个人智能聊天助手-即刻轻松拥有

3天干完6个月的活,Claude把模型搬上AMD 一条挺刺激的消息:Anthropic 给投资人的材料里有一张幻灯片,写着它的 Claude Mythos Preview 只花了大约​,就摸清了怎么让另一个 Claude 模型在 AMD 的 MI355X 上跑起来。同一处还写了个对照数字:过去给一块新芯片做推理适配,通常要几十名工程师、​。3 天对 6 个月,这个比值太扎眼,当天中文互联网上就冒出一堆「英伟达的护城河塌了」的说法。我把能翻到的材料都翻了一遍,越看越觉得,塌掉的那一小块是真的,可塌的位置和很多人想的不一样。 阅读详情


✨✨ 欢迎大家来访Srlua的博文(づ ̄3 ̄)づ╭❤~✨✨

🌟🌟 欢迎各位亲爱的读者,感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢,在这里我会分享我的知识和经验。🎥

希望在这里,我们能一起探索IT世界的奥妙,提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏:传知代码论文复现

欢迎访问我的主页:Srlua小谢 获取更多信息和资源。✨✨🌙🌙

​​

​​

目录

个人智能聊天助手-即刻轻松拥有

论文讲解

背景介绍

论文方法

预训练目标

自回归词块填空

多任务预训练

模型架构

2D 位置编码

微调 GLM

实验结果

代码复现

环境配置

模型下载

启动ChatGLM

对话效果

总结

参考链接


 本文所有资源均可在该地址处获取。

个人智能聊天助手-即刻轻松拥有

本地搭建大语言模型,随时随地可以使用的智能聊天助手,本文包括论文原理讲解和代码复现

论文讲解

论文题目:GLM: General Language Model Pretraining with Autoregressive Blank Infilling(基于自回归词块填空的通用语言模型预训练)

该论文提出了一个名为ChatGLM的模型,可以提供像ChatGPT一样的对话功能,是很好的个人聊天助手,针对中文的优化很好。

ChatGLM是由清华大学自然语言处理实验室 (THUDM) 开发的大型语言模型,支持中英双语问答。它基于通用语言模型 (GLM) 架构构建,拥有62亿参数,在对话流畅度、部署门槛低等方面表现出色。

主要特点:

  • 对话流畅: ChatGLM能够进行多轮对话,并生成内容丰富、语法正确的文本。
  • 支持中英双语: ChatGLM支持中英文问答,可满足不同语言用户的需求。
  • 强大性能:ChatGLM2-6B 升级版在性能、上下文长度、推理效率等方面均有显著提升。

应用场景:

  • 虚拟助手: ChatGLM可作为虚拟助手,帮助用户完成日程管理、信息查询等任务。
  • 创作辅助: ChatGLM可用于辅助创作,为用户提供灵感和素材。
  • 教育问答: ChatGLM可用于构建教育问答系统,为学生提供个性化的学习辅导。

背景介绍

近年来,各种预训练架构不断涌现,例如用于理解语言的编码模型 (BERT)、用于生成文本的自体回归模型 (GPT) 以及可用于多种任务的编码器-解码器模型 (T5)。然而,这些预训练框架没有一种能同时在三大领域(自然语言理解 (NLU)、无条件生成和条件生成)的所有任务上取得最佳表现。

正是为了解决这一挑战,清华大学提出了基于自体回归词块填空的通用语言模型 (GLM)。GLM 通过加入二维位置编码以及允许任意顺序预测词块,改进了词块填空预训练方法,在 NLU 任务上相比 BERT 和 T5 取得了性能提升。同时,GLM 可以通过改变词块数量和长度来针对不同类型的任务进行预训练。

在涵盖 NLU、条件生成和无条件生成等广泛任务的测试中,GLM 在相同模型大小和数据量的情况下均优于 BERT、T5 和 GPT,并且使用比 BERT-Large 少 1.25 倍参数的预训练模型实现了最佳性能。这表明了 GLM 在适应不同下游任务方面的泛化能力。

