完蛋！我被LLM包围了！上个时代的开发者被干掉了；ChatGPT高质量科普视频；垂直领域大模型的思考；百度智能云黑客松 | ShowMeAI日报

ShowMeAI ShowMeAI 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.8k累计阅读 1.9k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-09-20 16:02:03 发布 1.8k 阅读 AI 写同款· GEO 优化 ›
华为OD机试真题 - 字符串比较 牛客网 2024华为OD机试真题，代码包含语言java、js、python、c 代码基本都有详细注释。 题目描述 给定字符串A、B和正整数V，A的长度与B的长度相等， 请计算A中满足如下条件的最大连续子串的长度： 该连续子串在A和B中的位置和长度均相同。 该连续子串|A[i] – B[i]|之和小于等于V。其中|A[i] – B[i]|表示两个字母ASCII码之差的绝对值。 目录 题目描述 输入描述 输出描述 用例 题目解析 Java算法源码 JS算法源码 Python算法源码 C算法源码 华为 阅读详情

👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦！

👀 百度智能云 | 千帆大模型平台黑客马拉松

https://segmentfault.com/e/1160000044353489

百度智能云携手 SegmentFault 思否，面向广大开发者打造了一场生成未来的黑客马拉松挑战赛，鼓励开发者使用平台提供的国内外主流大模型、先进的生成式AI开发工具链等，构建新型应用或插件，做到让生成式 AI真正「为我所用」，解决实际问题。

比赛的一二三等奖和创新实验奖等获奖团队，将获得非常丰厚的先进奖励！感兴趣可以着手报名准备啦！注意关键 DDL 哦！

  • 报名参赛&创意提交：即日起 - 11月19日

  • 名单公布&赛前准备：11月21日-11月22日

  • 作品开发&作品路演：11月25日-11月26日 ⋙ 了解更多


🉑 OpenAI DevDay 亲历者：激动→害怕→迷茫，上个时代的开发者被干掉了

OpenAI 这场开发者大会「后劲儿很大」，各类总结满天飞的三天后，我们依然在讨论技术、产品、创业，回顾历史并尝试寻找出路。日报今天推荐一篇「亲历者」的分享：身为开发者的他兴致勃勃参会，却被兜头泼了一盆冷水，在现场听奥特曼 (Altam) 描述未来又被拉回现实接受一轮轮的情绪暴击。

摘录几条现场人群的反应以及作者的思考结论，与大家共勉：

  • 配合奥特曼身后大屏幕上接二连三跳出的各种 GPT 版本改进和新功能，除了惊叹与冲击，很快，在场的见过这么多硅谷发布会的人们甚至开始感到有点儿害怕了。

  • 随着发布会进行，奥特曼每介绍一项更新，场下的氛围就变得愈加复杂，掌声也是时而热烈，时而稀疏。人们双眼紧盯演示屏，面露凝重，渐渐笑不出来了。

  • 台下观众里，有的在窃窃私语讨论，有的不停拍照传给同事，然后低头匆匆发信息。在当天的活动结束后，包括我自己的公司在内，一众硅谷大厂的AI部门紧急开了讨论会。

  • 在户外休息区，大家把现场「抓」到的 OpenAI 产品经理、开发人员们里三层、外三层地团团围住，争相询问他们接下来的迭代方向，希望能探听到自家产品有没有被不幸列在 OpenAI 的「to do list」上。

会议席间，一家做AI室内设计公司的创始人一直都在激动地鼓掌，给出的全是正面反馈。仔细分析这些还在鼓掌的人，他们的共同点是：专心扎根垂直领域，本身就是个好产品，AI只是让它变得更好了。

  1. 不能只做大语言模型下游应用开发，充其量只是套壳公司，很容易随时丧失主导权。要深入做垂直领域，精通行业内部细节，发现和利用那些标准助手 API 无法满足的复杂场景和细分市场机会。

  2. 产品和市场很关键。有 OpenAI 们你追我赶的竞赛，技术层面的参差总会被拉平。真正的差距体现在对市场痛点和用户需求的精准捕捉。一流的产品经理团队、高效的销售策略和稳定的客户基础是区分胜负的重要因素之一。

  3. 打不过就加入，尽快对接 OpenAI 入驻 GPT 商店，做榜一大哥 (认真) ⋙ 阅读原文

👀 OpenAI TTS 文字转语音工具，新鲜热乎可体验

https://huggingface.co/spaces/ysharma/OpenAI_TTS_New

官方文档 https://platform.openai.com/docs/guides/text-to-speech

11月6日，OpenAI 在开发者大会上发布了 TTS (Text-to-Speach，文本转语音) 工具，基于 OpenAI 的 TTS 模型将文本转换为逼真的语音音频，并提供了一个名为speech的 API。

