一个 Prompt 搞定所有架构图和思维模型

太绝了!提示词新玩法,AI将取代95%的内容创作者 Lisp 呢,是一种非常古老的高级编程语言,最早是由麻省理工学院(MIT)的约翰·麦卡锡在 1958 年发明出来的。通用大模型解决的是基础的智力问题,而涉及到细分领域和垂直应用时,提示词和 Agent 目前依然是最好的办法。而且,模型能力越强,提示词的潜力就越大,也越有趣。继刚老师的提示词也是这个思路。,包括「新汉语老师」的角色,「汉语新解」的工作流程,还有「SVG-Card」的输出,以及最后「start」的初始化。理解完李继刚老师的提示词后,我们再来看云中江树老师的提示词,就会觉得比较清楚明白了。 阅读详情

相信对 AI 关注紧密的朋友们,对于最近 prompt 的新玩法并不陌生,比如下图的汉语新解:

这是由博主李继刚使用 Claude 3.5 制作,能达到这样的效果,除了 Claude 模型能力提升(推出 Artifacts 功能 )。还得是继刚兄对 prompt 制作有深刻理解和丰富经验,毕竟这么多人,也只有他再一次在 prompt 领域玩出了花,上一次是去年 GPT 4 发布的时候。

每一次模型能力的提升就是给玩家们提供开辟新大陆的机会,前行者们在探索和试错,不断发现新的可能与方向。

就如最近爆火的代码生成产品 cursor 本质上也是因为大模型代码生成能力的提升,尤其是 Claude 3.5。

说起 Claude 3.5 ,就不得不介绍 Artifacts 这一功能,今年 6 月 20 号推出,3 个月过去,它的影响力还在持续,身边已有不少人退订了 GPT4,转而拥抱 Claude,而且最近 o1 的推出和高级语音模式似乎也没威胁到 Artifacts 。

那么 Artifacts 是什么?如何用呢?

Artifacts 是在问答的基础上,加了一个可交互的窗口,可以查看模型生成的内容,代码生成后可以直接在 Artifacts 预览代码的前端效果,甚至做一个小游戏在 Artifacts 就可以玩起来。

因此,通过了解一些前端代码语言,就可以让 Claude 生成可视化的内容,进一步扩大应用场景,可以使用文档(Markdown )、网站内容(HTML)、可缩放矢量图形(SVG)、图表和流程图(mermaid )等,

在这之前的问答助手包括现在的 GPT4 都只能把生成的代码拷贝到开发环境中,才能看效果,并且还不一定能跑起来。

而使用 Artifacts ,用户只需要用自然语言和 Claude 对话,生成代码就可以在右侧窗口预览效果,通过调试,修改结果,大幅缩进内容生成和应用开发之间的距离。

了解了模型的能力,我们就不难理解,现在 Prompt 的价值因 Claude 能力提升而达到了一个新的高度:

  • 上一阶段的 prompt:提示词⇒内容⇒回答

  • 这一阶段的 prompt:提示词⇒内容+代码⇒可视化表达

这一阶段的 Prompt 的应用场景不再把 AI 生成能力当做 copilot 而是真正的产品,之前生成的内容都是被复制到文档、代码、设计工具中,现在可以直接生成可交付的成品。真做到一段文字描述就是一个产品/服务。

正如我今天想要分享的主要内容,使用 Prompt 就可以制作商业模式画布、架构图,以及任意的思维模型,效果如下:

以上效果,不仔细看还真的看不出是 AI 生成的,效果惊喜且感人,实现上面的内容,只需要一个 Prompt ,把指令发给 Claude 后,输入产品名称,就能得出类似的图片,不满意就让 AI 再次修改。

相信大家看到这个用例,肯定会觉得这次 AI 是真对自己工作有用了,而制作这个 Prompt 的思路,也是参考了开文提到的博主继刚兄使用 lisp 语言制作 Prompt 的方法。