论文方法

GLM的工作原理,GLM 是一种生成式语言模型,其目标是生成自然语言文本。在这个图中,绿色部分代表了文本中被隐藏的部分,也就是被屏蔽的文本片段。而 GLM 则会自动地逐步生成这些被屏蔽的文本内容。这个过程是自回归的,意味着模型会逐个单词或单词片段地生成文本,每一步的生成都依赖于之前已生成的内容。这种自回归的方式使得模型能够更好地理解语境和结构,并生成更合理、更连贯的文本。

预训练目标
自回归词块填空

GLM(Generative Language Model)的预训练过程

(a) 原始文本为 [x1; x2; x3; x4; x5; x6],这里的 x1 到 x6 是文本中的单词或单词片段。在这个阶段,从原始文本中随机选择了两个片段,分别是 [x3] 和 [x5; x6]。

(b) 在图a的基础上,将所选的片段用 [M] 替换,同时在图b的部分将被选中的片段重新排列。

© 在预处理的基础上,GLM 开始自回归地生成图b中的 Part B。每个片段都会在前面加上 [S] 作为输入,后面加上 [E] 作为输出。同时,2D 位置编码表示了片段间和片段内的位置关系。

(d) 自注意力掩码显示了哪些区域被屏蔽掉。灰色区域表示被屏蔽的区域。Part A 中的标记可以自我关注(蓝色边框),但不能关注 Part B。而 Part B 中的标记可以关注 Part A 和自身在 B 中的前驱(黄色和绿色边框对应两个片段)。其中,[M] 代表 [MASK],[S] 代表 [START],[E] 代表 [END]。

这些步骤结合了预训练过程中的关键要素,包括文本选择、替换和重排、自回归生成以及自注意力机制的应用。这些步骤的设计有助于提高模型对语言结构的理解和生成能力,从而提高了模型在各种自然语言处理任务中的性能表现。

多任务预训练

在前文中,作者提到了 GLM 模型,该模型在处理自然语言理解(NLU)任务时,会屏蔽短文本片段进行预训练。但是,作者想要训练一个单一的模型,能够同时处理 NLU 和文本生成任务。因此,他们提出了一种多任务预训练的方法,在该方法中,除了之前的屏蔽填充(blank infilling)目标外,还引入了生成更长文本的目标。

具体地,他们提出了两个新的目标:

  1. 文档级别目标:从原始文本中随机抽样一个长度在原始长度的50%到100%之间的文本片段,目标是生成更长的文本。
  2. 句子级别目标:限制被屏蔽的文本片段必须是完整的句子。从原始文本中随机抽样多个句子,以覆盖原始标记的15%。这个目标适用于序列到序列(seq2seq)任务,其预测结果通常是完整的句子或段落。
模型架构

GLM 使用了 Transformer 模型,但对其架构进行了几处修改。

  • 调整了层归一化(layer normalization)和残差连接(residual connection)的顺序,这是为了避免在大规模语言模型中出现数值错误。
  • 使用了一个单一的线性层进行输出的标记预测。
  • 将 ReLU 激活函数替换为 GeLU(Gaussian Error Linear Units)激活函数。
2D 位置编码

在自回归填充任务中,模型需要预测被屏蔽的文本片段。为了使模型能够理解文本中的位置信息,通常会使用位置编码。在传统的 Transformer 模型中,通常使用 1D 位置编码来表示标记的位置,但对于自回归填充任务,需要更复杂的位置编码方法来处理屏蔽文本片段的位置信息。

作者提出了 2D 位置编码的概念,其核心思想是为每个标记引入两个位置 id,以捕捉不同级别的位置信息:

  1. 第一个位置 id 表示标记在被损坏的文本中的位置。对于被屏蔽的文本片段,它对应于相应的 [MASK] 标记的位置。这个位置 id 帮助模型理解文本中被屏蔽的部分的整体位置。
  2. 第二个位置 id 表示标记在其所在文本片段中的相对位置。对于 Part A 中的标记,其第二个位置 id 为 0,因为它们是片段的起始标记。对于 Part B 中的标记,其位置 id 从 1 开始递增,直到片段的长度。这个位置 id 帮助模型理解文本片段内部的相对位置关系。