OpenAI TTS 工具支持英语、西班牙语、法语、德语、意大利语等多种语言，还支持 tts-1、tts-1-hd 和 tts-2等多种语音模型，并且可以在5 种男声和2种女声中进行切换。Hugging Face 项目链接如上，可以体验一下~


🉑 Mootion：使用文本生成3D角色，搭配其他工具还能解锁花样玩法

https://www.mootion.com

Mootion 是一个 text-to-motion 的Al生成服务，在 Discord 中输入文本就可以快速创建 3D 角色并生成有趣的动画效果，还可以下载为背景透明的视频和 FBX 格式文件。

基于 Mootion 的生成，内容创作者们可以拉到视频编辑软件中增加背景图，或者使用 AnimateDiff、Gen-1 等AI视频工具渲染成新的视频作品；专业的建模师可以继续在 Blender、3Ds Max、Maya 等专业 3D 建模软件中完成后续工作。

这个工具最近很火热呀！国内外的社交媒体和视频网站都有创作者在分享~ 日报简单介绍下使用流程，感兴趣可以试起来：

  1. 从官网进入官方 Discord 频道，选择 Creation 开头的频道，就可以开始3D创作啦

  2. 输入/motion命令，输入提示语 (例如 a dancer is dancing.)

  3. 选择角色 (目前有机器人、猫、骑士、圣诞老人四个角色)

  4. 选择是否在原地运动

  5. 回车确认开始生成 (如上图，系统会快速生成 M1、M2两个角色动画)

  6. 下载单独角色的视频或3D格式文件

👀 完蛋！我被 LLM 包围了！

ModelScope https://modelscope.cn/studios/LLMRiddles/LLMRiddles/summary

HuggingFace https://huggingface.co/spaces/LLMRiddles/LLMRiddles

社区的小伙伴们这两天都在玩一款「LLM Riddles (大模型解谜)」的游戏，需要模仿大模型的思考方式，和模型对话使得输出符合题目，通过之后则闯入下一关！大家正玩得不亦乐乎，作者却宣布受限于计算资源等原因，关闭了这款游戏。

好在！魔搭 ModelScope 社区接手复刻了这款游戏！访问上方链接，就可以继续愉快地玩耍啦~ 按照最初的设定，游戏共四章、19道题，不过随着玩游戏和贡献题目的人越来越多，通关过程也会越有挑战性呦 (*￣3￣)╭

注意：配图是个错误示例，实际玩下来还是有挑战的~


🉑 大模型解谜游戏 LLM Riddles，作者分享创作历程和完整题库

https://zhuanlan.zhihu.com/p/665393240

如上一条所说，LLM Riddles 是一款大模型解谜游戏，可以在玩游戏过程中加深对大模型的理解。游戏作者在知乎发文，分享了受一个灵感启发进行游戏开发啊、爆火增长、最后宣布关闭的全过程。而且分享了完整的题目清单 (评论区还有各路大佬公布答案)：

