自用ai调校方法

  1. 把token替换到apifox

  1. 发送请求,查看返回的数据结果

看看返回的英文参数跟页面的参数能不能对应,不能的话就改动一下(我把光强和紫外线替换了)

  1. 问ai,把接口和返回的数据都给他,这里我写好接口了

  1. ai写完了 运行,如果页面正常获取就成功了,如果报错就一点点调试,

我感觉一般就两个问题,一个是接口没通,一个是字段不对

通过在调用接口的下面打印,判断接口有没有通

这边不能正常打印就说明页面传递的参数有问题 或者 写接口的index.js有问题,

然后问ai,

如果正常打印,但页面不显示数据,就是字段了,

比如绿色的框是要渲染到页面的,如果不渲染,就说明weatherData数组中可能没有后面的字段,这时候就看一下apifox返回的数据结构,把字段对应。

就是如果weatherData.temp不显示,就检查weatherData,如果weatherData不显示,就检查谁给他赋值的。这里就打印一下红框的response.data

如果response.data打印为undefined,那就再找上一层的response,检查它的数据结构

开发自用AI大模型可从以下几个方面着手: ### 明确目标与场景 确定大模型的应用场景,如自然语言处理、图像识别、推荐系统、智能客服等,因为不同场景对模型的要求和数据需求不同。AI大模型能在这些场景中为企业带来便利和效率提升,明确场景有助于后续的开发工作更有针对性 [^1]。 ### 学习相关技术 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码,为开发大模型奠定技术基础 [^4]。 ### 数据准备 收集与应用场景相关的海量数据,因为AI大模型能够处理海量的数据,并从中学习到丰富的知识和规律。同时要对数据进行清洗、标注等预处理操作,以保证数据的质量和可用性 [^1]。 ### 模型训练 使用准备好的数据对模型进行训练。可以从一些开源的基础模型开始,结合自身数据进行微调,这样可以节省时间和计算资源。也可以根据需求选择合适的架构从零开始构建模型,但这对技术和资源要求较高。在训练过程中,要不断调整参数,以提高模型的性能 [^2]。 ### 测试与优化 对训练好的模型进行测试,评估其在实际场景中的性能。根据测试结果,对模型进行优化,如调整参数、增加数据等,以达到更好的效果。 ### 部署与维护 将优化后的模型部署到实际环境中使用。同时要建立维护机制,对模型进行持续的监控和更新,以保证模型在不断变化的环境中始终保持良好的性能。 ```python # 以下是一个简单的机器学习模型训练示例(使用Python和Scikit-learn库) from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression # 加载数据集 iris = load_iris() X = iris.data y = iris.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建模型 model = LogisticRegression() # 训练模型 model.fit(X_train, y_train) # 评估模型 score = model.score(X_test, y_test) print(f"模型准确率: {score}") ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值