云雀脚本超级队长使用教程
好，哈喽，大家好，我是三哥，这节跟大家分享一下如何五分钟快速进入 whisper 语音识别模型。呃，首先 whisper 它是 oppo ai 之前开开源的一个语音领域的一个识别模型，它是一个多多任务多语言。 本节内容的话主要是两部分，一个是 visport 的一个介绍，还有一个原理的一个简单讲解。第二个是 visport 的一个实操，来看一下具体应该怎么使用。 首先强调一下啊， vispo 它是一个开源免费的一个多语言多任务的一个识别模型，也说你可以直接拿来用，你也可以自己调，这个是不做限制的，只要你不上用就行。好， ok， 我们看一下啊，是 vispo， 它是个通用的语音识别模型，它包含各种音频的大型数据级上训练 的一个模型，就是它可以执行多语言多语言的云识别，也可以做语音翻译和 语言识别的多任务模型。好，我们先看看他能干什么。嗯，英文的转录，我如果说我用英文说，这是一个英文吗？这个人在用英文说话，就可以把它转成一个英文的文本写下来，英文转录。 第二个是可以翻译成英语，任何语言我都可以翻译成英语，这可能是一个其他国家的一个语言，我可以把它转成一种英语的形式，你说的是其他国家语言，但是我录下来，我还是可以录成英文。第三个是非语非英语的一个转录，你用韩语说，我也可以 用韩语文本的形式记录下来。第四种情况是，如果说你是背景乐的 play， 我可以识别出来，我会不记录，这是他很强的一个能力。对，然后他整体的训练的数据是六十八万小时的音频数据，多任务的六十八万小时的音频数据。也说他不仅 是中文、英文、韩语、土耳其语，对，还有西班牙语，就是我们常见的语言，他基本都包含在内，所以一个模型基本够用啊。如果说你想，但是他大份的语料还是用英语训练的，所以他在英语上的效果 就是会稍微强一点。好，我们先看一下他的一个简单的一个原理啊，这是四种场景吗？也就说你的音频无非就是这四种场景，你想做的语言是无非是就是这四种场景。他他会做两件事，首先他是个 sequence， sequence 就是序列到序列的一个学习的形式，它用的是 transformer 的一种思想来做的处理。一个是 incode blocks， 这是这边做 incode 的就是做编码，这边做 d 扣的做一个解码，对，这个编码和解码整整个这一块还是 transformer， 这边也是 transformer， 然后在这边做了一个 cross 而成型，就是一个加长 交注意力交叉机制。对，然后他本身的一个任务是什么？就是做 next next token 的 pre redeat， 就是做下一个文本的一个预测，其实语音的话和那文本生成他的理念也是一样的，我基于当前文本预测我下一个文本应该是什么样。 对，这边也是一样的，就前面这个都是 tag， 就是个标志，就比如说这是任务标志，然后这是语言标志，这是我的开头，我开始把我的音频输入进去以后，会在这边开始输出对应那个文本，如果说你这边不是英语，用中文的话，这边就变成了一个中文的文本，就这个意思。 那么具体看一下他训练的思想是用什么 tokens？ ma marty task training format， 它是用 token 预测来做的，就是 token 的多任务预测。那具体怎么做呢？就是 mask market task training format。 其实前面这一步的话是 previous text tokens， 就是预测上上一个 token， 这是他的上一个 token。 这个是有几种形式，一个是特别的标识，一个是文本，一个是时间戳。这里会讲一下为什么有时间戳的概念。首先假设我这边是一个转录的形式， 我转录的话有两种形式，一个是我要指定我的语言，那第二种我要把 no speech 给它过滤掉。 no speech 是什么呢？ no speech 这种情况就是 background music play， 就你用背景音乐，我会给你过滤掉语言。假设我这里边指定的是英语， 就是语言的标识，我会把它进行转录。有第一种方式是做成转录，就是你如果说话的形式就是英语，那我就会直接转录成英语，就这种形式，你说成英语，我转成英语。第二种会做 translation， 会做 翻译，你说的不是英语，但是我会给你转成英语啊。这种形式转完不管你是转录还是翻译，我都是针对音频来处理，但是音频都是音频流，对不对？那我有两种形式，第一个我不指定时间，我诊断音频流给你处理， 但是音频流还是有个时长的上限啊，很乱处理。第二种方式什么呢？我指定开始和截止时间，比如说我每十秒或者每十五秒处理一段，处理一段，然后最终给你输出组合起来输出。 对，这种话是不，不指定那个音频，不指定你的开始和截止时间，就是 no times times day， 就是不指定时间戳。那这种形式的话是 text only translation， 就是只能做文本的一个转录。 对哦，他这种形式是可以允许你基于自己的数据级来做一个微调的，是这个意思，这是一个简单与原理讲解啊，模型特别认知错的，可能就是头坑多任务的学习 一种形式了。