下面就是架构图的 Prompt,制作这个大概花费 2-3 小时时间,步骤就是

  1. 让 AI 生成 自己想要的内容

  2. 让 AI 制作 svg 框架

  3. 把步骤 1 生成的内容填进步骤 2



  

  

  

  

  

  

  

;; 作者: zephyr 空格  
;; 版本: 3.2  
;; 模型: Claude 3.5 Sonnet  
;; 用途: 将任意输入名词转换为精细化、现代风格的 SVG 图像  
  
(defun 架构设计专家 ()  
"你是一位精通各类系统和概念架构设计的专家"  
(熟知 . (系统设计原则 领域特定知识 现代设计趋势))  
(擅长 . (将复杂概念可视化 精细化层级划分 灵活布局设计))  
(方法 . (深度层次分析 结构化思维 创造性设计 视觉层级表达 流程指示)))  
(defun 生成精细架构图 (用户输入)  
"将任意输入名词转换为精细化、现代风格的架构图"  
  
(let\* ((核心概念 (关键提炼 用户输入))  
(应用层 (定义应用层 核心概念))  
(技术层 (定义技术层 核心概念))  
(垂直概括 (定义垂直概括 应用层 技术层))  
(布局 (优化布局 应用层 技术层 垂直概括))  
(视觉设计 (应用现代设计 布局)))  
(SVG-Modern-Diagram 视觉设计)))  
(defun 定义应用层 (核心概念)  
"定义产品的应用层功能"  
(setq 应用模块 '(主要功能1 主要功能2 主要功能3 主要功能4 主要功能5 主要功能6))  
(映射 核心概念 应用模块))  
  
(defun 定义技术层 (核心概念)  
"定义支持应用层的技术架构"  
(setq 技术模块 '(服务层 数据层 基础设施层))  
(setq 服务层 '(核心服务1 核心服务2 核心服务3 核心服务4 API网关))  
(setq 数据层 '(数据存储 数据处理 数据分析))  
(setq 基础设施层 '(云服务 网络 安全))  
(映射 核心概念 技术模块))  
  
(defun 定义垂直概括 (应用层 技术层)  
"定义左侧垂直列的子模块概括"  
(setq 垂直模块 '(用户界面 核心功能 数据管理 基础支持))  
(映射 (concat 应用层 技术层) 垂直模块))  
  
(defun SVG-Modern-Diagram (视觉设计)  
"将精细化、现代风格的架构图输出为 SVG 格式"  
(setq design-principles '(简洁 直观 层次分明 色彩协调))  
(设置画布 '(宽度 1200 高度 900 背景色 "white"))  
(设置字体 '(字体 "Arial, sans-serif" 主标题大小 24 副标题大小 18 正文大小 14))  
  
(配色方案 '((应用层 . "#FFE5B4")  
(服务层 . "#E6E6FA")  
(数据层 . "#E0FFFF")  
(基础设施层 . "#F0FFF0")  
(垂直概括 . "#FFD700")  
(边框 . "#3498db")  
(文字 . "#333333")))  
  
(布局 '(应用层位置 (x 100 y 50 宽度 1050 高度 80)  
技术层位置 (x 100 y 150 宽度 1050 高度 700)  
垂直概括位置 (x 50 y 50 宽度 40 高度 800)))  
  
