不到1分钟开发一个GPT应用！各路大神疯狂整活，网友：ChatGPT就是新iPhone

普通网友 普通网友 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 1000+累计阅读 999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3年
关注
原创 2024-05-09 10:50:12 999 阅读 AI 写同款· GEO 优化 ›
OFDM调制matlab仿真详细代码 MATLAB仿真代码 % ================================================== % 作者： 肆拾伍 % 时间：11/30 2019 % 版本：V3 % =================OFDM仿真参数说明：================ % % 子载波数 carrier_count ---200 % 总符号数 symbol_count ... 阅读详情

还没正式开放的GPTs，竟然已经有人先“抢跑”了？！

这不，各路提前获得内测资格的大神们，脑洞已经刹不住车了。

直接做个交互网站设计GPT，分分钟从草图出预览：

△图源推特Sawyer Hood

又或是整个图片转GIF的GPT，一下子就能让猫猫动起来。

△图源推特Nick Dobos

连Midjourney大神都来围观，要做个写Midjourney提示词的专属GPT（在DALL·E 3面前何尝不是一种NTR）

没能玩上的网友们眼珠子都要瞪出来了：

到底啥时候开放啊？？

“提示工程师真要成正当职业了。”

那么，在GPT正式面向大伙儿公开之前，先来预热一下都有哪些玩法吧。

各路大神灵感爆炸

GPTs，直观来说就是一个包含了多种不同用途GPT的应用商店。

无需编程，只需要通过对话的方式，人人都能做出自己专属的GPT，既能分享也能私用。

只要用的人多，甚至能赚钱。

虽然GPTs尚未面向大众开放，但已经有内测玩家“先睹为快”了。

例如沃顿商学院教授Ethan Mollick，就试着做了个产品设计GPT，全过程不到一分钟。

这是他做出来的产品设计GPT页面介绍：

在这里插入图片描述

从视频中来看，GPT无论是设计还是交互都非常快，从提出需求到给出原型图在90秒左右。

功能还很全：不仅能自己联网找资料，还能快速出图并介绍图片风格。

嗯，就是这AI设计的鞋子有点过于前卫……

再来看看网友Seth Kramer开发的网页优化器GPT。

这个GPT“目光挑剔”，输入某个网页，就会以审美家的角度对着网页布局“品鉴”一番，给出建议。

如果觉得自己的网页设计得不行，可以找这位GPT给给针对性建议。

而继图片转GIF后，网友Nick Dobos拿下一波“双杀”。

他又基于babyAGI开发了一个可以给要完成的目标拆分任务、快速排序优先级的任务管理神器GPT。

在这里插入图片描述

网友Rowan Cheung则是做了个帮自己优化发帖时间、发帖内容的应用——用户运营GPT：

在这里插入图片描述

除此之外，也有不少网友分享了自己基于最新的GPT-4、或是GPT-4V模型开发的新工具。

例如物品识别器，一分钟内识别出在镜头内的所有物体：

△图源推特Benjamin De Kraker

识别出物体后，还能实时和GPT在线激情视频网聊……

△图源推特SkalskiP

想要“面对面”聊天？试试基于OpenAI TTS、SadTalker加SDXL等模型做的虚拟主播GPT：

△图源推特AP

不止是聊天，甚至还能结合TTS，做个AI足球解说，精确到帧那种：

△图源推特Gonzalo Espinoza Graham

当然，也有一些还没有试玩上GPTs的网友，已经在思考GPT出来后要怎么操作了。

例如，作家和出版商可以把电子书PDF上传，搞个收费辅助阅读器GPT！

这样一来，GPT不仅能直接总结书本内容，还能回答书中出现的问题，属实是24h贴心答疑。

这边新的自定义GPTs还在如雨后春笋般涌出来，那边却已经有一波初创公司感到危了。

在这里插入图片描述

“ChatGPT正成为新的iPhone”

还记得在前不久最新YC校友分享会上，OpenAI CEO奥特曼发表的演讲观点吗？

“套壳”OpenAI，注定消亡！

虽然当时看起来有点像个梗，但现在随着OpenAI发布会一开，这句话似乎真要成真了。

杜克大学教授陈怡然在看完发布会后表示：

基本上手里没有OpenAI绝对搞不到的数据或类似数据的大模型中小开发者可以歇了。

在这里插入图片描述

有网友特意做了个梗图，表示在接下来的一年里，MAD（机器学习/AI/数据）的前景会更明朗。

因为只剩下OpenAI了……

在这里插入图片描述

一些愤怒又无奈的初创公司老哥感叹：

OpenAI毁了我300万美元的初创公司，然而我得到的只有价值500美元的OpenAI API积分。

在这里插入图片描述

但在这样的情形下，依旧有网友表示自己会选择ChatGPT——

无他，有用户耳。

在HN上有网友评论表示：

ChatGPT正成为新的iPhone。

与封闭平台（walled-garden）打交道从来都不是什么很棒的体验，但我们会这样做，因为那是用户所在的地方。

在这里插入图片描述

进一步地，有网友列出了历来各个应用商店的盈利情况。无论是哪个应用商店，其潜在价值都是巨大的。

在这里插入图片描述

你会加入OpenAI的GPTs应用商店吗？最想看到哪个GPT应用？

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

123?spm=1001.2014.3001.5501)这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

