[ChatGPT] 从 GPT-3.5 到 GPT-5 的进化之路 | ChatGPT和程序员 : 协作 or 取代

news2024/12/26 21:42:13

⭐作者介绍：大二本科网络工程专业在读，持续学习Java，努力输出优质文章
⭐作者主页：@逐梦苍穹
⭐如果觉得文章写的不错，欢迎点个关注一键三连😉有写的不好的地方也欢迎指正，一同进步😁

目录

  • I. 简介
    • A. 背景介绍
      • openAI
    • B. ChatGPT的概述
    • C. GPT-3.5和GPT-4.0的出现
  • II. ChatGPT、ChatGPT-3.5和ChatGPT-4.0的区别
    • A. 模型规模的比较
    • B. 语言理解能力的比较
    • C. 训练数据集的比较
    • D. 应用场景的比较
  • III. GPT-5的预测
    • A. GPT-5的规模预测
    • B. GPT-5的语言理解能力预测
    • C. GPT-5的应用前景
  • IV.是否会取代程序员
  • V.深度学习模型
  • VI. 对ChatGPT技术的评价和展望
    • A. 对ChatGPT技术的评价
    • B. 对ChatGPT技术的展望：
    • C.ChatGPT技术的社会影响：
  • VII. 结语

写在前面：ChatGPT官方：https://chat.openai.com/chat
任何限制次数的、功能较单一的，均不是chatgpt正版

I. 简介

A. 背景介绍

A. 背景介绍：介绍自然语言处理技术的发展历程，以及ChatGPT作为其中的一个代表性技术的背景和意义。

在这里插入图片描述

自然语言处理（NLP）技术的发展可以追溯到上世纪60年代，最初的研究主要关注于基于规则的方法，通过手动构建语言规则和语法来分析和处理文本。但是这种方法存在很多问题，例如规则繁琐、应用场景有限等。随着深度学习和神经网络的兴起，自然语言处理技术得到了快速发展。其中，基于深度学习的语言模型在自然语言处理领域取得了重要进展。

ChatGPT是由OpenAI开发的一种基于深度学习的自然语言处理技术，采用了Transformer模型，并通过大规模的无监督学习从海量语料中学习语言模型，能够生成自然语言文本、翻译文本、生成对话等。
ChatGPT可以帮助企业和组织构建更加智能化的客户服务系统，提供更加人性化的交互体验。同时，它也为研究者提供了一个强大的工具，用于研究自然语言的生成和理解能力。

openAI

在这里插入图片描述

OpenAI是一个非营利性人工智能研究机构，旨在研发和推广人工智能技术，推动人工智能技术的发展，同时关注人工智能技术可能对社会产生的影响。OpenAI成立于2015年，由伊隆·马斯克等人发起创立，总部位于美国加州旧金山。

OpenAI致力于推动人工智能技术的研发和应用，包括自然语言处理、计算机视觉、强化学习等领域。其最具代表性的研究成果包括GPT系列语言模型、AlphaGo等。此外，OpenAI还推动了许多人工智能技术的开源项目，如TensorFlow、PyTorch等，为全球人工智能技术研究和开发做出了重要贡献。

OpenAI也关注人工智能技术对社会可能产生的影响，并提出了一系列的道德准则和安全措施。OpenAI主张开发和使用人工智能技术应该遵循透明、负责任、安全等原则，防止人工智能技术被滥用或误用，同时也呼吁政府、学术界和行业组织共同推动人工智能技术的发展，并规范相关的政策和法律法规。

B. ChatGPT的概述

B. ChatGPT的概述：介绍ChatGPT的基本原理、主要功能和应用场景。

ChatGPT是一种自然语言处理技术，主要用于自然语言生成和对话系统的开发。其基本原理是基于Transformer模型，通过大规模的无监督学习从海量语料中学习语言模型。ChatGPT可以生成自然语言文本、翻译文本、生成对话等，被广泛应用于智能客服、文本生成、翻译等领域。

ChatGPT的主要功能包括：

  1. 文本生成：通过输入一些关键词或句子，ChatGPT可以自动生成相关的文章或段落，这可以应用于自动写作、自动摘要等场景。
  2. 对话生成：ChatGPT可以生成符合语法和语义的对话，帮助企业和组织构建更加智能化的客户服务系统。
  3. 翻译：ChatGPT可以将一种语言翻译成另一种语言，帮助人们在跨语言交流中更加便利。

