<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Beyourself]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/baidu_20163013</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; baidu_20163013]]></copyright><item><title><![CDATA[如何让 ChatGPT 写短篇小说？]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/128210109</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/128210109</guid><author>baidu_20163013</author><pubDate>Thu, 08 Dec 2022 23:03:41 +0800</pubDate><description><![CDATA[让 ChatGPT 写小说如此简单]]></description><category></category></item><item><title><![CDATA[如何诱导 ChatGPT 露出真实面目？]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/128204997</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/128204997</guid><author>baidu_20163013</author><pubDate>Tue, 06 Dec 2022 17:29:19 +0800</pubDate><description><![CDATA[AI会攻击人类吗？不妨问问ChatGPT]]></description><category></category></item><item><title><![CDATA[ChatGPT成精了！]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/128197090</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/128197090</guid><author>baidu_20163013</author><pubDate>Tue, 06 Dec 2022 11:21:32 +0800</pubDate><description><![CDATA[ChatGPT效果超乎你想象！]]></description><category></category></item><item><title><![CDATA[SParC: Cross-Domain Semantic Parsing in Context  论文解读]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/117187333</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/117187333</guid><author>baidu_20163013</author><pubDate>Sun, 23 May 2021 09:47:08 +0800</pubDate><description><![CDATA[前言：SParC是一个基于 Spider 数据集扩展的有上下文依赖的对话是 Text-to-SQL 数据集。不同于 Spider 一句话 对应一个最终 SQL，SParC 通常需要通过多轮对话来实现用户的查询意图，并且在交互过程中，用户会省略很多之前提到的信息，或者新增、修改之前提到过一些内容，使得该任务更具挑战性。




基本信息


	标题：SParC: Cross-Domain Semantic Parsing in Context
	
	
	作者：Tao Yu等
	
	
	单位：耶鲁大学...]]></description><category></category></item><item><title><![CDATA[codalab环境搭建及新手教程]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/116855012</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/116855012</guid><author>baidu_20163013</author><pubDate>Sat, 15 May 2021 16:45:23 +0800</pubDate><description><![CDATA[codalab环境搭建及新手教程
文章目录codalab环境搭建及新手教程codalab简介本地环境配置命令用法样例实战注意事项进阶教程参考链接总结
更新时间：2021年5月13日

前言：由于科研需要codalab平台，便开始学习如何使用它，中文相关介绍非常之少，于是便把官方英文文档统统刷了 一遍，踩了很多坑，终于可以熟练使用它了。把我的采坑经历记录下来，填补这片空白，希望能帮大家节省宝贵的时间，可以更快地上手。

codalab简介
CodaLab工作表是一个开源平台，它提供了一个生态系统，可以以更高效]]></description><category></category></item><item><title><![CDATA[Structure-Grounded Pretraining for Text-to-SQL 论文解读]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/116358155</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/116358155</guid><author>baidu_20163013</author><pubDate>Sun, 02 May 2021 23:09:57 +0800</pubDate><description><![CDATA[STRUG：Structure-Grounded Pretraining for Text-to-SQL
该论文已被 NAACL 2021 所接收。
pdf：https://arxiv.org/abs/2010.12773
总结：本文通过使用现有的数据集 ToTTo 来构造预训练任务，包含3个训练目标，分别是 column grouding（预测列名是否在utterance中被提到，包括直接提到和提到相关的value）、value grounding（预测一个utterance的token是否是value）]]></description><category></category></item><item><title><![CDATA[GAP：Learning Contextual Representations for Semantic Parsing with Generation-Augmented Pre-Training]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/116278509</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/116278509</guid><author>baidu_20163013</author><pubDate>Thu, 29 Apr 2021 22:53:01 +0800</pubDate><description><![CDATA[Learning Contextual Representations for Semantic Parsing with Generation-Augmented Pre-Training论文解读

pdf：https://arxiv.org/abs/2012.10309

该论文已被 AAAI 2021 所接收。

生成式增强预训练。GAP (Generation-Augmented Pre-Training)