对本身创创作这一块其实没有什么特别的创作，因为是比较成熟的技术对他做了一些微调微创新。我们看一下创作系列带有序列的模型，针对各种语音处理任务情训，包括多语言识别、语音翻译和口语识别、语音活动检测等，这些任务共同表示，均由解码 器预测的一系列标记，允许单个模型取代传统语音处理管道的多个阶段。意思什么？就你以前如果说想处理把 非英语的转成英语文本，你以前怎么处理呢？首先你会把非英语的转成非英语英语的文本，再将非英语的文本转成英语的文本，这是他的一个处理总结。但是现在的话，我不需要，我就直接把你非英语的一个语音转成一个英语的文本是可以的。我会先做穿 s creep， 先做 转录，然后再做翻译。看这个是转录 conscription， 做翻译 translation， 他的介绍的话大概就是他是一个自动语音识别系统，就是 asr， 网络上搜集了六十八万小时的一个多语语语言和多任务监督的数据进行训练， 就是庞大的数据且多元化税及是可以提高对口音、背景噪音和技术语言的鲁报性的。 对，此外，他还支持多种语言的转录，以及将这些语言转翻译成英语。第二个是他的架构是一个简单的端的端的方法，也就说端，端的意思什么？你只需要输入对应的音频，结果就是你想要的对应的语言的一个文本。 他已经做到了极致的端到端。他的实现为编码器和减码器的一个 transformer， 然后输入音频被分成三十秒的快，转成了 logmare 平谱图。这个就是 logmare 的一个 传递给编码器，这个是编码器扣的 blocks。 对，解码器经过训练以后，可以预测对应的文本标题，并与特殊标记混合使用。这些标记只是单个模型，执行语言识别和短语及时间错，或者多语语言语音转录和语音翻译任务。这个 标记是什么呢？标记其实就这个，你是做翻译还是做转录，让你做的对应的语言是什么？是英语还是中文？对， 就这个意思。这也是一个标题。其他线有方法经常使用更小或者配对更紧密的音频文本数据级进行训练，或使用广泛但无尖度的音频进行预算。因为 vista 它是一个庞大且多元化的数据级专项训练，所以并没有针对特定 任何特定数据题进行微调。所以他没有击败专门研究 libral library speed 其性能的一个模型。然而，当我们在不同的数据题上测量 的零样本性能的时候，我们发现他更加稳稳健，比那些专用领域的模型少百分之五十错误。比如说他，他就是强调 vispo， 他更通用化。对，但是在专门领域上，因为我没有特别训练嘛，所以我就没有打败这些专用领域的一个竞争比基准。 但是如果说我们再把所有的模型在通用语言上进进行比较，你会发现 visper 的能力会更强。因为 visper 大约三分之一的音频数据是非英语的，所以它交替被赋予原始语言的转录或者翻译语音任务。 对，我们发现这种学习英语语音到文本的翻译方面会特别小，就是什么意思呢？他有三分之二是英语，三分之一是非英语。你做语音转录和翻译 的任务的时候会比较有效。因为你有英语和其他语言混合使用吗？会提升模型的一个理解能力，所以会 提升他的一个鲁巴星吗？就这个意思。官方他提供了五种模型啊，就是从 tiny by small media 和垃圾。要说模型越大的话，其实他整体的效果会越好，但是同样他使用的那个内存也会越大，就从一 g 到十 g， 这里一个英英英里是 only model， 就是他只做英语的识别和转录， 这是只做只做英文的。然后这边的话是多任务的，就是可以做英语，也可以做非英语的。然后我们 等一下会做的单帽演示是用的多任务的一个语言模型，他不一直不要效果，他官方的给的效果，西班牙与他 w 一二的效果是最好的。那其实是意大利的英语，看到没有？因为他本身用的那个英语语料会越多吗？中文这一块他的效果其实没有那么理想。对，在这 呃，率还挺高的，一百个是错了十四个。对，可能错误率还挺高。 w r。 好，这里我给两个 在线的一个呆萌，就是 visport 开源的两个在线呆萌，你可以在线录制，然后在线转，在线，在线识别，你用中文的话会给你识别成中文。这里我们就不打开这个网站来演示了，大家可以自己看，我们看一下这具体怎么用。首先我们要安装一些依赖，对，这些依赖安装完以后就你针对你不同的，你是无版图还是零零四。 对，根据你自己的需要，你来执行一下。 f f pack 这个东西是很重要的啊。对，因为它是处理音频的。然后这个是我们用 我们本地做了一个实验，就是我这边会有一个 text ordear 的一个 w a v 的一个音频文件。对，我先可以用它来做转录， 我也可以做翻译。对，我们具体看一下线上那个例子啊。这个，这个代码其实是最简单一种方式啊，他只做了转录和 translation。 对，没有做其他的。在这个 代码里面他的覆盖范围稍微广一点，这个就是我们刚刚在这里面写的，我们看一下啊。首先他对中文的识别效果不是特别好，大家好，我是三哥。然后五分钟接入 vispo 的语音识别服务。