C. GPT-3.5和GPT-4.0的出现

C. GPT-3.5和GPT-4.0的出现：介绍GPT-3.5和GPT-4.0的背景和新特性。

GPT-3.5和GPT-4.0是在ChatGPT基础上进一步发展的自然语言处理技术。GPT-3.5相较于GPT-3有了更大的规模和更多的参数，提高了语言理解能力和生成能力；而GPT-4.0在GPT-3.5的基础上进一步提升了自然语言处理的能力和效果，增加了更多的新特性和功能。
在这里插入图片描述

GPT-3.5的主要特点包括：

  1. 更大的模型规模：GPT-3.5相比GPT-3的规模增加了约40%，总参数量达到1.8万亿个，使其能够处理更复杂的任务和语言结构。
  2. 更强的语言理解能力：GPT-3.5在语言理解能力方面有了更大的提升，可以更好地理解语言的含义、语义和语法。
  3. 更优秀的生成能力：GPT-3.5可以生成更加自然流畅的文本，生成的文本质量和连贯性更高。

GPT-4.0是在GPT-3.5的基础上进一步提高了自然语言处理的能力和效果，主要特点包括：

  1. 更深的模型结构：GPT-4.0采用了更深的模型结构，可以更好地处理复杂的自然语言任务。
  2. 更强的语言理解和生成能力：GPT-4.0在语言理解和生成能力方面有了更大的提升，可以更好地理解语言的含义、语义和语法，并生成更加自然、流畅的文本。
  3. 更广泛的应用场景：GPT-4.0可以应用于更广泛的自然语言处理场景，包括文本生成、对话系统、自动摘要、机器翻译等。

总的来说，GPT系列技术的发展代表了自然语言处理技术的最新进展，将为人工智能和自然语言处理领域的发展带来更多的机会和挑战。

II. ChatGPT、ChatGPT-3.5和ChatGPT-4.0的区别

自然语言处理技术的发展，尤其是GPT系列技术的发展，代表了自然语言处理技术的最新进展。ChatGPT、ChatGPT-3.5和ChatGPT-4.0是其中比较代表性的三个模型，它们在模型规模、语言理解能力、训练数据集和应用场景等方面有着显著的不同。下面将从四个方面对这三个模型进行比较。

A. 模型规模的比较

A. 模型规模的比较：比较三个模型在模型规模、参数数量、计算成本等方面的差异。

ChatGPT、ChatGPT-3.5和ChatGPT-4.0的模型规模是不同的。
ChatGPT是一种基于Transformer的自回归语言模型，它的模型规模是1.5亿个参数。
ChatGPT-3.5是GPT-3的一个中间版本，拥有1750亿个参数，是ChatGPT的116倍。
ChatGPT-4.0更是一个规模庞大的模型，其拥有接近4万亿个参数，是ChatGPT-3.5的近2.3倍。
在这里插入图片描述

可以看出，随着模型规模的不断增大，模型的参数数量和计算成本也随之增加。

B. 语言理解能力的比较

B. 语言理解能力的比较：比较三个模型在语言理解能力、表达能力、生成能力等方面的表现，包括文本生成、对话生成、翻译等。

ChatGPT、ChatGPT-3.5和ChatGPT-4.0在语言理解能力方面的表现有所不同。
ChatGPT可以生成连贯的、有条理的文本，可以用于各种自然语言处理任务，例如机器翻译、文本摘要、情感分析等。
ChatGPT-3.5相较于ChatGPT，具有更高的生成能力，可以进行更复杂的对话生成和文本生成任务。同时，ChatGPT-3.5可以根据上下文来做出更加准确的预测。
ChatGPT-4.0比ChatGPT-3.5还要强大，它可以生成更加准确、更加自然的文本，能够更好地理解人类语言，以及更好地模拟人类对话的流畅性和连贯性。