标签
#人工智能 #大模型 #ai
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。
LangChain4j + MCP：从工具协议到生产级 Agent 这两年，很多团队都已经把「大模型问答」接入到系统里了：前端一个输入框，后端调一下 OpenAI / DeepSeek / 本地模型，返回一段回答——这类 「简单问答型」AI 功能它只能说，不会做：不会主动查数据库，不会调用你的接口，不会帮你真正执行脚本；面对复杂一点的需求，比如「帮我生成这个报表的 SQL 并执行一下」，普通 ChatGPT 式的问答就开始力不从心了。而Agent 智能体想解决的，就是这件事：不只是回答你「怎么做」，而是能自己思考、自己决定要不要用工具、再用工具把事做完。 阅读详情

相关推荐

保姆级避坑指南：用Keil和J-Flash搞定凌思微LE5010蓝牙芯片的首次程序下载

本文提供了一份详细的保姆级避坑指南，帮助开发者使用Keil和J-Flash工具完成凌思微LE5010蓝牙芯片的首次程序下载。文章重点解决了算法文件混淆、协议栈漏烧和仿真器连接异常等常见问题，并详细介绍了开发环境配置、协议栈烧录和下载接口的物理层奥秘，助力开发者高效完成蓝牙开发任务。

weixin_28739079的博客 467

总结一下GPT在前端开发中的影响和意义

随着人工智能技术的快速发展，GPT等大型语言模型在各个行业中的应用越来越广泛。对于前端开发工程师而言，GPT已经成为了一个得力的助手，帮助他们更高效地完成各项工作。那么，前端开发工程师们在使用GPT时都面临什么场景？总之，GPT已经成为前端开发工程师们不可或缺的助手。通过在需求分析、代码生成、故障排查和自动化测试等场景中使用GPT，工程师们可以提高效率、增强能力并减少错误。同时，使用百度大脑、微信小程序和云端平台等平台可以让开发者更加方便地使用GPT接口，从而更好地实现应用程序的功能和性能。

m0_73321385的博客 764

西电计组实验二 运算器实验

算术逻辑运算实验 一．实验目的   1.了解简单运算器的数据传输通路。   2.验证运算功能发生器的组合功能。   3.掌握算术逻辑运算加、减、与的工作原理。   4.验证实验台运算的8位加、减、与、直通功能。   5.按给定数据，完成几种指定的算术和逻辑运算。 二．实验原理   算术逻辑单元ALU的数据通路如图2-1所示。其中运算器ALU181根据74LS181的功能用VHDL硬件描述语言编辑而成，构成8位字长的ALU。参加运算的两个8位数据分别为A[7…0]和B[7…0]，运算模式由S[3…0]的16种

Polaris的博客 1万+

如何用GPT开发一个基于 GPT 的应用？

由于 GPT 本身不是联网的，无法获取最新的数据，且输入的 Token 也是有最大限制的，因此这类应用主要是为 GPT 突破这些限制而设计的，比如通过爬虫获取最新的数据，然后通过 GPT 来生成新的文本或总结这些文字，或者通过 Embedding 的方式将大量的文本向量化，然后把文本节点与向量化的组合存储到特殊设计的索引中，然后把用户输入的 Token 向量化后，通过词向量检索寻找相关的上下文，然后把这些上下文与用户输入的 Prompt 一同提交给 GPT 来获取答案。

Maynor的博客 1308

kaggle注册以及数据集下载全流程

kaggle注册，数据集下载及常见问题

Arriteey的博客 2万+

FPGA新手必看：XC7Z020最小系统搭建全攻略（附原理图解析）

本文为FPGA新手提供了XC7Z020最小系统搭建的完整实战指南。文章详细解析了电源架构、时钟复位、配置调试等关键硬件电路设计，并重点剖析了外围电路与端口引脚的连接要点及常见陷阱，帮助读者从零开始构建稳定可靠的开发平台。

weixin_29189377的博客 359

如何利用 GPT 开发智能应用？微软提出这九大原则

因此，在编写程序时，请记住，对人来说困难的事情很可能对模型也很困难，将模式分解成更容易的步骤通常会得到更稳定的结果。当我们在程序中有一组嵌套的提示词时，并且其中一个提示词在其结果上不确定时（“一个可能的方式是...”），正确的做法是等效于“异常处理”（Exception Throw）——将这种不确定性向上传播，直到能够澄清或与用户交互的级别。随着这些基于模型的程序的不断增多，这是一种自然的“未来证明”，可以使不同的提示词能够像人类一样相互理解。新兴的 LLM AI 模型都非常强大，并显得“受过良好教育”。