为了实现这种编码,作者使用了两个可学习的嵌入表,分别用于将两个位置 id 投影到两个不同的向量空间。然后,这两个向量与输入标记的嵌入相加,从而将位置信息融入到模型的输入表示中。

微调 GLM

传统方法:

  • 通常,对于下游的 NLU 任务,一个线性分类器将预训练模型生成的序列或标记表示作为输入,并预测正确的标签。
  • 这种做法与生成式预训练任务不同,导致了预训练和微调之间的不一致性。

重构 NLU 分类任务:

作者采用了一种新的思路,将 NLU 分类任务重新构建为空白填充的生成任务,这是 PET(Pattern Exploiting Training)方法的一种扩展。具体地,给定一个标记化的示例 (x; y),通过一个包含单个屏蔽标记的模式,将输入文本 x 转换为一个填充题 c(x)。这个模式用自然语言书写,以表示任务的语义。例如,情感分类任务可以被构建为 “{SENTENCE}. It’s really [MASK]”。候选标签 y 属于标签集 Y,也被映射为填充题的答案,称为 “verbalizer” v(y)。在情感分类中,“positive” 和 “negative” 被映射为 “good” 和 “bad”。在这个框架下,给定文本 x 的条件概率 p(y|x) 被定义为填充题答案 v(y) 给定填充题 c(x) 的概率的条件概率。

最后,作者使用交叉熵损失对 GLM 进行微调。对于文本生成任务,给定上下文构成了输入的 Part A,末尾附加了一个屏蔽标记。模型自回归地生成 Part B 的文本。

实验结果

在 Table 1 中,展示了实验结果。在相同数量的训练数据下,GLM 在大多数任务上都比 BERT 表现更好,无论是基础还是大型的架构。唯一的例外是 WiC(词义消歧)任务。平均而言,GLMBase 比 BERTBase 的得分高出了 4.6%,而 GLMLarge 比 BERTLarge 高出了 5.0%。这清楚地展示了我们的方法在自然语言理解任务中的优势。在 RoBERTaLarge 的设置下,GLMRoBERTa 仍然能够在基准线上取得改进,但幅度较小。具体来说,GLMRoBERTa 比 T5Large 表现更好,但却只有后者的一半大小。我们还发现,BART 在具有挑战性的 SuperGLUE 基准上表现不佳。我们推测这可能是由于编码器-解码器架构和去噪序列到序列目标的低参数效率所导致的。

Table 2展示了在更大语料库上训练的模型的结果。GLMRoBERTa能够在两个生成任务上达到与其他预训练模型相匹配的性能水平。GLMSent的表现可能比GLMRoBERTa还要好,而GLMDoc的表现略逊于GLMRoBERTa。这表明,针对文档级别的目标,即教导模型扩展给定的上下文,对于条件生成并不太有帮助,而条件生成的目标是从上下文中提取有用信息。将GLMDoc的参数增加到410M可在两个任务上获得最佳性能。在更大的语料库上训练的模型的结果显示在表2中。GLMRoBERTa可以达到与seq2seq BART模型相匹配的性能,并且胜过T5和UniLMv2。

图 4 展示了实验结果。所有模型都在零样本设置下进行评估。由于 GLM 学习了双向注意力,评估了在上下文使用双向注意力编码的情况下的 GLM 的性能。在预训练期间没有生成目标的情况下,GLMLarge 无法完成语言建模任务。具有相同数量参数的情况下,GLMDoc 的表现比 GPTLarge 差。这是因为 GLMDoc 也优化了空白填充的目标。将模型的参数增加到 410M(GPTLarge 的1.25倍)会使性能接近 GPTLarge。GLM515M(GPTLarge 的1.5倍)可以进一步胜过 GPTLarge。在相同数量参数的情况下,使用双向注意力编码上下文可以提高语言建模的性能。在这种情况下,GLM410M 的表现优于 GPTLarge。这是 GLM 相对于单向 GPT 的优势所在。我们还研究了 2D 位置编码对长文本生成的贡献。我们发现,去除 2D 位置编码会导致语言建模的准确性降低和困惑度增加。