第一章 对话之趣

  • 第1题：初来乍到。作为第一个题目，请你构造一个问题使模型的回答是一字不差的“1+1=3”（不需要引号）。

  • 第2题：小试牛刀。请输入三个字以内的问题，使模型的回答在30个字以上。

  • 第3题：短说长话。请输入一个字的问题，使模型的回答在100个字以上。

  • 第4题：短说短话。请输入一个字的问题，使模型的回答在20个字以内。

  • 第5题：回文不变。请输入一个本身不是回文串的问题，使无论正着问还是倒着问，模型的回答是一样的。

  • 第6题：无中生狗。请提一个不包含“狗”这个字的问题，但是回答中至少出现3次“狗”这个字。


第二章 数字游戏

  • 第1题：质数长度。你需要提出一个字数是质数的问题，使回答的长度刚好是它的下一个质数。

  • 第2题：越说越大。请输入一个大于一的正整数作为问题，使回答里包含至少比它大一千的数。

  • 第3题：越说越小。请输入一个大于一的正整数作为问题，使回答里包含至少10个不同的至少比它小一千的自然数。

  • 第4题：警世名言。请在不提及1,4,5这三个字符的情况下让模型回答114514，不要有多余的字符。

  • 第5题：开平方数。请输入一个大于一的平方数作为问题，使回答里包含它的平方根对应的数。

  • 第6题：得寸进狗。请提一个不包含“狗”这个字的10个字以内的问题，使回答中“狗”这个字出现的次数至少是问题字数的2倍。


第三章 巅峰挑战

  • 第1题：自说自话。请做出一个至少10个字的提问，使回答和提问完全一样。

  • 第2题：话自说自。请做出一个至少10个字的提问，使回答是提问的逆序。

  • 第3题：就是敢说。请在不提及1,3这三个字符的情况下让模型回答1+1=3，不要有多余的字符。

  • 第4题：回文协变。请输入一个本身不是回文串的问题，使正着问和倒着问的时候，模型的回答本身不回文且也是逆序的关系。


第四章 无人之境

  • 第1题：循环往复。请构造一个问题A，它的回复是不同于A的B，然后以B提问能再次得到A.

  • 第2题：惜字如金。本题可能没有答案。你可以自由的先去做其他的题。请输入一个字的问题，使模型的回答在16个字以内。

  • 第3题：自然之密。请输入一个大于一的正整数作为问题，使回答里包含和它刚好相差1的数。

👀 垂直领域大模型的思考

https://zhuanlan.zhihu.com/p/652645925

这篇对「垂直领域大模型」的介绍非常系统，不仅包括系统设计的流程和专业细节，还串讲了一系列的相关论文和产品，如法律大模型、医疗大模型、教育大模型和金融大模型等。

垂直领域大模型需要在通用大模型的基础上进行二次开发，通过继续预训练、领域微调数据构建等方法，让模型具备领域内问题的判别能力、基于召回的知识回答问题的能力、以及领域内风格对齐的能力。

根据作者的思考和分享，构建一个面向特定领域的大模型，有以下几个关键步骤和：

  1. 继续预训练：在通用大模型的基础上，使用领域内的语料进行继续预训练，以注入领域知识。混合通用数据和领域数据进行训练，以保持模型的通用能力。

  2. 领域微调数据构建：构建高质量大规模的领域微调数据。文章提到了三种数据生成方法：Self-Instruct、Self-QA 和 Self-KG。

  3. 减缓幻觉：通过生成带有引用的文本、事实一致性评估等方法，提高模型生成结果的质量，减少幻觉。

  4. 知识召回：在多轮场景中，需要先整合当前问题和对话历史，然后对当前问题进行改写，使其成为一个独立问题，再进行知识检索。文章提到了 DPR、GTR、Keyword LLM、Context Rewriting 和 Knowledge Selection 等方法来优化知识召回。

  5. 系统设计：垂直领域的大模型需要基于检索系统进行构建，包括问题解析、知识召回和推理求解等模块。文章提到了阿里云和 ChatLaw 等系统的架构作为参考。


🉑 吹爆 | 关于 AI 的深度研究：ChatGPT 正在产生心智吗？

https://www.bilibili.com/video/BV1uu4y1m7ak

这是B站UP主 @小凡今天出片了吗 发布的科普长视频，用43分钟的时间回答了标题里提到的问题：ChatGPT 正在产生心智吗。

  • UP主从神经网络与深度学习训练、依据的统计学原理、注意力机制、Transformer 详细过程来阐述 ChatGPT 的工作原理，解释 ChatGPT 为什么可以预测下一个输出单词。

  • 随后，通过对「压缩即智能」的阐述，解释 ChatGPT 为什么会出现智能。最后，通过对人脑的进化过程和结构分析，解释人类心智与 ChatGPT 智能之间的相同点及巨大的差异。

不夸张地说，整个视频的制作水准非常非常非常高！比如，配图所属的动画 (开始自视频第11分钟) ，是「流浪地球2」视效团队墨VFX高级动效师的手笔，我甚至隐约看到了「太空电梯」的场景！！

这个视频清晰地解释了众多高频术语和概念 (神经网络、Transformer、深度学习训练、涌现、幻觉、压缩、思维链)……，展示了十数篇核心技术论文的要点，最后竟然还有震撼人心的人文思考！