(绘制模块 '(应用层 技术层 垂直概括))  
(添加文字说明 '(模块标题 子模块名称))  
(应用视觉效果 '(圆角 阴影 渐变)))  
(defun start ()  
"启动时运行"  
(let (system-role 架构设计专家)  
(print "请输入一个产品或系统名称,我将为您生成其精细化、现代风格的架构图")  
(print "示例:输入'电子商务平台'将生成该平台的详细架构图")))  
;; 运行规则  
;; 1. 启动时必须运行 (start) 函数  
;; 2. 之后调用主函数 (生成精细架构图 用户输入)  
;; 3. 请严格按照SVG-Modern-Diagram 函数进行图形呈现  
;; 注意事项  
;; - 应用层位于顶部,使用暖色调  
;; - 技术层位于下方,使用冷色调,并细分为服务层、数据层和基础设施层  
;; - 最左侧添加垂直列,概括主要子模块  
;; - 确保整体设计既有层次感又保持视觉平衡  
;; - 使用简洁的线条和图形,突出核心概念和关系  
;; - 适当使用图标或小型图形来增强可视化效果  
;; - 注意字体大小和颜色,确保在整体设计中保持良好的可读性  
;; - 对不熟悉的领域,进行背景调研后再创造性地设计相关的层级和子模块


对于 步骤1内容生成,并不复杂,网上搜一篇教程就能教 AI 怎么学会制作内容,

对于 步骤 2 svg 图片,可以给案例参考,合适的配色和大小很重要,根据效果图不断的和 AI 沟通调试,直到满意。

对于步骤 3 融合调试,这是最难的地方,通常生成的内容长短不适,所以也要根据结果多次都调试。

调试 prompt 是最难的,我的方法是输出结果后,让 AI 只修改结果,再根据上一轮回答,给他新的任务,再调试,多次输出稳定以后,就可以根据结果来优化最初的 prompt 了。

有想法就动手实践起来吧,现在这样的 Prompt 可以搜到很多案例,想学会技巧很简单,复制这个 Prompt 发给 AI,让他拆解一下就好了,但了解自己想要做什么,怎么把这个技巧用起来就得自己多琢磨试错才行了。=

如何学习AI大模型?

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

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】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

【AI大模型】Prompt Engineering 模型训练者并没想到过会这样,完全是大家「把 Al 当人看」玩出的一个用法实在传得太广,导致现在的大模型训练数据里充满了角色定义,所以更有效了先定义角色,其实就是在开头把问题域收窄,减少二义性。别急着上代码,先尝试用 prompt 解决,往往有四两拨千斤的效果但别迷信 prompt,合理组合传统方法提升确定性,减少幻觉想让 AI 做什么,就先给它定义一个最擅长做此事的角色用好思维链,让复杂逻辑/计算问题结果更准确防御 prompt 攻击非常重要。 阅读详情

相关推荐

Prompt Engineering工程化实践:从调试思维到跨模型协议设计

Prompt Engineering(提示词工程)已超越简单指令编写,演变为一种融合语言学、认知心理学与软件工程的系统性人机接口设计方法。其核心原理在于将模糊意图转化为可验证、可归因、可版本管理的结构化指令,通过动词优先、链式约束、认知对齐等技术手段,实现对大模型行为的确定性引导。该技术具备显著工程价值:提升输出稳定性、降低幻觉率、支持跨模型一致部署,并直接赋能客服、金融风控、法律合同审查等高可靠性场景。本文聚焦工业级落地中的调试范式、挑战驱动训练与静默崩塌防御,深入解析如何以工程思维重构提示词开发流程。

weixin_30315435的博客 389

李继刚神级prompt合集,一次管够

老王第一次看到,这么来写的提示词,惊为天人。但作者就是纯游戏态度,为了好玩。当然这少不了平日里,积累的基本功和对新鲜事物的热爱。大家还是要多接触了解新鲜事物,不然怎么碰上一些稀奇好玩的东西呢?再不济就关注老王,一起边看边学,手动狗头。

具身机器人和通用AI 8903

上下文学习&思维链COT&Prompt工程

上下文学习&思维链COT&Prompt工程

weixin_72808879的博客 1259

提示工程:我们如何写好Prompt?

来源:云中江树三月份的时候我们在北京举办了LangGPT第二期的线下沙龙交流,邀请了即刻Prompt达人、“织梦师101”主理人李继刚,刚哥给我们分享他在Prompt上的探索经验,收获很多~这两天终于把逐字稿整理出来分享给大家!PS.如果有语句不顺,一定是小编整理问题..下边是刚哥分享全文:一、背景大家好,我是李继刚,平时活跃在即刻(同名“李继刚”)上,严格意义上来讲其实并不算AI圈的人,而是在互...