C. 训练数据集的比较

C. 训练数据集的比较：比较三个模型所用的训练数据集和数据来源的不同，以及这对模型表现的影响。

ChatGPT、ChatGPT-3.5和ChatGPT-4.0所用的训练数据集和数据来源也不尽相同。
ChatGPT是基于英文维基百科、Gutenberg电子书和OpenWebText等数据集进行训练的。
ChatGPT-3.5使用了比ChatGPT更加丰富和多样化的数据集，包括Common Crawl、Wikipedia、Gutenberg等。
ChatGPT-4.0则使用了比ChatGPT-3.5更大规模、更丰富的数据集，包括多个搜索引擎、社交媒体和在线新闻等。这些不同的数据集来源，对模型的表现和能力产生了很大的影响。

D. 应用场景的比较

D. 应用场景的比较：比较三个模型在不同应用场景中的表现，例如智能客服、文本生成等。

ChatGPT、ChatGPT-3.5和ChatGPT-4.0均具有强大的语言理解和生成能力，因此它们在许多自然语言处理应用场景中都可以发挥重要作用。下面是三个模型在一些常见应用场景中的表现比较：

  1. 智能客服
    在智能客服场景中，ChatGPT、ChatGPT-3.5和ChatGPT-4.0均可用于回答用户的问题、解决问题、提供建议等任务。ChatGPT-3.5和ChatGPT-4.0由于模型规模更大，因此在这方面的表现更加优秀。例如，ChatGPT-3.5和ChatGPT-4.0可以更快地响应用户的问题，并提供更精准的答案，这对于提升客户满意度和提高工作效率都具有很大的帮助。
    在这里插入图片描述

  2. 文本生成
    在文本生成场景中，ChatGPT、ChatGPT-3.5和ChatGPT-4.0均可用于生成各种类型的文本，例如新闻文章、小说、诗歌等。由于模型规模和生成能力的提高，ChatGPT-3.5和ChatGPT-4.0可以生成更加逼真、丰富多样的文本内容。此外，ChatGPT-3.5和ChatGPT-4.0还可以通过模仿人类语言模式，生成更加自然流畅的文本。
    在这里插入图片描述

  3. 语音识别和合成
    ChatGPT、ChatGPT-3.5和ChatGPT-4.0在语音识别和合成方面的应用也非常广泛。这些模型可以通过处理语音信号，实现语音转文本和文本转语音的功能。由于模型规模的提升，ChatGPT-3.5和ChatGPT-4.0可以更准确地识别和合成语音，生成更加自然的声音和语音。
    在这里插入图片描述

  4. 机器翻译
    在机器翻译场景中，ChatGPT、ChatGPT-3.5和ChatGPT-4.0可以用于实现自动翻译任务。由于这些模型都具有强大的语言理解和生成能力，因此它们可以实现更加准确、流畅的翻译结果。ChatGPT-4.0由于模型规模和参数数量的增加，可以实现更加高质量的翻译效果。
    在这里插入图片描述

任务/领域ChatGPTChatGPT-3.5ChatGPT-4.0
问答系统优秀出色突出
对话系统优秀出色突出
文本生成优秀出色突出
情感分析良好优秀出色
机器翻译良好优秀突出

III. GPT-5的预测

在这里插入图片描述

A. GPT-5的规模预测

A. GPT-5的规模预测：预测GPT-5的规模，包括参数数量、计算成本等方面的变化和提升。

随着自然语言处理技术的不断进步，GPT系列模型的规模也不断扩大。目前GPT-4已经达到了数百亿个参数，那么GPT-5的规模将会如何呢？根据业内专家的预测，GPT-5的规模有望突破1000亿个参数，是目前GPT-4规模的数倍，这将带来更强大的模型性能和表现。同时，随着计算机硬件的不断发展，GPT-5的计算成本也有望降低，进一步提高模型的可用性和应用范围。

B. GPT-5的语言理解能力预测

B. GPT-5的语言理解能力预测：预测GPT-5在语言理解能力、表达能力、生成能力等方面的提升，可能会与其他自然语言处理技术进行比较。

GPT-5将在GPT-3的基础上进一步提升自然语言处理技术的水平。GPT-3已经在多项任务中展现出了其强大的表现，包括语言理解、文本生成、机器翻译等方面，而GPT-5将进一步扩展其在这些任务中的表现。