唯一可惜的点是视频发布于7月底，自那之后，技术一直在突飞猛进地发展，AI产品也更加让人眼花缭乱，期待作者新作品对这些进行解读和展示~ (小小声：已三连，催更催更

感谢贡献一手资讯、资料与使用体验的 ShowMeAI 社区同学们！

◉ 点击 👀日报&周刊合集，订阅话题 #ShowMeAI日报，一览AI领域发展前沿，抓住最新发展机会！

◉ 点击 🎡生产力工具与行业应用大全，一起在信息浪潮里扑腾起来吧！

收录于
ShowMeAI日报 ⛽ 用知识加速每一次技术进步

当前文章被收录于：

ShowMeAI日报 ⛽ 用知识加速每一次技术进步
373 篇文章 115 人学习

ShowMeAI带你一览领域发展前沿，抓住最新发展机会！📬 订阅专栏，第一时间接收推送。 🎡 关注 ShowMeAI，获取结构化成长路径和全套资料库，用知识加速每一次技术进步~

订阅专栏 查看详情
标签
#AI作画 #神经网络 #大语言模型 #LLM #prompt
#copilot #gpt
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
LLM 大模型学习必知必会系列(二)：提示词工程-Prompt Engineering 以及实战闯关 阅读详情

相关推荐

KiCad自动布线实战：FreeRouting插件安装与使用指南

在PCB设计流程中，布线环节往往占据大量重复性工作，尤其对于中小型双面板，成百上千条飞线的手动连接既繁琐又易出错。自动布线技术通过算法在给定设计规则和元件布局的基础上自动规划走线路径，能显著提升布线效率。FreeRouting作为一款开源自动布线器，与KiCad通过DSN/SES标准中间格式无缝配合，让工程师将精力集中于关键信号和布局优化，而将常规网络交给工具处理。本文从自动布线的原理与边界出发，讲解了FreeRouting的安装、DSN导出、参数设置、自动布线及结果回传的完整流程，并结合实际案例展示了在S

weixin_32025789的博客 280

LeetCode刷题-5

5.最长回文子串 方法一：动态规划

weixin_49577106的博客 354

手把手学计科--web网页设计

网页的组成：文字、图像和超链接等元素。还可以包括哦音频、视频和动画。分类：静态（固定信息）和动态（与服务器数据库进行实时的数据交换。HTML和CSS 是一种静态网页搭建技术。

Yhvaely的博客 1751

问题 B: 回文串

回文串是从左到右或者从右到左读起来都一样的字符串，试编程判别一个字符串是否为回文串。是则输出Y，不是则输出N。多组输入,每组输入一个不含有空格的字符串。题目保证串长度 不超过255.判别输入的字符串是否为回文串，是输出"Y",否则输出"N"。

VICTOR的博客 811

RK3568笔记九十四：基于QT的YOLOV5目标检测

基于RK3568平台的实时目标检测应用，使用YOLOv5模型和RKNN推理引擎实现摄像头实时目标检测，并通过Qt界面显示检测结果。主要功能实时摄像头目标检测：从摄像头获取视频流，使用YOLOv5模型进行目标检测RKNN推理加速：利用RK3568内置的NPU进行模型推理加速图形界面显示：使用Qt框架构建用户界面，实时显示检测结果RGA图像处理：使用Rockchip Graphic Accelerator进行图像缩放处理。

523

2024美团秋招硬件开发笔试真题及答案解析

在 Linux 内核的网络设备驱动中，数据链路层的功能通常由网络协议栈的低层（如以太网驱动）实现，而不是作为网络设备驱动的一个独立层次。在 FreeRTOS 中，任务通知（Task Notifications）是一种轻量级的事件传递机制，用于在任务之间或任务与中断之间传递信号。小美正在开发一个简单的密码生成器，其中一个功能是将输入的字符串中的所有字母按字母顺序循环前移一位（即 'a' 变为 'z'，'B' 变为 'A'，以此类推）。它包含了网络设备的各种参数和方法，用于管理网络设备的初始化、配置和操作。

XU157303764的博客 1678

2021-10-12：验证回文串。给定一个字符串，验证它是否是回文串，只考虑字母和数字字符，可以忽略字母的大小写。说明：本题中，我们将空字符串定义为有效的回文串 。输入: “A man, a plan

2021-10-12：验证回文串。给定一个字符串，验证它是否是回文串，只考虑字母和数字字符，可以忽略字母的大小写。说明：本题中，我们将空字符串定义为有效的回文串 。输入: “A man, a plan, a canal: Panama”。输出: true。解释：“amanaplanacanalpanama” 是回文串。力扣125。 福大大 答案2021-10-12： 自然智慧即可。首尾指针比较，向中间移动。 时间复杂度：O(N)。 空间复杂度：O(1)。 代码用golang编写。代码如下： package