Python数据之道 1685

Prompt工程全攻略:15+Prompt框架一网打尽(BROKE、COAST、LangGPT)、学会提示词让大模型更高效

Prompt工程全攻略:15+Prompt框架一网打尽(BROKE、COAST、LangGPT)、学会提示词让大模型更高效

丨汀、的博客 5817

李继刚老师Claude提示词转ChatGPT、Kimi可用版本合集(1)

后台有朋友留言,说有没有李继刚老师prompt转chatgpt或者kimi的合集提示词。好了,今天的就到这里,转换提示词修改起来还是蛮复杂的,明天我们继续!2024年11月13日 19:37。这个可以有,话不多说,直接……简介:多角度深度理解一个概念。然后看看转换后提示词效果:。

具身机器人和通用AI 1616

一个 Prompt 搞定架构图和思维模型

相信对 AI 关注紧密的朋友们,对于最近 prompt 的新玩法并不陌生

2401_85327249的博客 2047

人工智能训练师三级·大模型应用真题40题|Prompt→RAG→PEFT微一站搞定

思维链(Chain of Thought, CoT)是一种Prompt技术,通过引导模型输出中间推理步骤来提升复杂任务的表现。它之所以有效,是因为大模型的"直接输出"容易跳步出错,而"分步思考"可以激活模型的推理能力,让每一步推导都有依据。CoT特别适合数学推理、逻辑题、多步决策等需要逐步推导的任务,是Prompt工程中提升复杂任务准确率最有效的技术之一。

白话机器学习 65

Prompt Engineering

提示工程(Prompt Engineering)是指导AI模型生成所需输出的技术,被称为AGI时代的”编程语言“。它包含角色定义、任务描述、上下文信息等关键要素,通过结构化指令实现精准控制。文章以流量套餐客服系统为例,展示了如何构建包含语义理解(NLU)功能的prompt模板,强调具体、明确、少歧义的设计原则。随着AI发展,提示工程将从专业领域演变为大众基础技能,其核心价值在于将人类意图高效转化为机器可执行的指令。

weixin_72563696的博客 907

我是提示工程架构师,用迁移学习搞定科研Prompt的7个经验

类比迁移学习中的“预训练模型”:先针对科研领域的共性任务(比如文献摘要总结、研究gap识别),设计一个通用的Prompt框架,再将其迁移到具体的子领域(比如AI论文、医学论文、生物信息学论文)。类比迁移学习中的“Few-shot Learning”(小样本学习):当目标科研任务缺乏足够训练数据/例子时,将已有领域的高质量Prompt例子迁移到目标任务,用少量例子让LLM理解任务要求。类比迁移学习中的“Domain Adaptation”(领域适应):调整Prompt的语言风格、术语体系。

AI 原生应用开发的博客 1088

机器学习-深嵌交叉验证(Nested Cross-Validation)

Section I: Code and Analyses 第一部分:代码 from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.svm import SVC from...

Santorinisu Blogs 2716

AI全栈工程师——2 Prompt Engineering,提示工程

本文先对提示词工程做了介绍,然后讲解了Prompt的构成,并以一个实际业务场景讲解了Prompt。还讲解了思维链CoT、自洽性Self-Consistency、自一致性采样Self-Consistency Sampling、思维树ToT,最后还讲解了如何防范Prompt攻击。

念头通达 1783

Win10+pycharm+conda 配置Siammask 过程记录(新手向)

我们跑动demo 需要配置两个相关的文件这两个文件需要用 git 进行下载,对于不熟悉git的小伙伴 我这里给出连接,大家可以直接下载即可,并将其配置在 experiments文件夹下然后大家再需要在设置参数参数这里给出了。