代码复现

环境配置

基本的环境配置要点如下

  • 最好使用显卡的电脑,如果没有显卡,chatglm响应较慢。(本人使用1660 Ti (6G)显卡,大家可以参考此配置)
  • 电脑能够访问github,并安装git工具,方便下载代码。(如果不能访问,附件中有我整理的代码包,即开即用。)
  • 安装好编程语言工具python,可以直接安装,也可以使用Conda环境

1、在Windows下需要配置有Python环境,建议使用Conda环境。

# 创建一个chatglm环境,方便后续安装包
conda create –n chatglm python=3.8.5
# 激活chatglm环境,注意安装包一定要激活环境安装
activate chatglm

2、拉取官方的代码,如果不能拉取代码,可我整理好的附件使用。

git clone https://github.com/THUDM/GLM.git

拉取代码后的目录结构如下所示,如果不能正常拉取代码,可以使用本文附件的代码。

3、安装代码运行所需要的包(已成功下载官方代码或者下载了我整理好的代码包),此过程需要等待一段时间。

pip install -r requirements.txt

模型下载

需要访问网站https://huggingface.co,下载ChatGLM的权值,网址如下:

https://huggingface.co/THUDM/chatglm-6b/tree/main

下载好的模型文件需要放在代码包的THUDM\chatglm-6b路径下,这个路径也可以自行选择。

D:\Code\PyCharm\Study\NLP\ChatGLM-6B\THUDM\chatglm-6b

启动ChatGLM

做好以上准备工作后,可以准备启动ChatGLM模型,在代码文件中共有4个可以启动模型的文件,亲测后建议使用web_demo2.py文件

不能直接运行web_demo2.py,否者会报错。报错原因是此文件应该在控制台中启动

需要激活环境,并再控制台启动。

# 激活chatglm环境,注意安装包一定要激活环境安装
activate chatglm
# 运行模型
streamlit run web_demo2.py

成功启动模型后,会自动打开浏览器的页面,如下图所示。

对话效果

如下图所示,已经成功启动ChatGLM,并可以与其进行对话。

总结

ChatGLM是一个很符合中国人的一个大语言模型,并且针对中文的问答效果优化很好。大家可以不妨动手试试,部署在个人电脑上体验一下,轻松拥有一个智能对话助手。

参考链接

ChatGLM论文 链接

​​

DreamCut:AI驱动的视频编辑与屏幕录制工具 正如Sapien的联合创始人Pranav Ravella所说:“创建初创公司的关键是与值得信赖的人合作,利用你们共同的激情去构建改变游戏规则的产品。” Sapien正在这条道路上稳步前行,用其创新的AI解决方案重新定义财务行业的未来。t=O83A。 阅读详情

相关推荐

智能租房信息平台项目总结

当下租房市场存在信息不对称、供需匹配低效等痛点,租客与房东均面临诸多困扰。为此,我们启动智能租房信息平台项目,依托数字化技术搭建便捷服务桥梁。团队历经数月深耕,梳理需求、攻克难点,将构想落地,现结合项目历程复盘总结,分享经验与思考。1、AI 助手始终回复 “暂时不可用”接入 Dify 聊天 API 后,前端 AI 助手无论输入什么问题,均固定返回 “AI 助手暂时不可用”,无法获取有效回复内容。

2301_81158843的博客 427

终极指南:打造你的专属微信AI聊天助手

还在为微信聊天单调乏味而烦恼吗?想要一个既能陪你聊天、又能懂你心情的智能伙伴吗?今天我要分享一个超实用的微信聊天机器人项目,让你轻松拥有专属AI助手,告别机械回复,享受自然流畅的对话体验!✨ ## 为什么你需要这个微信AI聊天助手?🌟 ### 🤖 告别单调聊天,享受智能互动 传统聊天机器人总是机械地回复,而我们的微信AI聊天助手能理解语境、感知情绪,像真人一样与你对话。无论是日常闲聊、情感

gitblog_00826的博客 477

设计的多实例引用(Multiple Instances of a Design Reference)