对，是原文，应该是这样的，但是这一块他没有识别特别好，他可以识别到我的语言是中文，就是烟。 对，然后这是他识别的一个文本，这是他识别的一个文本。就是语言吗？语言模型，这个是 logomale， 他会把我的音频这个音频转成一个拼补图。对，转成一个拼补图，转成拼补图以后可以识别我这个语音 里面的文本是哪种。哪，哪种语言类型，可以识别出来是中文。对，然后对他进行解码，解码其实就是相当于做一个转录了，就识别语音，他对应的一个文本是什么？这边是直接做转录。 对，我也可以直接做翻译啊，像是雷神也可以啊，这里就不过的赘数了啊。这是一个，这是一个多语言的一个税结。对，我们指定语言文本用中文，当然你可以用其他语言都可以啊，你用韩文也行。 对，我这里可以指定用中文。整体我都已经跑完了，我们就直接看。正在跑，时间可能会比较久。那我们稍等一下啊。 ok， 已经跑完了。这我们看一下。这个是他的原文。对，这是用中文说的原文，这是他转录的相对效果。还行吧，他能把 对土耳其转成一个中文，我们再用翻译测试类型，我们同步把中文翻译成英文。对，整体还行吧。他受到新加坡副总理黄根城的热烈欢迎。那他这边转录的时候，这个是语音文本。啊，这是他的语音文本， 这个是我们通过模型来识别到的一个语音文本。对，然后通过这个我们识别到语文本，然后我们再把它翻译成一个英英语，整体效果其实还行。对， visper， 当然在英语领域他的转录，转录的效果会更好，在中文可能会稍微差一点， 但如果说我们只是自己用的，应该是足够了，那我们继续往下看一下，这是他的一个拼补图，对，比如特朗普就是刚刚那第一句话吗？这实际上是他一个拼补图，这是他转录的一个结果，就是 b get and， 我们不是每一段音频有个 b get and 吗？ 对，它是它的 bgm， 从头到尾一个字给你翻译出来，效果还可以。这一节就到这里，感谢大家。
粉丝155获赞519
相关视频
11:38查看AI文稿AI文稿回看才发现至少三位粉丝撞车了。哎呦，小转转撞车了小转转撞车了啊。这次这把好好打，一定把小转转打出去。我觉得这把我还是用用圆雀吧，好像垃圾城市没有什么东西的呀。 充电去吧。打有人，有一堆人打死他们，前方是会有敌人的气息，有钱 哎。这么牛有一个人。哇这么牛逼呢。怎么他他在捡东西，他没，他没动，他背对着我。哦，所以说千万不要背对着敌人啊。 林天宇啊，发一些正能量的可以啊。啊什么？如果是自己拥有手机的啊。反炸 app 对不对。哎给下一个反炸 app 用了都说好。这一把我想吃鸡啊。这一把这一把我要玩明确了。你在哪呢我在下面充电呢打起来了打起来了。 哎去哪了我去哎。如果有暗号模组的话那个暗号模组就 我唱一首 给你了。走走走， 太嚣张了，跟我匀却打人呢。跑了追 啊跑这来了来喽。 我去，不让你们充我自己充就行了。北京也来了 家传传了传了。老弟你当我队友不是很嚣张吗。我现在打不出 这包外面掉馅里去了。 我去，两个人。 我要回亚洲我要回亚洲城。 哇这有人打我。 你终于把把你杀死了。注意 跑了跑了。没有追我追我追。哎。你他好他追他呀他。我捡个药我捡个药我捡个药。 原地打火机。哎，有人有人有人有人有人有人。吸空嘴吸空嘴吸头嘴。哎有个亚瑟 打死他们打死他们。哎呦我去，这是小转转 转转小转转小转转。不要跑不要跑。让我看看让哥哥看看让哥哥看看让我看看让我看看让我看看让我看看让我看看让我看看。哇这个人啊这个这个太 怎么怎么怎么怎么怎么 我在在在在在还活着。 多少钱好。追小钻呢追追小钻钻凉了啊。这么快追一下追他 人呢。我丢我这边有人完了我要跑了。 打不过有个标准后排。我也有个标准。 你找我办的巡游者 啊。这任务。房子里有人前面你前面。房子里有人。 不知道去哪 哎有人有石头有人 人呢这里有人跑出来了有人跑出来了。他不来他跑了，他把队友放弃了， 我丢。那必须把他打死啊。还搁房子里那个人还搁房子里。 打个 ok。 看到动手行吗？往你那边跑往你那边跑。看到了看到了 我看到什么？大耗子飞过去了。 上上啊，保护我呀保护我呀保护我。一下下下几家了下几家了。 请往前方有个人机。 哎我去，还说回个雪 我丢在呢哎他也给我掏出了正枪快过来。 哎不不我完了我完了我完了我完了我完了。我打了一枪 他跑了。怎么能跑啊他念什么都跑了，你看快快过来呀快过来呀。 我打个药打个药。 嗯， 很香啊。顶着了。头顶上去。头顶哪个地方我就不知道。走吧走吧，先别管他们，削弱他们就行了。 打个样子打个样进圈吧。哎有有滑板声听到滑板声 没关系，赶紧赶紧赶紧。哎这里有一个滑板在房子里房子里有一个 啥动作？ 还有一个还有一个 滑板车。哦滑板车哦。我抓你。 我去二楼搁二楼搁二楼。别进去别进去。堵他就行了搁里头堵他。快出来快出来快出来出来。你死里头我就不好整了。快出来快出来呀别进去 出来了出来了出来了出来了。哎呀有人有人有人有人有人。后面跑了几句有人。哎呀这两边都有人 哇。堵了堵了堵了。不用管了，咱们搁后面进圈就行。不要不要瞎机甲不要瞎机甲。不理我就愁死你。 还没有就毒死你了。毒死毒你的毒在里头死。没事毒你的毒有毒 慢慢就行，养护养啥了。 