首先，GPT-5可能会在模型规模上进一步提升。GPT-3已经是迄今为止最大的语言模型之一，但是随着技术的不断进步，GPT-5可能会超过GPT-3的规模，并且拥有更多的参数和更高的计算能力。

其次，GPT-5可能会在语言理解能力方面有所提升。GPT-3已经可以实现许多自然语言处理任务，但是它还存在一些限制。例如，GPT-3可能无法理解一些复杂的语言结构或上下文中的一些隐含信息。GPT-5可能会通过更加深入的学习和更多的训练数据来解决这些问题，从而提高其在语言理解方面的表现。

此外，GPT-5还可能在生成能力方面有所提升。例如，在文本生成方面，GPT-5可能能够生成更加丰富和多样化的文本内容，包括更加准确的描述、更加自然的对话、更加生动的场景描写等。

最后，GPT-5可能会与其他自然语言处理技术进行比较，例如BERT和XLNet等模型。这些模型在语言理解和文本生成方面也有很高的表现，并且与GPT系列模型具有一定的差异。因此，将GPT-5与这些模型进行比较，可以更好地了解GPT-5在自然语言处理领域中的地位和表现。

C. GPT-5的应用前景

C. GPT-5的应用前景：探讨GPT-5可能被应用的场景，例如智能客服、文本生成等。

随着GPT模型的不断进化，GPT-5将为各种自然语言处理应用带来更多的可能性。下面列出一些可能的应用前景：

  1. 智能客服：GPT-5可以被用于开发更智能化的客服系统，能够根据用户输入的问题或需求，自动生成准确、自然的回复，从而提高用户满意度和客户服务的效率。

  2. 文本生成：GPT-5可以被用于各种文本生成任务，例如自动摘要、文章创作、广告文案、翻译等。在文本生成方面，GPT-5将具有更高的表达能力和生成能力，能够生成更加自然、流畅、准确的文本。

  3. 智能写作助手：GPT-5可以被用于开发智能写作助手，能够帮助作者自动生成文章结构、提供合适的词汇和句式，从而提高写作效率和质量。

  4. 情感分析：GPT-5可以被用于情感分析任务，例如分析用户评论、社交媒体帖子等的情感倾向和情感强度。在情感分析方面，GPT-5将具有更高的准确性和泛化能力。

  5. 语音识别和语音合成：GPT-5可以被用于语音识别和语音合成任务，例如自然对话系统、语音翻译等。在语音识别和语音合成方面，GPT-5将具有更高的精度和自然度。

应用场景说明
智能客服GPT-5 可能被应用于智能客服中，能够更加准确地理解用户意图，并且具备更加自然流畅的对话生成能力。
文本生成GPT-5 可能在文本生成领域取得更好的表现，能够生成更加自然、流畅、准确的文本，包括自然语言生成、写作助手等应用场景。
知识图谱GPT-5 可能被用于知识图谱的构建和更新，能够对大量的文本进行理解和分析，从而生成更加丰富、准确的知识图谱。
自动化写作GPT-5 可能被应用于自动化写作中，能够根据用户输入的内容生成更加自然、流畅的文本，可以用于新闻报道、科技文章、广告文案等。

总之，GPT-5的应用前景非常广泛，未来随着技术的不断提升和应用场景的不断扩展，GPT模型将会在越来越多的领域得到应用，为人们的生活和工作带来更多便利和智能化。

IV.是否会取代程序员

我认为ChatGPT不会取代程序员，因为ChatGPT只是一种人工智能技术，它可以帮助程序员完成一些重复、繁琐的任务，但它无法取代程序员的整体角色和职责。下面我会详细解释。

首先，ChatGPT是一种基于数据驱动的技术，它需要大量的数据进行训练和调优。但是，在程序开发的过程中，并不是所有问题都可以通过大量数据来解决，有些问题需要程序员的专业知识和经验来解决。比如，在解决某些复杂的算法问题时，程序员需要依靠自己的理解和创造性思维来解决问题，这是ChatGPT所不具备的。

其次，ChatGPT在解决问题时存在一定的局限性。它的输入和输出都是基于自然语言的，因此它只能处理文本相关的问题，而对于图像、视频等其他形式的数据，ChatGPT的应用范围就很有限了。而程序员不仅可以处理文本相关的问题，还可以处理各种形式的数据，包括图像、视频、音频等。这使得程序员在解决问题时更加全面和灵活。

