8),dpi=100)
plt.plot([1,2,3],[3,4,5])
plt.show()

python -m venv 文件夹名
例如: python -m venv testjupyter
进入到testjupyter文件夹下的Scripts文件夹，安装jupyter

# 输入命令
jupyter notebook

notebook的文档格式是.ipynb

命令模式下回车Enter或鼠标双击
按Esc

- Ctrl+Enter
Shift+Enter
- M
- A
- B
Y
- Z
- L
- Ctrl+Shift+P
- 快速跳转到首个cell，Crtl+Home
- 快速跳转到最后一个cell，Crtl+End
双击D
- 为一行或多行代码添加/取消注释：Ctrl+/
补全代码：变量、方法后跟Tab键
- 回退：Ctrl+Z
- 重做：Ctrl+Y
多光标操作：Ctrl键点击鼠标

pip install jupyterlab-language-pack-zh-CN

注意：在 Windows 系统中，路径分隔符应使用双反斜杠 \ 或者原始字符串 r'D:My FolderAandeleAJupyter'

Qwen-7B是阿里云研发的通义千问大模型系列中的一个重要成员，它是一个具有70亿参数规模的语言模型。以下是关于Qwen-7B参数的详细介绍：

1. 参数规模
参数数量：Qwen-7B拥有70亿（7B）参数，这使得它在处理自然语言任务时具有强大的能力。
2. 架构与技术特点
基于Transformer架构：Qwen-7B采用了类似于LLaMA等模型的Transformer架构，这种架构在处理自然语言任务时表现出色。
优化与改进：Qwen-7B在标准Transformer的基础上进行了多项优化和改进，如使用非连接嵌入、旋转位置嵌入、RMSNorm代替LayerNorm等，以提升模型的性能和效率。
3. 预训练与性能
预训练数据：Qwen-7B在超过2.2万亿个标记（token）的自建大规模预训练数据集上进行了训练，这些数据集涵盖了文本、代码等多种数据类型，广泛覆盖通用领域和专业领域。
模型性能：Qwen-7B在多个评测数据集上展现出了出色的表现，包括自然语言理解与生成、数学运算解题、代码生成等领域。相较于同规模的开源模型，Qwen-7B在多个基准测试上通常表现更好，甚至在某些情况下超越了更大规模的语言模型。
4. 特定功能与特性
多语言支持：Qwen-7B采用了一个包含151,851个标记的词汇表，这使得它在分词效率方面具有优势，并且更加友好地支持其他语言。用户可以轻松在Qwen-7B基础上训练特定语言的7B语言模型。
长上下文支持：Qwen-7B及其衍生模型均支持长达8K的上下文长度（就是8000多个中文字符），这为用户提供了更大的输入空间，有助于模型在处理复杂对话或长文本时保持连贯性和准确性。
插件调用与优化：Qwen-7B-Chat在插件调用方面做出了特定优化，使得模型能够有效调用插件并升级为Agent。这一特性使得用户可以开发基于Qwen-7B的LangChain、Agent甚至Code Interpreter等应用。
5. 部署与应用
部署环境：为了保证Qwen-7B的稳定运行，通常需要较大的内存和存储空间。例如，在部署Qwen-7B-Chat时，可能需要至少64 GiB的内存和100 GiB的数据盘空间。
应用场景：Qwen-7B可以应用于多种自然语言处理任务中，包括但不限于聊天机器人、问答系统、文本生成等。通过微调和优化，Qwen-7B还可以适应特定领域或任务的需求。

ChatGPT是一款由OpenAI公司开发的人工智能技术驱动的自然语言处理工具，全称为“Chat Generative Pre-trained Transformer”。以下是关于ChatGPT的详细介绍：

一、技术背景
模型架构：ChatGPT基于GPT（Generative Pre-trained Transformer）模型架构，特别是GPT-3.5或GPT-4架构（具体版本可能随时间更新）。GPT系列模型是OpenAI在自然语言处理（NLP）领域的重要研究成果，通过深度学习技术理解和生成人类语言。
神经网络：ChatGPT使用了Transformer神经网络架构，这是一种用于处理序列数据的模型，特别擅长处理文本数据。
二、功能特点
对话生成：ChatGPT可以与用户进行自然、流畅的对话，提供实时的智能问答功能。这种能力在客户服务、智能助手和聊天机器人等领域具有很高的价值。
文本生成：除了对话，ChatGPT还具备强大的文本生成能力，可以根据给定的主题、关键词或开头，自动生成结构合理、内容丰富的文章、新闻、广告等。
编程帮助：ChatGPT可以理解和生成编程语言，为程序员提供实时的编程帮助，如解答代码问题、提供代码示例、帮助检查和调试程序。
语言翻译：支持多语言处理，能够实现多语言之间的实时翻译，为跨语言交流提供便利。
教育辅导：可以作为在线教育辅导工具，帮助学生解答学术问题，提供定制化的学习建议和资料。
创意写作：帮助用户进行故事创作、诗歌写作等，激发灵感、拓展思路。
数据分析与摘要：从大量数据和文本中提取关键信息，生成简洁明了的摘要，在商业分析、学术研究等领域具有应用价值。
三、训练方式
预训练：ChatGPT在大量无标签的文本数据上进行预训练，学习语言结构、语法和语义等知识。
强化学习：OpenAI采用了“从人类反馈中强化学习”（Reinforcement Learning from Human Feedback, RLHF）的训练方式，对ChatGPT进行微调，以提高其生成内容的准确性和质量。