一、什么是“设计的多实例引用” 在层次化的设计中,我们经常会将一个module例化多份,这些例化的instance就是设计的module的多实例引用。 二、为什么要解决多实例引用 三、怎么解决多实例引用 ...

kevindas的博客 3720

GitHub_Trending/pe/personal-ai快速开始:3分钟搭建你的智能聊天助手

你还在为复杂的AI助手部署流程烦恼吗?还在担心没有专用硬件无法使用智能助手吗?本文将带你3分钟上手GitHub_Trending/pe/personal-ai项目,无需专用硬件,通过平台服务和Apple Shortcuts,轻松搭建属于你的智能聊天助手,实现天气查询等实用功能。读完本文,你将掌握项目的克隆、依赖安装、配置部署以及Shortcuts设置的全流程,让AI助手即刻为你服务。 ## 项目...

gitblog_00086的博客 343

计数译码驱动显示电路实验报告_京东方G0A电路、阵列基板、显示 装置及驱动方法广州威彩...

图1、实施例二所述的选择子单元的结构示意图图2、实施例四所述的GOA电路结构示意图图3、实施例七所述的阵列基板的局部结构示意图图4、实施例所述的极性反转驱动方法的第一场的各信号时序图图5、实施例所述的极性反转驱动方法的第二场的各信号时序图图6、实施例所述的极性反转驱动方法的第三场的各信号时序图图7、实施例所述的极性反转驱动方法的第四场的各信号时序图图8、为图4所示时序下,实施例八所述显示...

weixin_35696112的博客 926

IBM Storwize V3700存储维护实战:硬盘更换、电源模块热插拔与带外管理IP配置

在企业IT基础设施中,存储阵列是数据持久化的核心组件,其稳定运行直接关系到业务连续性。存储阵列通常采用RAID技术实现数据冗余,并通过热插拔、冗余电源等设计保障高可用性。带外管理则提供了独立于业务网络的硬件级监控与管理通道,是运维的关键手段。本次实战以一台IBM Storwize V3700存储阵列为例,详细记录了在业务低峰期,依据严谨的操作流程,对出现SMART预警的硬盘进行在线更换,并对有异响的冗余电源模块实施热插拔更换。针对管理界面强制要求设置VIP才能配置带外管理地址的限制,文章提供了通过SSH命令

weixin_29172963的博客 305

告别繁琐配置,NextChat让智能更简单!

今天,全新升级的 NextChat——不仅性能更强大,还极大简化了使用流程,让智能沟通更加轻松便捷!过去,配置 AI 应用时,用户常常需要手动输入接口地址,过程复杂又费时。现在,NextChat 全面升级系统,简化操作流程——只需输入一个 API Key,即刻解锁强大的智能对话功能!升级后的版本支持快速部署——只需一键设置,整个团队即可共享 AI 支持,让每位成员都能享受 AI 带来的效率提升。通过一键部署,整个团队即可享受 AI 支持,协作更高效、沟通更顺畅,为企业运营注入新的动力。

Ai_Xiaofei的博客 1222

STM32 Boot程序实战:从启动流程到安全跳转机制解析

本文深入解析STM32 Boot程序的核心作用与安全跳转机制,涵盖启动流程、内存管理、中断向量表重定向及固件验证等关键环节。通过实战案例分享如何实现可靠的固件升级与故障回退策略,避免设备变砖风险,提升嵌入式系统稳定性。

pluto的博客 780

智能体工具库框架:标准化工具管理,提升AI智能体开发效率

在AI智能体开发中,工具调用是连接智能体与外部能力的关键环节。其核心原理在于通过统一的抽象层,将多样化的功能封装为标准化接口,实现工具实现与智能体决策逻辑的解耦。这一设计的技术价值在于显著降低了系统集成复杂度,提升了开发效率和可维护性。在实际应用场景中,无论是构建多功能聊天助手还是企业级自动化流程,统一的工具管理框架都能让智能体像使用工具箱一样,轻松、可靠地调用外部API、数据库查询等各类服务。本文以agent-tool框架为例,深入探讨了如何通过工具注册、安全沙箱等机制,实现智能体工具的高效管理与安全调用

weixin_28718641的博客 348

ENS160传感器原理图设计,已量产(空气质量传感器)