最后，程序员具有更高的创造性和创新性。程序员可以通过编写代码来实现创新的想法和解决方案，而ChatGPT只能根据已有的数据来生成文本。因此，程序员在解决问题时具有更高的创造性和灵活性，这也是ChatGPT无法取代的。

综上所述，尽管ChatGPT在某些方面可以辅助程序员的工作，但它并不能完全取代程序员。程序员仍然需要通过自己的知识和技能来解决各种问题，这也是程序员目前相比ChatGPT的优势所在。

V.深度学习模型

GPT模型是一种基于深度学习的自然语言处理模型，使用了深度神经网络来处理自然语言文本。下面我将从深度学习的角度，介绍一下GPT模型的主要特点和原理。
在这里插入图片描述

首先，GPT模型采用了Transformer网络结构，这是一种基于自注意力机制的深度神经网络，由Google于2017年提出。Transformer网络结构在机器翻译等自然语言处理任务中表现出色，其自注意力机制能够在处理输入序列时同时考虑到序列中所有元素的相关性。

其次，GPT模型采用了预训练加微调的训练方式，这种训练方式已经成为当前自然语言处理领域的主流方法。在预训练阶段，模型使用大规模的未标注文本数据进行训练，学习到一些通用的自然语言语言表示。在微调阶段，模型使用少量标注数据进行 fine-tune，以适应具体的自然语言处理任务。

最后，GPT模型使用了无监督的学习方式，它并没有使用任何手工标注的数据来进行训练。相反，它使用了大量的互联网文本数据作为训练数据，并通过自监督的方式来学习语言表示。这种学习方式不仅可以避免手工标注数据的成本，还可以学习到更加通用的语言表示，提高模型的泛化能力。

总之，GPT模型是一种基于深度学习和自监督学习的自然语言处理模型，具有很强的通用性和泛化能力。它在多个自然语言处理任务中表现出色，是当前自然语言处理领域的前沿技术之一。

VI. 对ChatGPT技术的评价和展望

A. 对ChatGPT技术的评价

A. 对ChatGPT技术的评价：评价ChatGPT技术在自然语言处理领域的优点和局限性。
ChatGPT技术是自然语言处理领域的重要进展之一，其优点和局限性如下：

优点：
a. 强大的语言理解和生成能力：ChatGPT技术能够处理自然语言中的复杂性和多样性，从而在文本生成、对话生成、翻译等方面展现出强大的表现力和生成能力。

b. 灵活的适应性和可定制性：ChatGPT技术可以基于不同的数据集和任务进行训练，从而灵活地适应不同领域和应用场景的需求。此外，还可以通过微调、模型结构调整等方式进行定制化的优化。

c. 大规模并行计算和高效的推理：ChatGPT技术采用了高效的并行计算和推理策略，能够在大规模数据和高并发场景下保持高效的性能表现。

局限性：
a. 数据集和训练样本的限制：ChatGPT技术的性能和表现很大程度上依赖于训练数据集的质量和规模。当前的自然语言处理数据集存在着一些问题，例如数据不平衡、噪声数据等，这些问题可能会影响ChatGPT技术的表现。

b. 计算资源和成本的限制：ChatGPT技术需要庞大的计算资源和高昂的计算成本，这对于大部分研究机构和企业来说是一个挑战。同时，由于计算成本较高，ChatGPT技术可能无法广泛应用到一些计算能力较弱的设备上。

B. 对ChatGPT技术的展望：

B. 对ChatGPT技术的展望：展望ChatGPT技术未来的发展方向和可能的创新点。

随着技术的发展，ChatGPT技术也有着更加广阔的应用前景。下面是一些可能的发展方向和创新点：

  1. 更加个性化的对话生成：目前ChatGPT生成的对话内容还缺乏个性化，无法真正理解用户的需求和特点。未来的ChatGPT技术可以通过更深入的用户分析和学习，生成更加贴近用户的对话内容，提高用户体验和满意度。

