雅虎香港 搜尋

搜尋結果

  1. 2023年1月2日 · No-Code/Low-Code 平台可以做哪些事? 1. Web與移動應用開發. 2. 業務流程自動化. 3. 數據分析與報告. 4. 系統集成. 5. 原型設計與測試. 熱門 No-Code/Low-Code 平台和工具介紹. 1. OutSystems. 2. Microsoft Power Apps. 3. Bubble. 4. Appian. 5. Zapier. 6. Quick Base. 7. Mendix. 結論.

  2. 2024年3月25日 · JSONJavaScript Object Notation)是一種輕量級的數據交換格式,易於閱讀和寫作,同時也易於機器解析和生成。 在本文中,我們將介紹JSON的基本概念、格式、用途和範例,讓您更好地了解並運用這一廣泛使用的數據格式。 什麼是JSON? JSON是一種基於文本的數據交換格式,源於JavaScript語言,但已被許多其他編程語言所支持。 由於其簡單、易讀的語法和跨平台的兼容性,JSON成為了Web開發中廣泛使用的數據格式,尤其適用於API和AJAX應用。 認識 API 與 Web API ,實用的 API 工具. JSON格式主要包含兩種數據結構:對象(Object)和數組(Array)。

  3. 2024年2月1日 · Transformer模型概述. Transformer模型是基於自注意力機制(self-attention mechanism)的一種架構,它能夠在處理序列數據時,同時考慮序列中的所有元素,這種全局視角使得Transformer在多個領域特別有效。 與傳統的遞歸神經網路(RNN)或卷積神經網路(CNN)相比,Transformer顯著提高了處理速度和效率,尤其是在處理長序列數據時。 Transformer的工作原理. Transformer的核心是自注意力機制,這一機制允許模型在生成輸出時評估序列內的所有單詞之間的相關性。 這意味著模型不需要按順序逐步處理資訊,而是可以平行處理,大大加快了學習速度。

  4. 2024年2月26日 · 什麼是 RAG? 跟模型微調有什麼差別? 在我 前一篇分享 OpenAI 研究員 Andrej Karpathy 介紹 LLMs 的文章 曾介紹到,通常 LLMs 的訓練會經過兩個階段:產出基本模型(base model)、曠日廢時且需要投入大量資源的「預訓練」階段,以及後續頻繁進行的「模型微調(fine-tuning)」階段。 在上述的訓練過程中,若希望 LLMs 理解特定領域的知識,就得從模型微調的階段下手,將特定領域的專業知識輸入基本模型進行訓練。 但模型的微調不僅得仰賴硬體的運算,且無法很快地將公司或組織的新資料納入模型之中,這都會對客製化 LLMs 的落地應用形成限制。 而 RAG 就能夠突破上述的限制。

  5. 2023年11月28日 · 這篇文章有詳細實作步驟指南,帶你做出自己的第一個Line聊天機器人。 為什麼要做 chatbot? 上個月去聽 LINE chatbot 的講座,聽完後,想試試看 chatbot 到底可以做到什麼程度,雖然是機械式的聊天,但應該可以達到某種效果! 也許可以幫助我解決我現在遇到的一些問題。 開始吧. 因為是 LINE 提供的服務,所以需要先到 LINE Develpers 登入及註冊。 先到 https://developers.line.biz/en/ 登入. 登入後,註冊,填寫 Name 、Email,並發送信箱認證信. 信箱認證完成 => 選擇要使用的服務: Messaging API. Create new channel.

    • Anson Lo1
    • Anson Lo2
    • Anson Lo3
    • Anson Lo4
    • Anson Lo5
  6. 2023年11月8日 · LangChain的特點. 易於使用 :LangChain提供了一系列API,讓開發者可以快速啟動和運行LLM,而無需深入了解模型的內部運作機制。 高度靈活 :透過配置和擴展機制,開發者可以根據需要自定義LangChain的行為,使其適應不同的應用場景。 生態系統整合 :LangChain旨在與現有的AI工具和框架無縫集成,支持多種LLM和第三方服務,從而促進生態系統的互操作性。 LangChain的應用場景. 自動文本生成 :利用LLM生成文章、報告或其他文本內容。 智能問答系統 :構建基於LLM的問答系統,提供精確的答案和解釋。 語言理解和分析 :使用LLM進行語言分析,從文本中提取有用的見解和信息。 個性化推薦 :根據用戶的互動和偏好,利用LLM生成個性化的內容和推薦。

  7. 2023年6月4日 · 1. 設計、開發和實施生成式AI模型. 設計階段: 確定最佳算法來實現預期結果,要求對各種生成式AI算法及其優缺點有深入理解。 開發階段: 包括用現有數據訓練模型並進行微調以提升性能。 實施階段: 將AI模型整合到現有系統中或圍繞模型設計新系統,需要強大的軟件開發理解能力。 2. 調整現有生成式AI模型. 調整和精煉預先存在的模型以增強性能、適應新數據或滿足特定項目需求。 分析模型行為,識別表現不佳或產生意外結果的領域。 可能涉及調整超參數、修改模型架構或豐富訓練數據集。 3.

  1. 其他人也搜尋了