余璜的技术博客

TODO：准备给 DailyNotes 增加一个提醒功能，准备接入 AI 来做一些事情。试了一下，非常靠谱。具体 DailyNotes 和 Ollama 的交互方式，可以直接调用命令行，也可以走网络API。

期待已久的 AI 演示动画制作终于来了！

此句话表明使用 Provisioned IOPS 卷能够提供更一致的性能，相较于其他类型如通用目的SSD或各种优化的HDD，在处理随机和顺序磁盘访问时，可以预期更好的表现，这对于性能敏感的应用是十分重要的。IOPS 买太大通常是浪费，要因地制宜，不大不小是最好的。确定合适的 IOPS 的方式，在 AWS 上是在 CloudWatch 上看 VolumnQueueLength 指标，如果这个指标比分配的 IOPS 大，同时我们又比较关注延迟，那么就应该增加一些 IOPS。

对于GPT-3或更具体是GPT-3.5，虽然维度数可能更高，但具体的数字是未知的，并且可能因模型的不同版本（如不同大小的GPT-3模型）而有所变化。总结来说，即使embedding的某些方面可能让人觉得有神秘色彩，但它们是建立在坚实的数学基础之上的，而且在许多领域已经证明是非常有用的工具。这些维度是通过模型的自我学习能力产生的，并且很可能是高度抽象的。最终，GPT-3的embedding维度是模型在大量数据上进行自我训练和调整的结果，它们以复杂和不完全直观的方式共同作用，以生成给定文本的高质量表示。

在多分类问题中，计算召回率通常需要把每个类别都当作是“正类”，而所有其他类别都是“负类”，然后分别对每个类别计算召回率。最后，你可能会对所有类别的召回率取平均，得到一个总的召回率指标，这在多分类问题中被称为宏平均召回率（Macro-Averaged Recall）。准确率是指在所有被模型识别为正类的样本中，正确识别的比例。例如，计算“2”的召回率就是在所有实际标记为数字“2”的样本中，有多少被模型正确地识别为“2”。对于“猫”这个类别，召回率将是在所有真实为“猫”的图片中，有多少被模型正确识别为“猫”。