  2. 多模态对话生成：ChatGPT技术目前主要是基于文本的对话生成，未来可以进一步融合语音、图像等多种信息，实现更加丰富多样的对话生成。

  3. 聚合多个模型的优点：除了GPT模型外，还有许多其他的自然语言处理技术可以用于对话生成。未来可以尝试将这些技术进行融合，聚合不同模型的优点，提高对话生成的效果和质量。

  4. 实时对话生成：目前ChatGPT生成的对话内容是离线的，无法实时响应用户的输入。未来的ChatGPT技术可以实现实时对话生成，更好地满足用户的需求。

  5. 应用领域的扩展：ChatGPT技术目前已经在智能客服、聊天机器人等领域有着广泛应用，未来还可以在文本生成、翻译、语音识别等领域发挥更大的作用。

C.ChatGPT技术的社会影响：

C. ChatGPT技术的社会影响：探讨ChatGPT技术对社会和人类的影响，可能涉及到伦理、法律等方面的问题。

虽然ChatGPT技术在自然语言处理领域有着广泛应用和发展前景，但是也可能涉及到一些社会和伦理问题，如下所示：

  1. 信息泄露和隐私问题：在一些应用场景中，ChatGPT可能需要访问用户的个人信息和隐私，这可能会涉及到信息泄露和隐私问题。

  2. 虚假信息和误导性内容问题：由于ChatGPT技术可以生成逼真的语言内容，如果被不法分子滥用，可能会导致虚假信息和误导性内容的产生，从而损害社会公共利益。

  3. 人工智能和人类智能的关系问题：随着ChatGPT技术的发展，未来可能会出现“机器人替代人类”的担忧，从而影响社会和人类的未来发展。

  4. 伦理和法律问题：一些应用场景中，ChatGPT可能会涉及到伦理和法律问题，如虚拟人物在社交媒体上的行为是否违反了社交媒体的使用规定，是否存在侵犯知识产权等问题。此外，在一些关键应用场景中，如自动驾驶和医疗领域，ChatGPT的错误和失误可能会对人类产生严重影响，因此需要谨慎评估和监管。

综上所述，ChatGPT技术的发展必须在技术创新和社会伦理之间取得平衡，需要在规范和监管方面加强努力，从而使得ChatGPT技术能够更好地为人类服务。

VII. 结语

随着自然语言处理技术的不断发展，ChatGPT技术在自然语言处理领域发挥着越来越重要的作用，具有广泛的应用前景和发展空间。本文对ChatGPT技术进行了概述和分析，总结出以下几点结论：

  1. ChatGPT技术可以有效地解决自然语言处理中的各种问题，具有很强的表达、理解和生成能力，已经在各种领域得到了广泛的应用和发展。

  2. 目前，ChatGPT技术仍然存在一些局限性和挑战，例如训练数据的质量、算法的复杂性等，需要进一步研究和改进。

  3. 预计随着硬件设备的不断提升和算法的不断优化，ChatGPT技术的规模和能力将不断提高，可以预见未来会有更加强大的自然语言处理技术问世。

  4. 由于ChatGPT技术的广泛应用和潜在的社会影响，需要加强对其伦理和法律问题的探讨和研究，以促进其良性发展并避免潜在的负面影响。
    在这里插入图片描述

综上所述，ChatGPT技术作为一种重要的自然语言处理技术，具有广泛的应用前景和发展空间，但同时也需要我们密切关注其潜在的社会影响和伦理问题，以实现其可持续和健康的发展。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/515785.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

FastDFS总结

FastDFS总结

目录 概述 什么是分布式文件系统 核心概念 目录结构 上传机制 下载机制 Linux中搭建FastDFS 常用指令 SpringBoot整合FastDFS FastDFS集成Nginx 概述 FastDFS是一个开源的轻量级分布式文件系统。它解决了大数据量存储和负载均衡等问题。特别适合以中小文件&#xff…
阅读更多...
Android输入法不使用多客户端多屏适配-Android12

Android输入法不使用多客户端多屏适配-Android12

Android输入法不使用多客户端多屏适配-Android12 1、IME屏幕之间切换2、属性配置3、屏幕之间切换 IME 窗口 在非默认屏幕上运行的应用 1、IME屏幕之间切换 系统使用一个 IME，但可以在屏幕之间切换，以跟踪用户焦点。Android 10 默认所有第一方和第三方 IM…
阅读更多...
【Android】试着写一个资讯界面（含不同板块）

