私家看護 相關
廣告照顧老人服務資料庫，網上配對程式，更輕鬆容易搜尋院舍資訊。費用全免！ 提供照顧老人服務概況，院舍圖片、收費及雜費概覽，令您掌握院舍資訊。免費服務！
搜尋結果
2024年2月1日 · 首頁 » Blog » AI 人工智慧. Stable Diffusion 是什麼？ 開源繪圖生成式AI 安裝教學. 發佈日期: 2024 年 2 月 1 日 作者: ALPHA Camp. 什麼是Stable Diffusion？ Stable Diffusion是一種由Stability AI及其合作夥伴開發的開源圖像生成模型。 它使用深度學習技術，特別是變分自編碼器（VAE）和變換器（Transformers），來生成詳細的圖像。 用戶可以通過自然語言描述（例如文字提示），指導模型生成具體的圖像內容。 立即下載. 快速掌握 LLM 應用全局觀. Stable Diffusion 是一款強大的開源AI圖像生成工具，它允許使用者根據文字提示來創造高質量的圖像。
2024年3月7日 · 一、資料清理. 二、如何切割文本. 三、如何搜尋. 四、LLM 生成品質. 快速掌握 LLM 應用全局觀. 有了「長上下文 LLM」（Long-Context LLM），還需要 RAG 嗎？ RAG（Retrieval-Augmented Generation，檢索增強生成）無疑是當今開發大型語言模型（LLM）產品時，不可或缺的技術。 由於可以確保 LLM 生成的真實性，在企業 AI 應用與搜尋場景相當受到重視。 為此，我也試著實作一個簡單的 RAG 應用。 多年累積下來，我的 Apple Notes 已經有 7000 多則筆記，搜尋愈來愈不準確，常在寫新筆記時想參考舊筆記，卻怎麼也找不到。
2024年2月26日 · 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。 RAG 概念是由自然語言處理科學家 Patrick Lewis 等學者在 2020 年發表的論文 2 中所提出。
2024年1月29日 · 這次職涯相談室請來兩位教學經驗豐富的程式開發前輩 Jack 和維元，帶大家從「自學程式的 7 個 FAQ」，來一一破解你的迷思和誤區，幫你修成正果。 你 為什麼學程式？ 問為什麼超重要！ 你問過自己為什麼要學程式嗎？ 是想要有個帶得走的能力、想加值職能、想轉職、想賺更多錢？ 或是你只是單純認為，現在的人不會程式好像怪怪的、大家都在學程式所以我也要學？ 但是，知道自己為什麼要學程式，很重要嗎？ 維元和 Jack 異口同聲地表示， 問「為什麼」是學習前最重要的一件事情。 只有知道學習的目標和理由，才會有有效的學習計畫和持續實踐的動力。 問為什麼，是做一件事最核心的課題，要越清楚越好。 若不清楚，你可能會把資源投到錯的地方。 輕則會有挫折感，重則造成對學習的傷害。
2024年2月1日 · 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。 此外，Transformer包含了多頭注意力（multi-head attention）機制，這使得模型能在多個子空間中同時學習資訊，增強了其學習能力和表達力。 自注意力機制. 想像一下，當你讀一句話時，你的大腦會同時關注這句話中的每個單詞，並理解每個單詞與其他單詞之間的關係。 自注意力機制也是如此。 它允許模型在處理一句話時，能同時考慮到句中所有單詞的信息，而不是一個接一個地處理。
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。
2023年7月25日 · 選擇關注點：第一步就是最後一步. 關注你的位移 (A—>B) 為什麼要使用 A → B 結構？ 刻意選擇 Growth mindset 視角. 培養你的後設認知. 不要浪費有效經驗. 狀態負面時去休息；狀態正面時做 reflection. 小結. Reference. 體驗用 ORID 強化全端網頁開發學習效果，3 分鐘小測驗找到你的學習起點. Reflection 與做中學. OBJECTIVE ：具體的事實，做了哪些事情、看到與觀察哪些事情. REFLECTIVE ：感受與反應，在當下直接的感受、反應與印象深刻的地方. INTERPRETIVE ：事後詮釋與分析，試著解釋與分析事實與自己的感受. DECISIONAL ：訂定目標與下一步，找出下一步可應用、執行與改善的地方.