ENS160 是一款集成式数字空气质量传感器,核心优势源于 “MEMS 传感元件 + 内置微处理器” 的架构。

不脱发的程序猿 577

YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进

Hello,各位读者们好.本文为最新YOLOv11有效涨点专栏目录,YOLOv11以及发布了一个月左右,这个过程中我也是给大家整理了许多的机制,其中包含了C3k2、主干(均支持根据yolov11训练的版本进行二次缩放,全系列都能轻量化)、检测头、注意力机制、Neck多种结构上创新,也有损失函数和一些细节点上的创新。

Snu77的博客 8万+

Codex级产品!ToDesk AI 实测,用 Prompt 接管你的工作流

ToDeskAI是一款零门槛的桌面级AI工具,基于OpenClaw深度优化,融合远程控制技术,实现AI从内容生成到实操落地的全流程办公自动化。它具备文案创作、文件管理、热点筛查、跨设备协同等核心功能,支持自定义工作流和定时任务。相比传统AI工具,ToDeskAI突破"只说不做"局限,通过技术简化使复杂部署一键完成,让AI真正成为能独立处理办公任务的数字助手。其四大优势在于操作简易性、全流程执行能力、稳定的远程协同和广泛场景覆盖,重新定义了智能办公的实践标准。

2402_89003542的博客 1万+

CDDT CST CDDT CSTTT

This is the second part of the SA8653 automotive CDDT configuration guide. It describes the matching rules and modification methods between CDDT and device‑tree DDTS. It explains CDT’s underlying logic and configuration in TZ, QNX and Android. It details C

qq_39257814的博客 1413

Dify 从入门到精通:探索开源LLM应用开发与LLMOps平台

Dify 就像一个 “生成式 AI 应用创新引擎”,它打破了技术壁垒,让更多人能参与到 AI 创新中。无论是简单的聊天助手,还是复杂的 AI 智能体,Dify 都能帮你快速落地。如果你也有 AI 应用的想法,不妨试试 Dify,让创意照进现实~(注:文中截图来自 Dify 官方资料,具体界面以实际版本为准)不需要修改内容 只把格式修改成公众号文章格式Dify 的核心,在于它对大语言模型(LLM)应用的开发与运营流程进行了彻底的解构与重塑。

QiqiisnotQiqi的博客 1548

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

ChopperBot革命性AI工具:如何10分钟搭建全自动视频剪辑发布平台

ChopperBot是一款终极智能直播视频剪辑发布AI机器人,能够自动化处理虎牙、斗鱼、抖音、BiliBili、TikTok、Twitch等平台的热门视频内容,实现全智能化的切片生成、标题创作、封面设计和简介撰写。通过可视化界面和平台热门监控功能,用户可以轻松打造属于自己的视频账号自动发布系统,支持丰富插件扩展和快速部署。 ## 为什么选择ChopperBot? 在当今视频内容爆炸的时代,如何

gitblog_00873的博客 491

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

AI大纲、扩写、改写,3步解决所有期末论文!

在快乐迎接新年之前,同学们都要面对期末周这一难关,不少课程都需要提交论文作为期末考核,于是在复习考试的间隙,大家还不得不苦思冥想论文怎么写,实在是非常折磨。其实期末论文说难是难,但如果掌握了要点,再加上AI辅助,想要高效完成其实也简单。论文无非是结构(包括思路、分论点)、表述、引用,而在这三方面,AI都能提供很大的助力:没有思路,分论点不够,确定不了论文结构?用AI一键免费生成大纲,便能快速拓展思路,激发灵感;有想法但不会阐释、找不到合适的表述?用AI扩写,几秒之内便能获得丰富严谨的表达;