【Android】试着写一个资讯界面（含不同板块）

跟着视频做的，并不能动脑子，于是自己顺一遍流程！（只阅读了部分教程，代码不完全相同）（仅为静态界面不含跳转）（在fragment上）此为视频链接 成果图： …
阅读更多...
07-HTML-链接标签

07-HTML-链接标签

<a> 标签定义超链接&#xff0c;用于从一张页面链接到另一张页面。<a> 元素最重要的属性是 href 属性&#xff0c;它指示链接的目标。 属性值描述downloadfilename规定被下载的超链接目标。hrefURL规定链接指向的页面的 URL。pinglist_of_URLs规定以空格分隔的 UR…
阅读更多...
YOLOv8 人体姿态估计(关键点检测) python推理 ONNX RUNTIME C++部署

YOLOv8 人体姿态估计(关键点检测) python推理 ONNX RUNTIME C++部署

目录 1、下载权重 ​2、python 推理 3、转ONNX格式 4、ONNX RUNTIME C 部署 1、下载权重 我这里之前在做实例分割的时候&#xff0c;项目已经下载到本地&#xff0c;环境也安装好了&#xff0c;只需要下载pose的权重就可以 2、python 推理 yolo taskpose modepredict model…
阅读更多...
ESP32设备驱动-PCA9685 LED控制器驱动

ESP32设备驱动-PCA9685 LED控制器驱动

PCA9685 LED控制器驱动 文章目录 PCA9685 LED控制器驱动1、PCA9685介绍2、硬件准备3、软件准备4、驱动实现1、PCA9685介绍 PCA9685 是一款 IC 总线控制的 16 通道 LED 控制器，针对红色/绿色/蓝色/琥珀色 (RGBA) 彩色背光应用进行了优化。 每个 LED 输出都有自己的 12 位分辨率…
阅读更多...
scala中match使用报错Scala.matchError:(of class java.lang.String)

scala中match使用报错Scala.matchError:(of class java.lang.String)

1.遇到错误 Scala.matchError:(of class java.lang.String) 2.发现问题出在match使用中,如下写法就会报错 val partitionIndex key.toString match {case "chinese" > 0case "math" > 1case "english" > 2} 3.后来修改了写法&#xf…
阅读更多...
【大数据学习篇3】HDFS命令操作与MR单词统计

【大数据学习篇3】HDFS命令操作与MR单词统计

1. HDFS命令使用 [rootmaster bin]# su hd[hdmaster bin]$ #查看/目录[hdmaster bin]$ hdfs dfs -ls / 5 #在/目录创建一个为test名字的文件夹[hdmaster bin]$ hdfs dfs -mkdir /test#查看/目录[hdmaster bin]$ hdfs dfs -ls Found 1 itemsdrwxr-xr-x - hd supergroup …
阅读更多...
【rust】| 04——语法基础 | 函数

【rust】| 04——语法基础 | 函数

系列文章目录 【rust】| 00——开发环境搭建 【rust】| 01——编译并运行第一个rust程序 【rust】| 02——语法基础_变量(不可变?)和常量 【rust】| 03——语法基础 | 数据类型 【rust】| 04——语法基础 | 函数 【rust】| 05——语法基础 | 流程控制 文章目录 函数1. 定义函数…
阅读更多...
Lecture 15：元学习Meta Learning

Lecture 15：元学习Meta Learning

目录 Review Machine Learning Introduction of Meta Learning What is Meta Learning? Meta Learning的三个步骤 Meta Learning的framework&#xff1a; ML v.s. Meta Meta Learning的training What is learnable in a learning algorithm? 初始化参数θ0 Optimiz…
阅读更多...
用 Phthon 写抽奖程序

用 Phthon 写抽奖程序

一共 10 人参与抽奖&#xff0c;四人中奖&#xff0c;其中一人固定不变。 【学习的细节是欢悦的历程】 Python 官网&#xff1a;https://www.python.org/ Free&#xff1a;大咖免费“圣经”教程《 python 完全自学教程》&#xff0c;不仅仅是基础那么简单…… 地址&#xff1a…
阅读更多...
windows 打包 inno setup

windows 打包 inno setup

1.下载并安装 inno setup 官网下载地址 点击下载并安装inno setup 软件,安装完成后点打开软件 在上图中点击 cancel 回到inno setup 的主界面 ①在主界面点击File -> New 然后在向导界面点击 next 填写安装信息点击next 如下图 点击next e 选择exe的位置, add folder …
阅读更多...
实战打靶集锦-019-BTRSys2.1