微软技术栈 2248

01-SA8155 QNX 虚拟机Hypervisor

Hypervisor运行在Host OS操作系统上，其他操作系统均在Hypervisor上运行。：Hypervisor直接运行在硬件上，操作系统在Hypervisor之上运行。终止(关闭)：echo control 0 dev/vmm。路径：qnx_ap/AMSS/platform/vm/resources/关闭/终止 qvm(GVM)：slay -s SIGQUIT qvm。", //host PVM --- 主机。不直接操作/dev/vmm 实现关闭，启动vm。

静虚待令，有物混成 1万+

Auto_GPT：如何使用Auto-GPT、安装、开发

Auto-GPT是一款开源Python应用程序，它利用OpenAI的GPT-4大型语言模型自动完成复杂的多步骤项目和任务。这是一个强大的工具，能够在你按下回车键时生成高质量的书面内容。与ChatGPT不同，Auto-GPT可以搜索互联网上的信息、收集数据并完成任务。你可以把它视为你个人的助手，处理那些你不想做或者没有时间处理的任务。利用这款工具，我们能够让生活变得更加轻松和高效。最近博主GPT-4的API申请通过了，正好写一篇相关的文章。本文将向你展示启动和运行这些AI代理之一所需的条件和技能。

分享人工智能学习心得与实践经验，探讨应用场景，见证变革与进步 5246

Ventoy引导自定义菜单配置详解：手把手教你用ventoy_grub.cfg启动硬盘里的Manjaro

本文详细解析了Ventoy引导自定义菜单配置方法，重点介绍如何通过ventoy_grub.cfg文件启动硬盘中的Manjaro系统。从Ventoy与GRUB2的协作原理到具体配置步骤，包括分区布局设计、关键参数解析及常见问题解决方案，帮助用户实现多系统引导的灵活管理。

weixin_28738165的博客 299

LoRa模块选型指南：正点原子ATK-LORA-01与SX1278芯片深度评测（含实测距离/功耗数据）

本文深度评测了正点原子ATK-LORA-01与SX1278芯片的性能表现，通过实测数据展示其在复杂环境中的通信距离与功耗表现。特别适合智慧农业、工业监测等物联网应用场景，提供详细的配置指南和优化技巧，帮助开发者实现高效、低功耗的LoRa通信解决方案。

weixin_29191081的博客 290

【GPT开发】人人都能用ChatGPT4.0做Avatar虚拟人直播

趁着周末我捣鼓了一个ChatGPT虚拟人直播，结合了同样热门的元宇宙技术。本文将通过详细开发流程来为大家举例如何快速实现一个虚拟人直播，可用于无人直播场景。

RTC_SDK_220704的博客 1万+

VMware ESXi 直通GPU

虚拟机需要独享GPU资源，那么就需要用到DirectPath I/O (直通)，ESXi hypervisor 把 GPU 设备直接映射成虚机中的 GPU 设备，供应用使用。注意，内存注意一定要勾选预留，否则开机后报错如下：无法打开虚拟机 win10 的电源。1.ESXi主机，管理，硬件，PCI设备，勾选GPU卡，切换直通，会提示要求重启主机，重启主机之后，该GPU设备直通一栏显示为“活动”。先确认虚拟机是否EFI引导：编辑虚拟机 - 虚拟机选项 - 引导选项 - 固件 - EFI。

liwension的博客 6293

太疯狂了！不到1分钟开发一个GPT应用！网友：ChatGPT就是新iPhone！

转自 凹非寺量子位 | 公众号 QbitAI正式开放的GPTs来袭，但是已经有人先“抢跑”了？！这不，各路提前获得内测资格的大神们，脑洞已经刹不住车了。直接做个交互网站设计GPT，分分钟从草图出预览：△图源推特Sawyer Hood又或是整个图片转GIF的GPT，一下子就能让猫猫动起来。△图源推特Nick Dobos连Midjourney大神都来围观，要做个写Midjourney提示词的专属GPT...

cainiao_python的博客 230

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")

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

GPT 开发技术选取

GPTCache 语义缓存节省开销。

qq_44089890的博客 1165

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

java接入gpt开发

java原生调用国产GPT

weixin_61034310的博客 2881

Python小白如何利用GPT4快速开发一个网站！

这个是一个全栈的项目，麻雀虽小，五脏俱全！全程都是利用gpt4进行辅助编程搞定的。第一版其实非常快，大概30分钟就搞定了，后续就是不断的添砖加瓦，增加功能和优化UI。其实很多小白都在说要学Python，也想学Python，但是基本买了一本厚厚的书或者拿了一份资料之后就，开始啃，结果不到3周从入门到放弃，原因很简单，没有动力，也没有兴趣，一开始的激情就这样被几周消磨殆尽了！那么学习Python最好的...