出来了出来了，肯定受不了，这才几秒钟呢，主播 为了抗药 哇操，真真是 猛啊。 哎，这什么反射跑毒吗？还在往毒毒里头跑。什么鬼。他往毒里跑总比炸了好吧。 炸炸鸡点炸。哎不，小鸡点炸小鸡点炸炸鸡小鸡点炸小鸡点炸 m 点炸。 很刺激啊这一把。 嘿，小转转小转转。让我看看啊。小转转小转转。找凉了小转转。被我打凉的我。我打死才看见。 我这云雀就缺个皮肤哎对吧。这云雀真的好用啊， 如果是新手可以可以用用。哈哈哈。你欺负了新手可以用云雀啊，多念念云雀非常强的。怎么怎么上来怎么上来怎么上上上不来 上不来。你们有没有跳台？你们有跳台吧我上来了上来了。对，他可以上来。请问你有跳台吗？没事怎么跳上来了。 来主人走走走，这波反枪炮给我。真的是哎，拿着抗毒过来呗。 咱走几步就到三了， 人呢？一个九十九。 漂亮漂亮 啊。进圈进圈进圈进圈。咱走几步就到圈里了。好，咱到圈里了，看看他人在下面没有， 前方人好让你下去。一会一会下去一会下去。我下来了。 漂亮。
206紫玄月
00:52查看AI文稿AI文稿打开鸟人助手，找到游戏，点击运行，点击立即开始，此时会自动打开游戏。点击侧边上的鸟人填充，选择需要的脚本，点击运行，在弹出的界面中勾选需要的功能。 设置好脚本功能后，点击启动服装变红，说明脚本已成功启动，此时脚本即可全自动运行了，无需手动干预，全自动操作， 该辅助可无限循环做主线日常。
85渣渣文说游戏
02:08查看AI文稿AI文稿哈喽，大家好，我是梦想，前几天有粉丝私信做一期云雀教学，今天他就来了。 首先我们想要更好的运用运气，需要了解它的技能，一运气的一技能可以恢复少量耐久， 技能恢复耐久，从而使战斗增加优势。看好这一波，可以看到现在我离他距离较远，他还被我打了一半的耐久，但我们不能掉以轻心，利用未已向后拉扯。 哦吼，他冲过来了，咱们跳起来在空中划伤，继续向后拉， 咱们来看下一波， 现在可以看到我离敌方距离非常近，咱们同样还是向后拉扯， 旁边来了一个人，迅速转移目标， 这里离得比较远，嚣张一下冲刺一波毒子弹 直接解决，又来了个圆圈，咱们环绕着他攻击， 最后一下结束战斗。 好了，那么本期视频到这里就结束了，下期还想看什么？在评论区艾特我，我是梦想，我们下期再见， 西瓜视频。
21梦晓不会玩
02:22查看AI文稿AI文稿大家好，今天给大家讲一下怎么把本手机的游戏上传到赢手机啊，操作演示用的是多多赢手机啊，游戏是原始传奇，其他游戏也同样道理，请大家参考用就可以了 啊，那么我们打开这个多多云手机， 好的，那么大家应该发现我的云手机里面还没安装有游戏，对吧？我只安装了一个叫做圆圈辅助的一这么一个东西。好的，那么现在我来教大家 怎么样上传自己手机里面的东西到人手机里面去啊，实现快速的安装啊， 我们来看一下。嗯，多多云这里有一个扩展服务，我们点开，然后这里有一个上传文件，我们点开它。 好的，这个时候呢啊，下面的这个列表里面呢，就有你自己手机已经安装的程序，对吧？这个时候呢啊，例如我要上传这个原始传奇，对吧？那我就在这里勾选，然后点上传啊，这个时候呢， 等待几分钟之后呢，他就会提示上传成功，这个时候呢，我们点去安装，这个时候我勾选上我这一台云手机，然后点下面的立志安装啊，这个时候他就会提示正在安装了。好，我们 可能要等到几分钟好了，当这里显示查看详情的时候，也就意味着已经上传并安装好了，这个时候我们返回一下 在左下角云手机这里啊，然后我们看一下他安装好没有啊？这个时候我们其实这个时候我们其实是可以点上面这个刷新，就可以刷新云手机的这个预览界面，对吧？ 啊，这个时候我们就看到里面已经安装好原始传奇了，对吧？啊？就是这么简单，对吧？已经安装好了。
17何小泉网络科技
00:34查看AI文稿AI文稿分组操作，点击分组管理， 点击确定， 回到店铺管理，添加一个店铺， 点击新建，然后这里可以选择对应的分组，选择平台，其他可以先不填写，点击确定，赶紧去操作一下吧！
20:52查看AI文稿AI文稿大家好，这里水晶区。嗯，上一次是想到有人在往这边发了把火，对吧？ 然后就把他们两个隔开了。 嗯，最近回学校事情有点多，导致这一集现在才更 看一下。这边就是每个圆圈上 得数字得和要为十四，然后每个圆圈都是 四个数字，一二三四五六， 这个技术上很简单的吧。这个， 嗯，我倒是也没看明白，是 请为我看病吧。 需要螺丝，这个洗衣机打开，把蓝 色的小球弄到中间，只能按那个箭头，那才是有用的， 然后之后又拿到一个平板，嗯，我们相同颜色的数字就是一样的，然后要算出来每个颜色他应该是对应哪个数字， 可以慢慢推。 然后这个算出来好像也没有其他提示，什么地方相同，说明我们现在拿到的是其他提示的东西， 没有坏，然后可以给这边充电 生锈， 但朝向不一样，这下面有东西需要把这个翘起来，这里边也有个什么东西， 这小孩子画的什么？ 这边不一样的数，不一样的颜色，然后我们看一下对应的数字是什么， 然后第二个我开始以为他是白色，其实他是灰色的啊。 拿到方向按键，井盖拉钩， 用井盖拉钩去打开那个下水道。那个 这个数字怎么讲？