实战打靶集锦-019-BTRSys2.1

提示&#xff1a;本文记录了博主的一次普通的打靶经历 目录 1. 主机发现2. 端口扫描3. 服务枚举4. 服务探查4.1 FTP服务探查4.2 Apache服务探查4.2.1 wpscan扫描4.2.2 Metasploit神器4.2.3 手工探查页面4.2.3.1 Appearance Editor4.2.3.2 Plugins Editor 5. 提权5.1 系统信息枚…
阅读更多...
KVM存储池管理与磁盘格式

KVM存储池管理与磁盘格式

KVM存储池管理与磁盘格式 KVM必须配置一个目录作为存储磁盘镜像&#xff08;存储卷&#xff09;的目录&#xff0c;我们称这个目录为存储池 存储池管理 默认存储池 /var/lib/libvirt/images/ 创建基于文件夹的存储池&#xff08;目录&#xff09; mkdir -p /data/vmfs定义…
阅读更多...
详解MySQL覆盖索引、索引下推

详解MySQL覆盖索引、索引下推

目录 1.覆盖索引 1.1.概述 1.2.聚集索引、非聚集索引 1.3.回表查询 1.4.覆盖索引 2.索引下推 1.覆盖索引 1.1.概述 覆盖索引&#xff0c;是为了避免“回表查询”&#xff0c;从而降低查询耗时的一种使用索引的方法&#xff0c;所以要聊覆盖索引首先我们要知道什么是&qu…
阅读更多...
HTB-Busqueda

HTB-Busqueda

HTB-Busqueda 信息收集80端口 svcsvc -> root 信息收集 80端口 将ip和searcher.htb添加至/etc/hosts文件。 功能能就是你输入一个值&#xff0c;选择好搜索引擎后点击search&#xff0c;就会生成一个选择的搜索引擎里搜索你输入的值的链接。比如输入aster。 如果勾选了自动…
阅读更多...
Github配置SSH密钥连接（附相关问题解决）

Github配置SSH密钥连接（附相关问题解决）

Github配置SSH密钥连接&#xff08;附相关问题解决&#xff09; 引言 当前&#xff0c;通过Git在本地仓库和远程仓库&#xff08;如Github&#xff09;之间进行操作&#xff0c;已不再支持密码验证&#xff0c;而是转为通过更安全的SSH密钥验证方式。 因此&#xff0c;本文将…
阅读更多...
正态分布线性计算的方差推导（含协方差推导）

正态分布线性计算的方差推导（含协方差推导）

推导如下&#xff1a; 由于方差是每个数据与均值离差平方和的均值&#xff1a;即对Σ&#xff08;每个数据-均值&#xff09;再求一次均值&#x1f447;&#xfeff;&#xfeff; 最终Var(X) E(X&#xff09;-E&#xff08;X) 因此&#x1f447; Var(X-Y) E(X-Y)-E(X-Y) …
阅读更多...
mysql的主从复制和读写分离

mysql的主从复制和读写分离

1.mysql主从复制和读写分离的相关知识 1.1 什么是读写分离? 读写分离&#xff0c;基本的原理是让主数据库处理事务性增、改、删操作( INSERT、UPDATE、DELETE) &#xff0c;而从数据库处理SELECT查询操作。数据库复制被用来把事务性操作导致的变更同步到集群中的从数据库。 …
阅读更多...
一个用于Allen脑图谱基因数据的工具箱|abagen

一个用于Allen脑图谱基因数据的工具箱|abagen

艾伦人类脑图谱&#xff08;Allen Human Brain Atlas&#xff09; 艾伦人类脑图谱是一个由艾伦脑科学研究所(Allen Institute for Brain Science)开发的在线基因表达图谱数据库&#xff0c;旨在提供人类大脑各个区域的细胞类型和基因表达信息。这个数据库包含了人类全基因组微…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023