整除的总数

难度：白银

时间限制：1秒

巴占用内存：64M

输入正整数N和M,其中N<=M。求区间[N,M]中可被K整除的总数。

格式

输入格式：输入正整数N,M和K,空格分隔。

输出格式：输出整型

#include <bits/stdc++.h>>
using namespace std;
int main(){
    int n,m,k;
    cin >>n >>m >>k;
    int num =0;
    for (int i=n /k * k;i <=m;i = i+k)
        if (i >= n) num++;
    cout << num;
    return 0;
}

一切就绪后，服务器将从端口8000启动，你可以直接转到http://localhost:8000访问它！

有了这个，你就可以尝试GPT-2探测器模型了！

识别神经假新闻

探测器模型的接口非常简单。我们只需复制粘贴一段文本，它就会告诉我们它是“真的”还是“假的”，这取决于它是否由机器（GPT-2模型）生成。

以下是我使用Transformers 2.0库从GPT-2生成的文本：

如你所见，尽管文本看起来很有说服力和连贯性，但模型直接将其归类为“假的”，准确率为99.97%。

这是一个非常有趣的工具使用，我建议你去尝试不同的例子，生成和未生成的文本，看看它如何执行！

在我的例子中，我通常注意到这个模型只能很好地识别GPT-2模型生成的文本。这与Grover完全不同，Grover是我们将在下一节中学习的另一个框架。Grover可以识别由各种语言模型生成的文本。

你可以在Facebook的博客上关于RoBERTa的架构和训练方法。如果你对如何实现检测器模型感到好奇，可以在GitHub上检查代码。

Grover
Grover是我在本文讨论的所有选项中最喜欢的工具。与GLTR和GPT-2检测器模型仅限于特定模型不同，它能够将一段文本识别为由大量多种语言模型生成的伪文本。

作者认为，检测一段文本作为神经假新闻的最佳方法是使用一个模型，该模型本身就是一个能够生成此类文本的生成器。用他们自己的话说：

“生成器最熟悉自己的习惯、怪癖和特性，也最熟悉类似人工智能模型的特性，特别是那些接受过类似数据训练的人工智能模型。”–Zellers等人

乍一看听起来有违直觉，不是吗？为了建立一个能够检测出神经假新闻的模型，他们继续开发了一个模型，这个模型一开始就非常擅长生成这样的假新闻！

听起来很疯狂，但背后有自己的一个科学逻辑。

Grove是怎么工作的？
问题定义

Grover将检测神经假新闻的任务定义为一个具有两个模型的对抗游戏：

设置中有两个模型用于生成和检测文本

对抗模型的目标是产生虚假的新闻，这些新闻可以是病毒性传播的，或者对人类和验证模型都有足够的说服力

验证器对给定文本是真是假进行分类：

验证者的训练数据包括无限的真实新闻，但只有一些来自特定对手的假新闻
这样做是为了复制真实世界的场景，在真实世界中，对手提供的虚假新闻数量与真实新闻相比要少得多
这两种模式的双重目标意味着，攻击者和捍卫者之间在“竞争”，既产生虚假新闻，又同时发现虚假新闻。随着验证模型的改进，对抗模型也在改进。

神经假新闻的条件生成
神经假新闻的最明显特征之一是它通常是“有针对性的”内容，例如点击诱饵或宣传，大多数语言模型（例如BERT等）都不允许我们创建这种受控文本。

Grover支持“受控”文本生成。这仅仅意味着除了模型的输入文本之外，我们可以在生成阶段提供额外的参数。这些参数将引导模型生成特定的文本。

但这些参数是什么？考虑一下新闻文章——有助于定义新闻文章的结构参数是什么？以下是Grover的作者认为生成文章所必需的一些参数：

领域：文章发布的地方，它间接地影响样式

日期：出版日期

作者：作者姓名

标题：文章的标题，这影响到文章的生成

正文：文章的正文

结合所有这些参数，我们可以通过联合概率分布对一篇文章进行建模：

现在，我将不再深入讨论如何实现这一点的基础数学，因为这超出了本文的范围。但是，为了让你了解整个生成过程的样子，这里有一个示意图：

下面是流程：

在a行中，正文由部分上下文生成（缺少作者字段）

在b行中，模型生成作者

在c行中，该模型重新生成提供的标题，使之更为真实
————————————————
版权声明：本文为CSDN博主「磐创 AI」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/fendouaini/article/details/106744426