ChatGLM是一种由清华技术成果转化的公司智谱AI研发的支持中英双语的对话机器人。
ChatGLM3-6B 是 ChatGLM 系列最新一代的开源模型，在保留了前两代模型对话流畅、部署门槛低等众多优秀特性的基础上，ChatGLM3-6B 引入了如下特性：

更强大的基础模型： ChatGLM3-6B 的基础模型 ChatGLM3-6B-Base 采用了更多样的训练数据、更充分的训练步数和更合理的训练策略。在语义、数学、推理、代码、知识等不同角度的数据集上测评显示，ChatGLM3-6B-Base 具有在 10B 以下的预训练模型中最强的性能。
更完整的功能支持： ChatGLM3-6B 采用了全新设计的 Prompt 格式，除正常的多轮对话外。同时原生支持工具调用（Function Call）、代码执行（Code Interpreter）和 Agent 任务等复杂场景。
更全面的开源序列： 除了对话模型 ChatGLM3-6B 外，还开源了基础模型 ChatGLM-6B-Base、长文本对话模型 ChatGLM3-6B-32K。以上所有权重对学术研究完全开放，在填写问卷进行登记后亦允许免费商业使用。

Kimi模型是由月之暗面科技有限公司（Moonshot AI）推出的一款基于深度学习和自然语言处理技术的人工智能模型。以下是对Kimi模型的详细介绍：

一、技术背景与特点
技术基础：Kimi模型采用了深度学习技术，特别是神经网络，来模拟人类大脑的工作原理，实现智能决策和学习能力。
超长上下文学习：Kimi模型通过优化网络结构和工程设计，实现了高达200万字的无损上下文输入，远超GPT-4等模型。这种能力使得Kimi在处理长文本和复杂对话时，能够保持连贯性和一致性。
多模态对齐：Kimi模型支持多模态信息的处理，包括文本、语音、视觉等。通过将不同模态的信息映射到统一的语义空间，Kimi实现了跨模态的理解和交互，提高了应答的多样性和准确性。
个性化调优：Kimi模型支持针对不同应用场景和角色设定的个性化调优。在基础模型之上进行微调，以匹配用户偏好和特定场景的需求。
二、功能与应用
强大的数据处理和分析能力：Kimi能够快速理解和回应用户的问题，为用户提供及时、准确的信息支持。
广泛的知识覆盖：Kimi拥有广泛的知识库，能够提供包括科技、文化、历史、教育等多个领域的信息，满足用户多样化的知识需求。
便捷的文件处理：用户可以将不同格式的文件发送给Kimi，如TXT、PDF、Word文档、PPT幻灯片、Excel电子表格等，Kimi能够阅读这些文件内容并提供相关的回答，极大地方便了用户的资料整理和信息查询。
智能搜索功能：Kimi具备访问互联网的能力，可以安全地获取网络上的信息，并根据用户的问题生成更直接、更准确的答案。
三、用户交互体验
友好的用户交互界面：Kimi设计了友好的用户交互界面，使得用户可以轻松地与其进行交流，无需复杂的操作。
高效使用建议：为了提高用户的使用效率，Kimi提供了一些高效使用的小技巧，如明确具体的问题、使用关键词、分步提问等。

文心一言（英文名：ERNIE Bot）是百度基于文心大模型技术推出的生成式对话产品，被外界誉为“中国版ChatGPT”。它作为百度全新一代知识增强大语言模型，是文心大模型家族的新成员，能够与人对话互动，回答问题，协助创作，高效便捷地帮助人们获取信息、知识和灵感。以下是文心一言的详细介绍：