摘要

现有的通用语言模型在Text-to-sql任务上存在3个问题：


	1、..]]></description><category></category></item><item><title><![CDATA[Fat-tree：A Scalable, Commodity Data Center Network Architecture 解读]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/110004560</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/110004560</guid><author>baidu_20163013</author><pubDate>Mon, 23 Nov 2020 18:56:39 +0800</pubDate><description><![CDATA[Fat-tree：A Scalable, Commodity Data Center Network Architecture 解读


title: 一种可扩展的、商品化的数据中心网络体系结构



第一部分：背景



传统的数据中心网络架构







传统的数据中心网络架构分为三层（从下往上）：

第一层，接入层（Access Layer）。也称 Edge Layer，直接连接服务器的交换机。

第二层，汇聚层（Aggregation Layer）。汇聚交换机连接Access交换机，同时...]]></description><category></category></item><item><title><![CDATA[让人抓狂的换行符LF和CRLF]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/107954526</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/107954526</guid><author>baidu_20163013</author><pubDate>Wed, 12 Aug 2020 12:19:15 +0800</pubDate><description><![CDATA[让人抓狂的换行符LF和CRLF
前言
使用过git的小伙伴都知道，提交版本前会使用git diff来对比一下当前的修改，确认无误后再commit。
然而，有时候会碰上这种情况（Pycharm里的文件对比）：

红框里的意思：内容上仅仅是换行符的差异。
左边是上一版本，右边是当前版本（工作区的版本）。
左边的换行符是 LF，右边换行符是 CRLF。
下面依次几个问题:

LF和CRLF是什么？
为什么代码里会出现这种diff？
如何处理这种换行符差异？

问题一：LF和CRLF是什么？


LF："\n"，L]]></description><category></category></item><item><title><![CDATA[RoBERTa：一种鲁棒地优化BERT预训练的方法]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/107485366</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/107485366</guid><author>baidu_20163013</author><pubDate>Tue, 21 Jul 2020 11:51:16 +0800</pubDate><description><![CDATA[RoBERTa：一种鲁棒地优化BERT预训练的方法
文章目录RoBERTa：一种鲁棒地优化BERT预训练的方法前言背景实验静态 VS 动态 Masking输入形式与NSP任务更大的batch_size更大的BPE词汇表总结使用最后
前言
本文提出了一种对BERT预训练进行精细调参和调整训练集的方法，用这种方法对BERT进行预训练还能提升性能。
自训练的方法，诸如 ELMo、GPT、BERT、XLM、XLNet 均带来了很大的性能提升，但很难搞懂究竟是方法的哪些方面对模型性能的提升贡献最大。
我们复现了BER]]></description><category></category></item><item><title><![CDATA[torch-sparse gcc编译失败分析]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/105470332</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/105470332</guid><author>baidu_20163013</author><pubDate>Sun, 12 Apr 2020 15:34:15 +0800</pubDate><description><![CDATA[torch-sparse安装失败分析
环境

Linux: Ubuntu 16.04
cuda: 9.0
cudnn: 7.3.0
pytorch: 1.1.0
python: 3.6
torch-geometric: 1.4.3
torch-sparse报错的版本：0.6.0

报错内容
/tmp/pip-install-vjwvkdbw/torch-sparse/csrc/spspmm.cpp...]]></description><category></category></item><item><title><![CDATA[知识驱动的主动式开放域对话系统 by 车万翔  2020/4/11]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/105464218</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/105464218</guid><author>baidu_20163013</author><pubDate>Sun, 12 Apr 2020 09:08:30 +0800</pubDate><description><![CDATA[目录



会议介绍

会议海报

相关内容截图

收获

会议介绍

本次NLP技术前沿进展报告大会由CCF举办，在腾讯会议上线上进行。

我下面分享的是车万翔老师的报告内容，主要介绍了在知识驱动的主动内容规划三个方面的工作：

如何在闲聊中规划多轮对话内容？
	KnowHRL：基于话题的多轮对话内容规划；话题来自知识图谱，作为可解释的离散状态
	
	如何解决KnowHRL依赖人工标注语料难以...]]></description><category></category></item><item><title><![CDATA[ParlAI 学习记录(一)：安装及demo上手]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/105457255</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/105457255</guid><author>baidu_20163013</author><pubDate>Sat, 11 Apr 2020 18:27:19 +0800</pubDate><description><![CDATA[目录ParlAI 学习记录(一)1、parl.ai简介2、快速上手2.1 安装2.2 跑跑demo熟悉一下
ParlAI 学习记录(一)
1、parl.ai简介
网站地址: https://parl.ai/
一个统一的分享、训练和评估对话模型的平台，支持各种对话任务。
特色：

包含所有主流的对话数据集，从开放域闲聊到可视化问答应有尽有；
一系列现成的模型供你参考使用，从抽取式基线模型到Trans...]]></description><category></category></item><item><title><![CDATA[最新github访问、下载慢解决办法]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/104860428</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/104860428</guid><author>baidu_20163013</author><pubDate>Sat, 14 Mar 2020 15:37:00 +0800</pubDate><description><![CDATA[在这之前，我百度和知乎搜了一下这个问题，很多方案过期了，并没有什么卵用。