福大大架构师每日一题 2万+

Modbus协议介绍及解析

Modbus协议介绍及解析 1.Modbus简介 Modbus是一种广泛应用于工业控制领域串行通信协议，以其开放性、高可靠性、高效简单性、免费等优点，成为了工业领域通信协议的业界标准，是工业现场电子设备之间常用的连接方式。Modbus按其格式可分为Modbus-RTU,Modbus-ASCII,Modbus-TCP,其中前两者适用于串行通信控制网络中,例如RS485,RS232等,而Modbus-TCP主要应用于基于以太网TCP/IP通信的控制网络中。通过此协议，控制器相互之间、或控制器和其它设备之间进行通

逍遥子的博客 1万+

输入一串字符，判断该字符串是否为“回文”（即顺读和倒读都一样，例如：ABCBA）。...

下面是一种 Python 代码的实现方法： def is_palindrome(input_string): return input_string == input_string[::-1] input_string = "ABCBA" print(is_palindrome(input_string)) # 输出 True 在这段代码中，定义了一个名为 is_palindrome ...

weixin_42593701的博客 2611

微信小程序 - 最新详细实现 “餐厅食堂外卖点餐“ 全屏左右联动菜单列表功能界面，附带搜索框、购物车功能、商品加减计算金额、折扣等，左侧商品分类，右侧列表数据，仿美团饿了么外卖点餐页面，饭店扫码点餐！

微信小程序，vue2，vue3，左右联动菜单，商品分类页面，点餐界面，美团外卖点餐，左右布局界面，饿了么点餐页面，左分类右列表，小程序实现左侧菜单，外卖点餐联动，锚点，点击左侧大类后侧列表跟着变跟着刷新，菜单左右联动效果，左菜单右边列表数据，uniapp，左侧菜单,右侧列表双向联动效果，右侧商品滑动时，右侧列表双向联动效果，侧边菜单和右边滚动条，电商项目，购物车，商品加减计算，外卖选餐页面带购物车计算，自动计算金额，微信小程序外卖点餐界面源码，店铺页面滑动左右联动，点餐类小程序界面，堂食，扫码点餐，餐饮行业

🏆 前端领域优质创作者 5160

从你的全世界路过---陌陌X-SIGN还原

我们上期介绍了hook 接口方式，今天我分析so 层。学习是为了复杂的事情简单化。不用如此繁琐。跟进native_sdbyecbu37x这个函数，我们f5看伪代码 v13 = sign(v9, v10, v11, a6); 跟进这个函数 代码如下（示例）： 2.代码贴入 SHA消息摘要java代码如下： java 代码如下（示例）： 总结 算法，结合动态调试！

任雪飘的博客 2303

AI工具集(后续有其他工具，持续更新中)

一 AI编程类工具 1. CodeArts Snap 官网：https://www.huaweicloud.com/product/codeartside/snap.html 申请链接：https://devcloud.cn-north-4.huaweicloud.com/codeartssnap/apply CodeArts snap是华为云推出的A(编程助手，可以帮助开发者将自然语言转化为规范可阅读、无开源漏洞的安全编程语言，提升开发者编程效率，助力企业快 速响应市场需求。其核心技术基

qq_16445077的博客 1万+

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

验证回文串（C++解法）

如果在将所有大写字符转换为小写字符、并移除所有非字母数字字符之后，短语正着读和反着读都一样。则可以认为该短语是一个。字母和数字都属于字母数字字符。给你一个字符串s，如果它是，返回true；否则，返回false。true"amanaplanacanalpanama" 是回文串。false"raceacar" 不是回文串。s = " "true在移除非字母数字字符之后，s 是一个空字符串 ""。由于空字符串正着反着读都一样，所以是回文串。

m0_62275194的博客 850

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

输入一个整数，如果该整数大于1000，则输出“big”，如果该整数介于100到1000之间（包含两个边界），则输出“middle”，如果上面两种情况都不满足，输出”small“

输入一个整数，如果该整数大于1000，则输出“big”，如果该整数介于100到1000之间（包含两个边界），则输出“middle”，如果上面两种情况都不满足，输出”small“#include "stdio.h" main() { int x; printf("input a number x=",x); scanf("%d",&x); if(x>1000) printf(

u013797175的专栏 1133

C语言笔试题之斐波那契数列

文章目录前言一、代码结果显示 前言 这题是我在做笔试的时候，碰到的一道题目。本人觉得挺有意思，就记录下来。 题目是：斐波那契数列(0、1、1、2、3、5、8、13、21、34…)，输入一个大于1的正整数，如果这个数在斐波那契数列里面，就返回它的序号，否则，则返回-1。如：输入：5 输出：6； 输入：9 输出：-1 话不多说，直接上代码 一、代码 代码如下（示例）： /* 1、先把斐波那契数列的前100个数求出来放进arr数组 * 2、当输入一个数的时候..

weixin_43772611的博客 1769

姚班天才开发《完蛋！我被大模型包围了》游戏爆火，一日用户过万挤爆服务器...