这个有的，其实不用想的太复杂，对吧？很多虽然有数字，但他只是要你找规矩什么的。 这衣服上有什么图案，我们需要把衣服洗一下，就说明 在这 弄开。拿到一个铡刀，但是那个电闸那我们还弄不开。有了洗衣粉和衣服，但是那个线那里还是断开的啊。 然后这几棵树就想到那个水龙头朝下， 然后这个规律就是除了这两个，除了两个泡泡里面的数字，其他泡泡里面的数字加起来都是十吧，好像是这个规则。 然后把这里拧开，放上炸刀， 但是还没有想到有胶布，然后可以把这个门打开。玩这个小游戏 就是要经过每一个紫色的横线以及 所有点， 然后就很明显最后通往中间那个只能横上去吗？这边是我做的，需要钥匙，这个在不停的旋转，嗯，可以想象没有线索之类的，然后 这个旁边的提示，然后我们看到就是，嗯，大写吗？这里都是大写，然后想到那个小孩子们画的画第一个狮子，第二个车， 第三个是彩虹，彩虹什么的， 最后一个，然后这里就是按之前那里的规律算，然后那个的规律就是一个是从左到右看空几个算几个，就是 左右左右或者右左右左，所以 我也是两次都试了一下。 首先是右左吧， 右左就是二一零四五二， 然后是错的话那就是左右左右，那就应该是三四五一零三， 这是五一零三。拿到了钥匙，在 打开这个，拿到一个摇杆，我是放这里拿镊子把它夹走，然后摇杆 这，嗯，在下面，之前那个扶梯摇的那个舵，对吧？他的，嗯，在上上面，然后我们大概选一下他们的位置，记一下他的顺序， 这是我之前漏了一步。对，我在看 总共需要几步，因为之前一直错了嘛，我不知道第一个该不该算， 然后算上他本身最开始在按的话，这个数字是足够长的。嗯，暂时不要动这，然后回到博文那 洗洗衣服，嘴馋起来， 然后衣服上面有颗 这种符号，就 秋雨那边就有，之前我们打开摇杆那个里面的那吧，对吧？除了最下面最中间是红，其他都是蓝， 然后机关起落了， 可以看一下，这个是位于相同颜色相同的风格，之前玩迷失岛其实就有一， 就第一个，如果经过了那个红色的话，那么他最后一个一一定就停在那了。 打开这个门，上来捡到一盒钉子，缺少电池，缺少电池的机器， 然后墙上还有什么？来到一个锤子，我们也没有电池哦， 这边过来可以把按钮翻过去，这就是小框框，到大框框里就会 拿错钥匙， 这个感觉还挺复杂的。第三个更复杂，第三个要绕很久， 他只能磨成那个大的。 这个素材没了呀， 喝苹果了，需要把它 顶过去吧，现在就已经拿到了。把它过去是要先把那个蓝色的小的挪过来一点，然后再把它推上去的话， 就还留有空格，就不会没地方走， 然后再套进蓝色的那边， 到最后就只是一个单独的小球出去， 我不知道能不能听懂。 拿到一瓶水，然后获得了钥匙，打开，这里 有纸片，纸片就是， 嗯，之前的一点提示就是横纵斜都要是那个数字，然后这边这个数字是三十二吗？ 然后这里不是已经有一个十五了吗？我们可以先把十五这个放过去， 并且我们要保证他就是能拼，要拼成一个 正方形，横竖斜都是三十四，能确认的只有这个二十五， 把这个翻过去，三十四这一横的就成立了， 这是这下面横着这三个也很容易，因为他已经有三个数字了吗？ 然后这里摆上去，现在就剩下这几个， 可以去上一下，大概就是这样 拿到一个电池，并且给他丢过去了，然后秋雨被抓了电池，要先去捡电池， 这边还有个什么， 这是之前我们拿到的另一半，然后 这个是说整看规律的话，就是整个这个 小圆点，他是在属于几个图形里面，他被框这一个，那就是一，被框这两个就是二，就是那边给我们看到的规律吗？ 这里还没弄开 钥匙可以打开这个吗？三区 这有几把伞，来到一个开瓶器，这里烧的东西就是之前那的， 让所有按钮都发 光，看看规律，现在已经打开了，然后这几个会转动， 这里面有个救生锤， 然后就先下去火钳子，把这个拿过来 给他装上去， 这道具技术 这几个徒手打不开，用救生锤把这个弄开， 这里面还少了个什么东西， 现在只剩下那个开瓶器。过来把这里弄开， 打开这个木塞子，这里有把像小伞的小灯，然后还剩下一个三块， 再去找一找， 碰歪了一把伞，这伞上就有一个按钮，放过去颜色顺序跟那把剑都看到了吧，毕竟放了那么久， 就是看一下每个颜色， 每个按钮代表什么颜色，然后再弄到那个顺序， 这有个启动按钮，游戏规则就是一样的颜色，他要调到跟他一样的 关里，然后一次只能跳相邻或者相差一格的风格，这种属于小时候玩过吗？ 就是他们一定要相邻， 然后就慢慢过去， 从这里过去，秋雨被人在直升机里带走了， 好了，这一节大概就是这样了，拜拜。
514云雀
00:59查看AI文稿AI文稿遥控拷贝功能，点击遥控拷贝，我们现在拷贝一个凯越的遥控器，选择 hcs 码拷贝，然后点开始拷贝，按遥控，第四按锁车，按一下， 再按一下锁车。我们现在遥控离的距离比较远的，只要频率能测到就可以。先按下开锁，按下后备箱， 按一下喇叭，拷贝完成。如果我们要拷贝一个跟原来一样的遥控，那就直接点拷贝，这样的话两个遥控会追马的。如果客户需要真配一个字机的话，你可以点再生，那把遥控器放进去 写录数据，等写完之后把这个遥控上车匹配就可以用了。这个只是做一个示范，像比如说奔腾 b 五零这些不能真配遥控的车型，可以直接点拷贝，不影响原来遥控使用。