于是，我在百度搜索结果的基础上，限定时间为一个月内，终于找到一篇有效的方案。

--------------------------------------------------------------------------------------------------------------

访问慢的原因：国内D...]]></description><category></category></item><item><title><![CDATA[Transformer实战]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/97389827</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/97389827</guid><author>baidu_20163013</author><pubDate>Fri, 26 Jul 2019 14:35:41 +0800</pubDate><description><![CDATA[引言：Transformer自从2017年提出到现在，已经被广泛应用于NLP各项任务中，尤其是NMT，取得的效果最明显。前面讲了Transformer模型，下面就来介绍一下Transformer实战。已经有很多大神写了Transformer的各种实现，本文参考的是哈佛大学2018年4月的一个实现版本。与以往纯翻译的博客不同，本文侧重整体结构+细节分析，并附上了很多模型局部图以及类的依赖关系图，解...]]></description><category></category></item><item><title><![CDATA[NMT实战理解Attention、Seq2Seq]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/94461060</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/94461060</guid><author>baidu_20163013</author><pubDate>Tue, 02 Jul 2019 17:43:07 +0800</pubDate><description><![CDATA[最近在看NMT相关的研究，论文很多，每隔几个月就会有新的论文发出来，提出新的模型或者改进，作为小白，我觉得还是先搞懂一些基础理念，试着去实现最简单的模型，练练手。
本次以Pytorch的Translation with sequence to sequence network and attention为例，介绍一下Seq2Seq和Attention机制，顺便了解一下最简单的NMT模型。好了话不多...]]></description><category></category></item><item><title><![CDATA[NLP数据预处理神器nltk]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/94380417</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/94380417</guid><author>baidu_20163013</author><pubDate>Mon, 01 Jul 2019 09:54:11 +0800</pubDate><description><![CDATA[神器nltk
安装很简单：
pip install nltk

第一次使用nltk的话，会报错，还需要下载一些资源包，按照提示下载即可：
import nltk
nltk.download('punkt')

可以简单测试一下：
import nltk
text = 'This is a test. I want to learn nltk.'
sens = nltk.sent_tokenize(...]]></description><category></category></item><item><title><![CDATA[面试常考知识点：快速排序]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/93175178</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/93175178</guid><author>baidu_20163013</author><pubDate>Fri, 21 Jun 2019 11:18:23 +0800</pubDate><description><![CDATA[快速排序
中心思想：分治法
核心问题
1、基准元素的选择
方案一：以数组的第一个元素为基准元素
极端情况：原数组有序，所选的元素刚好是最大/小值，导致每次分治后，数据严重倾斜，效率低下，时间复杂度最差(n^2)
方案二：随机选一个作为基准元素
也有极小几率选到数列的最大/小值
2、元素的移动
(1)、挖坑法
代码如下：
import java.util.Arrays;

public class ...]]></description><category></category></item><item><title><![CDATA[OpenNMT运行环境搭建]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/90678974</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/90678974</guid><author>baidu_20163013</author><pubDate>Wed, 29 May 2019 21:31:39 +0800</pubDate><description><![CDATA[OpenNMT运行环境搭建
前言：深度学习入门第一步就是搭建运行环境，安装各种框架，设置各种环境变量，其实熟练之后也就那么回事。下面我以OpenNMT为例，介绍搭建服务器运行环境的整个过程，供大家参考。
1、当前配置


服务器：ubuntu 18.04 LTS


cuda: 9.0


cudnn: 7.3.0


conda: 4.5.11


查看这些版本的命令，请自行百度吧，这里就不赘述...]]></description><category></category></item><item><title><![CDATA[SFFAI19-优秀博士经验分享几点感悟]]></title><link>https://blog.youkuaiyun.com/baidu_20163013/article/details/88774220</link><guid>https://blog.youkuaiyun.com/baidu_20163013/article/details/88774220</guid><author>baidu_20163013</author><pubDate>Sun, 24 Mar 2019 10:39:22 +0800</pubDate><description><![CDATA[1、入门科研要趁早，一来出成果快解决毕业问题，二来可以留出更多的时间思考探索未来的规划；

2、能手把手带你的老师或师兄，可遇不可求，关键还是培养自学能力、独立思考的能力，当然关键问题上与人合作探讨很重要；

3、如何发现问题？多看文章、多调代码、多接触工业界，这样能发现实际问题、真正有价值的问题。性能指标是冷冰冰的，多可视化指标背后的东西：如错误类型、错误分布等；

4、做实验关键是控制变量，耗...]]></description><category></category></item></channel></rss>