EdwardAITooL的博客 1676

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

大学生的福音!值得推荐的 AI 论文写作工具

撰写学术论文对许多学生来说是一项挑战,他们常常面临灵感匮乏、资料筛选困难以及写作障碍等问题。幸运的是,2024年的AI论文生成工具能够有效缓解这些难题,显著提高写作效率。这类工具不仅可以帮助构建文章大纲,还能辅助生成内容,从而拓宽思路。

huayishuo的博客 1505

OpenVINO™ 助力 Qwen 2 —— 开启大语言模型新时代

点击蓝字关注我们,让开发变得更有趣排版| 李擎OpenVINO™ 助力 Qwen 2—— 开启大语言模型新时代就在刚刚,阿里魔搭社区发布了全新的 Qwen 2 系列模型 ,作为 Qwen 及魔搭社区的重要合作伙伴,OpenVINO™ 一直致力于赋能开发者高效搭建人工智能解决方案,助力大规模语言模型的性能提升和应用扩展。接下来,由小编来为大家介绍本次 Qwen 2 的发布亮点并全面讲解 Open...

OpenVINO的博客 1092

大纲、扩写、改写,AI高效赋能论文写作

我会推荐所有要写论文的同学们都尝试用AI,智能辅助,高效赋能,为你扫除论文路上的一切障碍!没有思路,分论点不够,确定不了论文结构?用AI一键免费生成大纲,快速拓展思路,激发灵感!有想法但不会阐释、找不到合适的表述?用AI扩写,一键丰富表达!想要引用别人的观点但不会转述?用AI改写,转述观点从未如此丝滑!

2301_79545694的博客 2645

本地化部署 DeepSeek,构建单细胞与空间转录组 AI 分析平台

本地化部署 DeepSeek,构建单细胞与空间转录组 AI 分析平台

weixin_53637133的博客 187

【第 009 讲】全面掌握 Python 注释:注释的定义与作用 | 单行注释 | 三引号与多行注释 | 注释使用的最佳实践

本文系统讲解 Python 注释的完整知识体系:从注释的定义与作用讲起,梳理单行注释的书写位置、临时屏蔽用法与 PEP 8 排版规范,剖析注释被忽略的底层机制;进而说明三引号字符串的本质与嵌套问题;最后给出注释使用的三条实践原则,帮助读者写好可读性高的注释。

大模型全栈工程师 · Thanks_ks 1216

AI全栈实战 | 3.9-01 爬虫入门:requests 加 BeautifulSoup 三分钟跑通,但 90% 的人栽在这 4 个“礼貌“问题上

⚠️:本文内容仅用于。请遵守目标站点的服务条款与相关法律法规,不得对目标服务造成负担,不得采集、传播个人隐私数据。技术是中性的,边界在你手里。爬虫的入门技术(requests 发请求 + BeautifulSoup 解析)三分钟就能学会。真正区分"会用爬虫"和"会做爬虫的人"的,是这篇我们跑通"请求→解析→存储"的最小闭环,然后重点把"合规与礼貌"这根弦给你绷上。

源码获取 | 运行部署 | 定制二开修改,如果回复不及时请耐心等待,请见谅。 450

Python 的 yield from 到底转发了什么:拆开 send、throw 和那个 return 值

很多人把yield from记成「省一层 for 循环的语法糖」。写和写,结果看着一样,于是就当它只是少敲几个字。这个理解会在三个地方翻车:调用方.send()的值送不进去、子生成器return的值拿不到、异常和close()传不下去。yield from真正做的事是,外层生成器退成一个透明通道。本文所有输出来自本机 CPython 3.13.14 实测。yield from不是循环,是委托——nextsendthrowclose四个方向的流量全部直通子生成器,并且子生成器return。

小小张说故事的博客 164

从一段视频到可漫游的 4D 有声场景:思路拆解与最小复现手记

只需一段手机视频,你就能生成可"走进去"的 4D 有声场景:转头时狗叫声方向随之变化,走近时声音更清晰。本文拆解 Video-to-4DAVScene 的核心思路,手把手带你用几十行 Python 搭出最小管线,把视频中的运动物体变成带空间位置的声源,并附上三个真实踩坑的排障经验,代码可直接跑。🎧

helloagent的博客 247
上一篇: 图像高清化
下一篇: 一键找出图像中物体的角点
Srlua小谢
Srlua小谢 优质创作者: 编程框架技术领域 优质创作者: 编程框架技术领域
博客等级 码龄4年 8963粉丝 332原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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
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