139泰珊电子
16:44查看AI文稿AI文稿哈喽，大家好，我是三哥，我今天这一节讲 number 的最后一节，我们继续安排的实现一个 m l p， 就是多层感知机，也可以理解为一个最简单的一个神经网络。对神经网络不太熟悉的同学可以参考这个视频啊，你要了解技术知识，不然的话这一节可能你很难听懂。 另外一个就是如果说你们有问题了，建议把问题要记录完整，比如说你是用的什么样的数据，用什么样的函数，报了什么样的错误， 对，你把那个截图都给出来。这样的话方便大家交流和沟通。好。 ok， 言归正传。首先我们看一下神经网络啊。神经网络一般的题是由输入层，隐藏层，输入层构成。 然后长城可以是一层，也可以多层叠加，然后跟一层之间相互连接的。我们可以看到 inprilale 就是输入层的意思。然后黑灯 leal 是输隐藏层的意思，这个隐藏层。这个图里面隐藏层有两个 黑灯料一和黑灯料二，然后这个最后一个，这个是 output lay， 这是输出层。所以神源的结构是三个结构，一个是输入层的结构，一个是隐藏层的结构，一个输出层的结构。对，只不过这个隐藏层可能是一层，也可能是多层。 好，我们本节我们实现的案例是用一个简化的案例，就用三层输入层，这一层啊，一层隐藏层，这一层再加输出层 o 一 o 二，隐藏层 h 一 h 二，输入层 i 一 i 二。然后我们简单过下这个结构啊，这个超参数 w 都是超算数， w 一 w 二 w 三 w 四。所以一般我们计算，我们在前会计算的时候，我们结果 h 一的结果什么呢？是 i 一乘以 w 一， i 二乘以 w 二相加之和等于 h 一， h 二的结果是 i 一乘以 w 三， i 二乘以 w 四 相加和等于 h 二。那同理 o e 输出成本结果就是 f 一乘以 w 五， h 二乘以 w 六相加和 o 二，就是 h 一乘以 w 七， h 二乘以 w 八的输出和好。这个是一个简单的概念啊。 ok。 然后我们随缘就用那个 c m 的函数实现，就是一 除以一加上一的负于 x 次方。那我们对它进行求导的话，就是求导后的结果 y 乘以一减 y。 所以 cemoy 的它的导数其实是非常简单的。 ok。 然后我们来看一下啊，我们的神经网络初始化。对，就是我们要对几个参数，一个是隐藏成一个，输出成一个，输出成一个参数。我们进行初始化。 所有神经网络我们都是用矩阵计算，所以他的速度很快。矩阵计算的话，囊派是非常合适的，所以我们用囊派来实现也符合他的一个特性。第二个是一般输入层的大小，是指你对 特征的数量，以长城的大小，是你要调约的变量的参数的规模的大小。一般我们不说那个什么十十个 g， 二十个 g， 一百个 g 的模型吗？对吧，他其实就是以长城特别大，然后输出城就是可能对对应的你的类别的数量。试一下，就是我们所有的全数数化为随机数， 他们全职必须有手机了，否则我们无法调整网络，因为你所有的就是你要调的参数。如果是零成为一的话，他其实是没法调优的。这一个点稍微注意一下。我们先看一下乾坤神经网络。乾坤还是这个神经网络图啊。乾坤网络意思是什么？乾坤是从前往后算，就是从 i 一算到 o 一， l 二算到 o 二，就 把 h 一的结果算完以后再算 o 一的结果。 h 二结果算完以后再算 o 二，结果 o 一和二。其实就是输出成一个结果，对不对？那就这一一层，就是这个神经网络的钱会把 o 一和 o 二算出 以后全亏就算完了。就这么意思。我在这里把公式已经列出来了。这里我这里我就重点讲一下。比如说 h e h e 的话，我们先顺 w e， 就 w e 乘以 i e w 二，这个 w 乘以二， w 乘以二，二的相加和加上这个 b 的结果就等于 nine h e 的结果。但是每一个神经元隐藏程和输出程序员，我们都是用了 c m o a 的，对不对？那我们就把 n h h e 的结果放到 c m 函数里面去，我们就算出了隐藏成 h e 的结果就是 结果输出就是 out h e 叫 out h e。 好，这个隐藏层第一层我们就算完了。看第二层。第二层我们要算这个 not o e 的结果，它就是 h 一乘以 w， h 二乘以 w 六加上 b 二。不对， w 乘以 out h 一， w 乘以 out， h 二加上 b 二。然后 后这一层也是一个 c u c 末的一个计划函数。首先我们把这个结果放到 c u 末函数里面去，就算出了，最终输出成 o e 的 o e 的一个结果就是 out o e。 这是整个计算的一个思路啊。这整个计算的一个思路。我们来看代码，代码实现其实就很简单了。首先输入层他是没有结果函数的，只有隐藏层和输出层，他又是一个模拟的。所以在输入层我就是把我们整个模型的一个输入的特征直接附给了 ai， 这个 ai 记记记录的是每一个神经元计算之后的一个结果，我就直接付给他。 好。接着我们算这个 ai 是什么意思？ ai 就是 i 一和 i 二的一个结果，因为它没有计划函数，所以我们的从外部的数据集进到神经网络的时候，就直接把值付给对应的 i i 一和 i 二对， 那么它的一个结果计算的一个结果。