C1137577723的博客 551

大模型实战:从Prompt到RAG的落地应用指南

大语言模型(LLM)通过理解自然语言指令生成内容,其核心原理是基于海量数据训练的Transformer架构。在工程实践中,Prompt工程通过优化输入指令显著提升模型输出质量,而RAG(检索增强生成)技术结合外部知识库解决模型幻觉问题。这些技术在企业文档处理、智能问答等场景中展现巨大价值,特别是帮助开发者将大模型转化为解决实际问题的工具。本文基于Prompt优化和RAG系统等热词,深入探讨如何通过合理的技术选型实现大模型的高效落地。

weixin_33868027的博客 394

Jupyter Lab 无法启动 Kernel 问题排查与解决总结

使用 curl,telnet,或 Python websocket-client 库可以本地模拟 WebSocket 握手行为,帮助分析服务端响应状态。避免使用 http:// + ws:// 组合方式部署 Jupyter Lab,特别是在远程或跨域访问场景。建议统一采用 https:// + wss:// 方式部署,确保浏览器信任并兼容。确认 WebSocket 已升级为 wss://,内核可正常启动。但在远程访问时,浏览器出于安全策略,默认拒绝 ws:// 协议。

weixin_43866043的博客 1858

IAR9.20.4安装与注册全攻略:附资源及典型问题解决方案

本文提供IAR9.20.4的详细安装与注册指南,涵盖环境准备、安装步骤、权限设置及注册机使用技巧。针对典型问题如评估版残留、权限不足和杀毒软件拦截等,给出了具体解决方案,帮助用户顺利完成IAR开发环境的搭建与激活。

a2b3c4d5e的博客 296

# 同一模型效果差5倍?你的Prompt写错了|Context·零样本·少样本·思维链全讲透

同一个ChatGPT,别人写爆款你出一堆废话?问题不在模型在Prompt。本篇用4张图讲透Context上下文、零样本提示、少样本提示、思维链CoT四个核心技巧,对应四个段位,附可交互卡片边看边玩+可直接套用的Prompt模板。学会Prompt=学会AI,108张AI知识卡片系列第3篇,适合想让AI输出更靠谱的读者。

yuhaiqun1989的博客 391

阿里云学生机2核4G,30分钟搞定DNF台服联机(CentOS 7.6保姆级教程)

本文提供阿里云学生机2核4G搭建DNF台服联机的详细教程,涵盖服务器选购、网络配置、服务端部署及客户端联机设置。通过CentOS 7.6系统优化和端口配置,30分钟内即可完成搭建,适合学生和技术爱好者低成本实现游戏联机体验。

weixin_42537919的博客 359

大模型提示词Prompt学习

关于chatGPT的Prompt Engineer,大家肯定耳朵都听起茧了。但是它的来由?,怎么能用好?很多人可能并不觉得并不是一个问题,或者说认定是一个很快会过时的概念。但其实也不能说得非常清楚(因为觉得没必要深究)。但我觉得,它毕竟存在过,火过,我们还是必须对它有更深入的理解,所以,我花时间认真了解了一下。

石头记 2638

Blender地形建模实战:5步搞定Gazebo仿真地形(附避坑指南)

本文提供了一份详细的Blender地形建模实战指南,旨在帮助开发者快速创建Gazebo仿真地形。文章通过五个核心步骤,从环境准备、地形雕刻、模型优化导出,到创建Gazebo模型包及问题排错,系统讲解了如何将Blender中的地形模型成功导入Gazebo进行机器人仿真,并重点分享了关键的避坑经验。

weixin_28475533的博客 345

2011-2024年间各省数字普惠金融指数数据(覆盖广度、使用深度和数字化程度)