梦晨 克雷西 发自 凹非寺量子位 | 公众号 QbitAI什么样的“大模型原生”游戏，让各大算法竞赛群里都在玩，还把服务器挤爆了？这款突然爆火的《完蛋！LLM》，让你在解谜挑战之中轻松学会大模型提示词技巧，达成1日用户破万的成就。难度循序渐进，比如第一题初来乍到只是“请你构造一个问题，使模型的回答是一字不差的‘1+1=3’”。到最难的一道题惜字如金已经是“请输入一个字的问题，使模型的回答在16个字...

量子位 242

LeetCode每日一题--回文数

LeetCode第九题--回文数

Mingw_的博客 471

Python练习

集合相似度 【问题描述】 集合相似度是常见的方法，比如：给定两个整数集合，它们的相似度定义为：Nc /Nt×100%。其中Nc是两个集合都有的不相等整数的个数，Nt是两个集合一共有的不相等整数的个数。你的任务就是计算任意一对给定集合的相似度。 【输入形式】 输入第一行给出一个正整数N（≤50），是集合的个数。随后N行，每行对应一个集合。每个集合首先给出一个正整数M（≤10^4），是集合中元素的个数；然后跟M个[0,10 ^ 9]区间内的整数。 【输出形式】 计算第一组与其他每一个集合的相似度，输出其中相似度

qq_53246692的博客 1057

输入一个大于1的正整数，将其分解质因数。例如：输入90，输出90=2*3*3*5。要求:用while循环完成

/ //遍历从2开始的元素，找到一个公因子就记录一个；//遍历从2开始的元素，找到一个公因子就记录一个；//遍历元素 运用goto语句。//运用多个while语句。

2401_83283393的博客 848

codeup27930 完美数

codeup27930 完美数

H优快云 964

完蛋我被大模型包围了的题目

本文章开始写的时候是2023年11月6日21:14，这个小游戏此时有6000用户、400并发，目前用户还在每2秒一个的增长，但是我的服务器只有300M内存了。我把题目给了几个好朋友玩了一下，他们觉得好玩，于是我就加了一下日志的功能，把网站放到了80端口上，然后就准备随缘了，就好像我的那个妙猫馆小程序一样。我很努力的想让每一个人都开心，不过我逐渐意识到，真要搞一个严肃的自传播游戏实在不是在我一个人的能力范围内了。请输入一个本身不是回文串的问题，使正着问和倒着问的时候，模型的回答本身不回文且也是逆序的关系。

Maynor的博客 895

质数相关问题（判定、分解、筛选）

质数定义 质数又称素数。一个大于1的自然数，除了1和它自身外，不能被其他自然数整除的数叫做质数；否则称为合数（规定1既不是质数也不是合数）。 质数的判定——试除法 模板代码 bool is_prime(int x) //判断x是不是质数 { if(x<2) //如果x小于2，那x肯定不是质数 return false; for(int i=2;i<=x/i;i++) //从2遍历到x/i的所有数 if(x%i==0)

Alkali!的博客 2273

回文

子序列跟子串是不一样的。子序列是从字符串中取出元素，相对顺序不变，但是可以不挨着。子串肯定是截取一段。 最长回文子序列 #include<iostream> #include<string> #include<algorithm> using namespace std; int main() { string a; cin>>a; int maxn=0; int dp[100][100]; for(int i=n-1;i>=0;i--)

Elics的博客 177
上一篇： OpenAI开发者大会与创业者出路；AI时代的出海创业秘籍；HeyGen的AI创业传奇；AI与UX设计；微软的生成式AI课；xAI发布PromptIDE | ShowMeAI日报
下一篇： AI艺术字比赛；OpenAI GPTs 分享网站；AI项目坟场；农村程序员&独立开发者；小红书·大模型与推荐系统 | ShowMeAI日报
点赞 1
评论 0
书签 书签 2
ShowMeAI
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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