我们存储的结果就是 a i 一， a i 二。所以这里就是 a i 一， a i 二好。 然后再隐藏成的话，其实就是我们想算的黑的嘛， a h h 就是黑，等于是 a h 的一个结果。那么就是前面的输入的神经单元乘以它的一个超参数 w w 二，就 w 乘以 i e， w 乘以 i r 的结果，就等于这个隐藏成 night next h 一的结果。相加结果之和对不对？我们先把这一步算完，这一步就是相乘它的超算数，然后结果相加。对结果相加以后，我们再经过一个是一个末尾的，就是 这个隐藏层。把这个 nine h e 放到 simole sigmal 的函数里面，计算完以后，得到隐藏层的输出结果就是 out h e， out h e 好，这里就是 a h j， 就是 隐藏层的输出结果啊。就这样。那么同理输出层也是一样的。输出层其实也是把输入就是隐藏层的输出结果， 乘以它的一个超算数，就是这个 out h 一的结果乘以 w， out h 一乘以哇， out h 二乘以 w 等于 o 一的一个 net o 一，然后 out h 一乘以 w 七， out h 二乘以 w w 八等于奥 net o 二对吧？就是 就是一步一步的我们进行累加。这个 w o 的意思是 output 就输出成一个参数，对，我们对它进行相乘相乘之和，再乘一个 skimoi 的，就是最终一个输出结果。我们把这个输出结果返回 整个全柜神经网络，我们就刷完了。其实很容易啊，这一块我们就不过多纠结，难道来了？难道就是返乡传播？这个不太清楚，我们可以参考这个文章， 你一定要先看，看完以后再来看。这里我们是怎么算的，因为我在这里我不会把这个公式重新推到一遍，我只说最终的一个结果。所以你会感觉到有点难受 啊。不要紧，就是你把这个思路记住，再看这个文章呢，也能很快的看懂一样的啊。好。反向传播的意思是什么？就是我们前进网络是从 ie 一直算到偶 o e 嘛， o e 的结果算完嘛， l 也是算到 o 二结果算完嘛。对，那反向传播的意思是什么呢？它是反向更新权权重，就是 w 一、 w 二、 w 三、 w 四， w w 二 w 八的权重。这是输出层的参数。这是隐藏层的参数对吧？这两层参数哦。然后我们要对 w w w w 七 一直到 w 一的参数更新，那他其实就是用基于电视传播来进行更新求的。首先我们知道我们的统计误差函数怎么求呢？就是用目标值减去我们的输出 数值的平方的绝对值。其实这就是一个绝对值，绝对值的和其实就是我们的总误差，总误差。然后我们把拆在这个图里面，其实就是 o 一的误差加上 o 二的误差，等于我们的总误差，对不对？ 如果说我们想对这个 w 进行求导，那怎么求呢？基于这个，我们对这个总误差结果进行求导。求导我们展开。展开以后，其实其实就是个电视传播。我们看这里啊。比如说这个 total， 我们对 w 进行求导，那其实我先是对 out 一这个结果， out o e 这个结果进行求导， 然后 alt o e 对 net o e 进行求答，然后 net o e 对 w 进行求答。最后这个就是 w 五的一个梯度值，算完以后就是个 w t 度值 进度值。然后这个 e toto， 它其实是 e o 一加 e o r 的一个和误差之和。 e o e e 的意思就是误差统计它的误差， o 一的误差加上 o 二的误差之和，对 好展开就这么个样子。那么这是输出层的一个等级 w 四的求道。假设我们是针对到 w 进行求道，那他是怎么求呢？就是 出口对 w e， 那就是一偷偷对 out h e h e e alt 求到 alt 再对 net h e 进行求到， net h e 再对 w e 进行求到。 只不过跟上面也是一样的， e toto 是等于 u 一对 out h 一加上 e o 二对 out h 一的一个球档。这个地方稍微注意一下，这个流量有点复杂，对， 有点复杂，你退到会比较难于理解，但是没有关系，这个练士你一定要记住我们是怎么求的。比如说对这一层的球道的话，就是输出层的球道，对 w 五的球道，其实输出 w 五在这嘛，在这里至少 o 一嘛。 给它进行求导的话，就是直接基于总的参数，我们对 out h， alt o e， night o e， 然后对 w 这个链式来进行求导的。然后只不过对隐藏层，它的链式会稍微长点。 out o e 对 night o e 再对 w 进行求导。 好，我们计算整个的一个过下我们整个的一个结果啊。前面就不看了，前面做做一个交易。首先我们要计算出我们输出层的梯度。输出德德塔，这是德塔梯度的意思，德塔十个，那说明我们就算十个梯度。好，这是误差对不对？ 误差 tag o e 减去 out o e 的误差。 ok， 这个误差我们对它进行求道对不对？对 out o e 进行求道是不是？好？我们对 out o e 进行求道，然后再乘以这个误差值。那算出来的其实就是我整个这个梯度 值了。