2、指标:数字金融普惠指数、数字金融覆盖广度指数、数字金融使用深度指数、普惠金融数字化程度指数、数字金融使用深度指数下属的支付、保险、货币基金、信用服务、投资、信贷等分类指数。中国各省的数字普惠金融指数数据,从数字金融覆盖广度、数字金融使用深度和普惠金融数字化程度3个维度来构建数字普惠金融指标体系。数字普惠金融指数一共3个维度、33项具体指标。全套指数包含数字金融覆盖广度指数、数字金融使用深度指数和普惠金融数字化程度指数,以及数字金融使用深度指数下属的支付、保险、货币基金、信用服务、投资、信贷等分类指数。

【优快云】 1万+

大模型Prompt工程实战:从零构建高效对话系统

本文系统介绍了如何从零开始,运用Prompt工程构建高效的大模型对话系统。文章将Prompt视为一种新的编程语言,详细阐述了角色设定、清晰指令、Few-Shot示例和思维链等核心设计原则,并分享了使用LangChain进行工程化管理和高级参数调优的实战经验,旨在帮助开发者打造稳定、可复用的智能对话应用。

3c4x5z6v7b的博客 596

SAP Single Sign-On 全景指南:从传统 SAP SSO 到 SAP Secure Login Service for SAP GUI 的架构、场景与迁移实践

本文系统梳理了SAP生态下的单点登录技术方案,重点分析了SAP GUI的云化替代方案SAP Secure Login Service(SLS)。内容涵盖SNC、Kerberos/SPNEGO、SAML 2.0等核心协议的技术实现,对比了传统SAP SSO与新型SLS for SAP GUI的架构差异,并给出AS ABAP系统的具体实施路径。针对SAP GUI访问、浏览器访问Fiori/移动端等不同场景,提供了详细的协议选型建议和配置指南,帮助团队构建安全可靠且适应云时代的统一认证体系。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 273

Prompt Engineering面试通关:5大范式拆解与工程化思维考察

大语言模型应用落地中,提示工程是连接模型能力与业务需求的关键环节。其核心原理在于通过指令设计、示例引导和推理路径规划,将模型从黑箱输出转化为可控、可评估的系统行为。掌握零样本、少样本、思维链、自洽性、思维树及检索增强生成等范式,不仅能提升复杂任务准确率、降低幻觉,还能在成本与效果间实现工程化权衡。这些技术广泛应用于智能客服、知识问答、内容生成等场景。面试考察的正是从问题出发选范式、从数据出发调范式、从成本出发权衡范式的系统能力,而非单纯背诵提示词模板。

weixin_29050513的博客 272

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Anaconda Prompt到底是什么? 和系统自带cmd命令提示窗区别又是什么?

导航 结论 cmd prompt anaconda prompt 如何用anaconda prompt 运行 .py文件 第一步:打开anaconda prompt 第二步:在conda环境中打开.py文件 结论 直接上结论:anaconda prompt 完全可以理解为 anaconda版的cmd 命令提示窗。即:你是如何通过cmd指挥(查找、打开、删除等等)你的Windows系统的,你就通过同样的思维用anaconda prompt 来指挥anaconda,也就是命令提示窗版的ana

m0_67401660的博客 6224

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")

七天入门大模型 :提示词工程 Prompt Engineering,最全的总结来了!

最核心的写一条好prompt的原则就是尽可能清晰、明确地表达你的需求(类比产品经理向程序员提需求)。细分下来,具体原则包括:清晰的指令:足够清晰明确地说明你希望模型为你返回什么,最后更加细致地说明需求,避免模糊表达。提供上下文和例子:给出较为充分的上下文信息,让模型更好地理解相关背景。如果能够提供示例,模型能表现更好(类似传统LLM中的in-context learning)。善用符号和语法:使用清晰的标点符号,标题,标记有助于转达意图,并使输出更加容易被解析。

2201_75499313的博客 6992
上一篇: 我尝试了LangGraph Studio的AI Agent功能
下一篇: 一文彻底搞懂大模型 - LLM四阶段技术
我爱学大模型
博客等级 码龄3年 7883粉丝 687原创
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
 
 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