老师、同学们,大家好,想念大家

作者通过李开复老师的故事反思自己在csdn学生大本营的学习经历,强调坚持的重要性,并表达了重新开始的决心。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

    csdn学生大本营的老师、同学们,大家好,好久没来了,想念大家!

    今天看到李开复老师离开谷歌的消息,多少令我感到意外,于是在网上搜索开复老师相关的信息,却无意中看到开复老师的一篇微博《儿子是母亲最甜蜜的牵挂》,看后,除了羡慕开复老师有这么好的一位母亲和那么的教育环境外,其中她母亲教育他的一句话也深深让我感到惭愧。

    “只要做一件事,就一定要做到最好”,这虽然是一句再简单不过的话,但是有几个人真的去遵循了呢?很多人在做一件事情时,大部分情况下坚持不下来,比如:我在学生大本营的学习。

     今天来到大本营,看到这么多的同学在进步,心里真为他们感到高兴,同时也感到一些惭愧。当初加入csdn的时候发誓要天天来csdn学习,和同学们探讨,向老师请教,可惜因为一点小小的事情却没有坚持下来,真的不该。

     不要浪费这么美好的学习时光,何况还有这么热心的老师,这么多好学的同学,我还有什么理由不和大家一起努力学习、探讨的呢?

     感谢csdn为我们提供这么好的平台,感谢老师,同学。。。。。

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论 2
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