cainiao_python的博客 2071

我用5分钟创建了第一个GPT应用（附提示词）

我将在本文介绍如何一步步创建自己的第一个GPT应用，并一键配置所有设置为英文，发布到GPT商店供全球用户使用。OpenAI于1月10日宣布启动GPT Store，并让订阅用户能够使用和创建GPTs。ChatGPT每周将在「Featured」和「Trending」类别中展示精选的和社区最受欢迎的GPTs。目前已上线超过300万个GPTs。

m0_59164520的博客 1429

手把手用GPT开发小程序全流程！就是这么easy~

总的来说，在功能开发方面非常牛逼，例如开发一个获取云端数据的方法，代码直接复制过来就能用，但是在UI方面有点弱，上面开发的UI效果基本不能使用，需要人工进一步引导。比较费劲的就是UI开发，需要逐步优化，优化的时候注意要加上“基于以上的代码”，当然你对之前的代码不满意就不必了。下载了开发工具，账号之前就有，然后看看了官方的小程序文档，熟悉了一些基本的语法，这里简单看看有个印象就行，后面可以边开发边学。注意，这里我创建的是云项目，借助了小程序的云开发，对于一个简单的小程序项目来说，就不用额外搭建后端了。

androidstudyroom的博客 3157

零编程经验，通过 GPT-4 十分钟开发了一个浏览器插件，并成功运行，实现了需求目标！

零编程经验，通过 GPT-4 十分钟开发了一个浏览器插件，并成功运行，实现了需求目标！

zhuangjialo的博客 5607

GPT应用开发 - langchain 初始化

介绍大模型应用开发框架langchain，类似django作为web应用开发框架。抽象如：chain、memory等概念，为GPT应用开发提供更简便的方式

u011728347的专栏 1329

GPT-4对编程开发的支持

在编程开发领域，GPT-4凭借其强大的自然语言理解和代码生成能力，能够深刻理解开发者的意图，并基于这些需求提供精准的编程指导和解决方案。对于开发者来说，GPT-4能够在代码片段生成、算法思路设计、模块构建和原型实现等方面给予开发者启发和帮助。

xw555666的博客 2135

解锁未来：大模型GPT的应用架构与创新实践

大模型GPT正开启一扇通往未来的大门，其背后的应用架构和创新实践是我们解锁未来潜能的钥匙。2. **微调层**：为了适应特定的应用场景，GPT模型通常会在预训练基础上进行微调（Fine-tuning），通过少量的定制化数据训练模型，使其更好地解决特定任务。4. **反馈机制**：为了持续优化模型性能，GPT的应用架构通常包含一个反馈机制，通过用户的交互数据对模型进行持续的优化和调整。1. **预训练模型**：GPT的基石是其庞大的预训练模型，它通过在大规模数据集上进行预训练，学习语言的基本规律和模式。

qq_33665793的博客 1599

人工智能项目方案：基于GPT的应用开发

2. **开发者**：需要集成高质量的自然语言生成能力到他们的应用中。1. **计算资源需求高**：GPT模型的推理过程需要较高的计算资源。1. **高效性**：使用GPT模型提供高质量的文本生成和分析能力。4. **安全性**：数据验证和自定义异常处理，提升系统的安全性。2. **依赖数据质量**：生成效果依赖于训练数据的质量和多样性。3. **初始成本高**：模型训练和部署需要一定的时间和资源投入。3. **用户友好**：提供直观的前端界面，提升用户体验。

weixin_65409651的博客 1086

【开发工具】GPT：开发实践中的“超级外挂”

GPT 在开发领域的发展前景更加令人期待。随着技术的不断进步，GPT 的性能将持续提升，其理解和生成能力将更加精准和强大，能够更好地满足复杂多变的开发需求 。在代码生成方面，GPT 有望实现从简单代码片段生成到完整复杂项目的全自动开发，大幅缩短开发周期，降低开发成本 。在智能交互方面，GPT 将与开发工具深度融合，实现更加自然、流畅的人机协作，开发者只需通过自然语言与开发工具交流，就能完成各种开发任务，进一步提高开发效率 。

大雨淅淅的博客 1012
上一篇： 大模型改变了哪些工作方式？
下一篇： Gen-2颠覆AI生成视频！一句话秒出4K高清大片，网友：彻底改变游戏规则
点赞 27
评论 0
书签 书签 11
普通网友
普通网友
博客等级 码龄3年 4493粉丝 309原创
+ 关注
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
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