一、技术背景
文心大模型技术：文心一言基于百度在人工智能领域深耕多年的文心大模型ERNIE技术，具备跨模态、跨语言的深度语义理解与生成能力。
飞桨深度学习平台：文心一言依托于百度的飞桨深度学习平台，持续从海量数据和大规模知识中融合学习，具备知识增强、检索增强和对话增强的技术特色。
二、发展历程
内测与发布：百度于2023年2月官宣文心一言将在三月份完成内测，面向公众开放。3月16日，百度在北京总部召开新闻发布会，正式发布文心一言。
云服务上线：文心一言云服务于3月27日上线，之后逐步向全社会全面开放。
版本迭代：文心一言不断进行技术升级，提升模型性能和推理效率，以满足不同场景下的应用需求。
三、功能特点
生成式对话：文心一言能够与用户进行自然语言对话，理解用户意图并生成相应的回复。
知识增强：通过融合海量数据和大规模知识，文心一言能够提供更准确、更丰富的信息支持。
多模态生成：除了文本生成外，文心一言还具备文生图等多模态生成能力，满足用户多样化的创作需求。
写作辅助：文心一言可以自动分析用户的文本内容，给出智能化的写作建议和纠错提示，帮助用户提高写作效率和质量。
四、应用场景
智能客服：在客服领域，文心一言可以代替人工客服与用户进行对话，解决用户问题，提高服务效率。
内容创作：在文学创作、商业文案创作等领域，文心一言可以辅助用户生成高质量的内容。
智能搜索：文心一言与百度搜索等应用结合，可以为用户提供更智能、更个性化的搜索体验。
行业赋能：在金融、能源、媒体、政务等千行百业中，文心一言可以助力企业实现智能化变革，提升生产力和创新能力。

pip install dashscope

# 用您的 DashScope API-KEY 代替 YOUR_DASHSCOPE_API_KEY
export DASHSCOPE_API_KEY=""

echo $DASHSCOPE_API_KEY

# 用您的 DashScope API-KEY 代替 YOUR_DASHSCOPE_API_KEY
export DASHSCOPE_API_KEY="sk-e7646bb1ca104d1dbb0f1560d848e75e"

# 用您的 DashScope API-KEY 代替 YOUR_DASHSCOPE_API_KEY
echo "export DASHSCOPE_API_KEY='sk-e7646bb1ca104d1dbb0f1560d848e75e'" >> ~/.bashrc

source ~/.bashrc

echo $DASHSCOPE_API_KEY

# 用您的 DashScope API-KEY 代替 YOUR_DASHSCOPE_API_KEY
export DASHSCOPE_API_KEY="sk-e7646bb1ca104d1dbb0f1560d848e75e"

echo $DASHSCOPE_API_KEY

# 用您的 DashScope API-KEY 代替 YOUR_DASHSCOPE_API_KEY
export DASHSCOPE_API_KEY="sk-e7646bb1ca104d1dbb0f1560d848e75e"

# 用您的 DashScope API-KEY 代替 YOUR_DASHSCOPE_API_KEY
 如果您的Shell类型是Zsh，运行以下命令
echo "export DASHSCOPE_API_KEY='sk-e7646bb1ca104d1dbb0f1560d848e75e'" >> ~/.zshrc

 如果您的Shell类型是Bash，运行以下命令
echo "export DASHSCOPE_API_KEY='sk-e7646bb1ca104d1dbb0f1560d848e75e'" >> ~/.bash_profile

# 如果您的Shell类型是Zsh，运行以下命令
source ~/.zshrc

# 如果您的Shell类型是Bash，运行以下命令
source ~/.bash_profile

echo $DASHSCOPE_API_KEY

# 用您的 DashScope API-KEY 代替 YOUR_DASHSCOPE_API_KEY
set DASHSCOPE_API_KEY="YOUR_DASHSCOPE_API_KEY"

echo %DASHSCOPE_API_KEY%

# 用您的 DashScope API-KEY 代替 YOUR_DASHSCOPE_API_KEY
setx DASHSCOPE_API_KEY "YOUR_DASHSCOPE_API_KEY"

echo %DASHSCOPE_API_KEY%

import os
from dashscope import Generation

messages = [
 {'role': 'system', 'content': 'You are a helpful assistant.'},
 {'role': 'user', 'content': '你是谁？'}
 ]
response = Generation.call(
 # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key = "sk-xxx",
 api_key=os.getenv("DASHSCOPE_API_KEY"),
 model="qwen-plus", # 模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
 messages=messages,
 result_format="message"
)

if response.status_code == 200:
 print(response.output.choices[0].message.content)
else:
 print(f"HTTP返回码：{response.status_code}")
 print(f"错误码：{response.code}")
 print(f"错误信息：{response.message}")
 print("请参考文档：https://help.aliyun.com/zh/model-studio/developer-reference/error-code")

from http import HTTPStatus
import dashscope


def call_with_prompt():
 response = dashscope.Generation.call(
 model=dashscope.Generation.Models.qwen_turbo,
 prompt='请介绍一下通义千问'
 )
 # 如果调用成功，则打印模型的输出
 if response.status_code == HTTPStatus.OK:
 print(response)
 # 如果调用失败，则打印出错误码与失败信息
 else:
 print(response.code) 
 print(response.message) 

if __name__ == '__main__':
 call_with_prompt()

1.人工智能的发展历史
2.目前常用的大模型的类型
3.jupyter notebook的安装使用
4.通义千问的注册及调用

相关推荐