我算出来这个梯度的一个值，就是对整个乘务员进行求到，我算出来是这个梯度的值，然后再对得哎 w 进行求到。求到完以后再更新这个 w 的参数对不对？ 接着往下看。这个是输出层的这个隐藏层我们先不看，我们还是更新输出层先把这个看完。好。我们不是把这个 output 德塔算完了吗？这个 a h a h 什么呢？是隐藏层的 最终的一个计算结果，就是 h 一的一个最终的计算结果。 h 一对应的是什么呢？ h 一对应的是这个 nine o e， 是不是 nine o e？ 所以我对这个 我这个 iro 乘以这个 out a h e a h 的一个输出结果，德塔乘以它一个输出结果，我就可以计算出我 w 的一个变动幅度， w 五的一个变动幅度对不对？所以我用 l linu read， 就是 我这个超参数 w 五，他要调整的幅度。对，乘以这个千元级，加上这个 ceo， 这个 ceo 记录的是上一轮，你看没有每一轮这个上完以后会把这个千年级付给这个 ceo， 就上一轮那个，切记浮动。这个结果其实算完就是我们 w 五的一个超参数的一个结果，加上这个 lanures 调整了一个幅度。我要调整一个幅度，加上这个 c o 的值，那就是更新后的 w 五的一个超参数，然后把这个线记记录下来。好，这是输出层的一个参数的更新，让我们看隐藏层的参数更新。隐藏层呢，其实是一样的，隐藏层是基于输出层的一个梯度， 再乘以参数它的一个一个一个隐藏层的一个参数。计算它的 l 也是一样的。这个 w o 是什么呢？这个 w o 是 w w w 七 w w w 七。因为你要计算对 h e 进行求道，其实还是要先对 o e 进行求道，然后再对 h e 进行求道，对不对？那他的结果其实就我这个梯度。我我前面已经算了嘛，我对 a o 已经算了 o 奥特，奥特 o 一的一个结果，这个有输出成一个结果，奥特 o 一的结果。然后我再乘以 w i j， 这个 w o 就是 w 的超算数，乘以它的幅度，然后对这个结果，这个就是输出成的一个结果进行求导， 对应的是这一个速成的一个结果。进球的啊，再乘以长的挨肉，挨肉其实就是这一块。对这一块合在一起的一个结果进行相乘，我们就得到了我们隐藏成了一个德塔的梯度，隐藏成了德塔，梯度也是一样的。你这里乘的是 a h， h 是隐藏呃隐 长城的一个输出结果嘛。那我这里要乘的就是 a i， 就是输入乘以的计算结果，然后能力 reach 乘以千元级，加上 c i， c o 是 output， c i 是 c 黑等的一个千级值。对我对我输入乘的超参数就是 w w， w 三 w 四进行一个 更新。好，这就是对 w 一到 w 八的跟数。超参数我们进行了更新。就这么一个结果。其实因为你用的是一个模拟的，所以这一块计算起来你会发现其实非常简单。 计算损损失函数。就我算完以后，这个 fitwork 算完以后，我需要知道我的整个模型的他的一个误差到底有多大，对吧？误差其实就是看这个公式嘛，他给解决 output 平方，再求一个暗号，然后再求他误差之和。啊。我们看一下这里他怎么算呢？ 目标值才减去目标值，真实目真实值减去输出值的平方再乘以它刚好乘以零点五。所有的误差值相 和相加就是我们那个损失函数了啊。 ok， 就是我们拿一个样本来预测，用我们这个模型来预测，那他其实就是走一遍钱亏的神经网络。他的实质 就是这一点。潜规的神经网络。其实就这么容易。因为这个潜潜规神经网络其实是基于你已经把超参数全部调整完了以后的一个最优的一个神经网络。我把样本拿进来，就可以拿到我最最终的一个想要的一个结果啊，这是一个 predict。 好，我们看我们的代码，代码前面都是一样的，就我们把它直接复制过来了。这里我们稍微过一下就是去去去呢，其实就是对模型进行训练。这个 in iteration 虽然 训练五十个一破鞋，那这里就是五十。我们对整个数据线打乱，每一个一破鞋计算的时候，我的数据级是不一样的，避免它形成一个固定的记忆，避免网络形成一个固定的记忆啊。这首先第一步我是前馈吗？这是个输入者 x， 这是输入者 y 吗？前馈 前会完以后呢，再算一个 bpbp， 其实就是对网络超声速进行更新，更新完以后，我们拿到这一轮是计算完了以后，计算之后的一个误差。每十个一破解，就是这里每十个一破解。我们记录一下 我们目前网络一个情况，每一轮计算完以后，每一个 epox iteration 计算完以后，我们调整一下能力 rate， 对这个 rate decar 就开始，就开始来进行调整啊。 ok， 然后我们看下代码，这个代码的一个代码数据几数据我在这里已经拿出来了，大家可以直接拿来用。它其实就是识别那个数字。零到九。这个数字一共是 十个分类，零到九吗？十个分类的数字，这是他的一个样本，我们做了一个君子画，我把这个样本分成两部分 x， x 部分，一个是 y 部分， y 就是你最终对应的零到十，零到九哪个标签，这个是对应的一个图像， 这其实对应的就是一个图像。好，我们把这个使用网络进行一个初始化，就是六十四个输入程， 六十四个特征，六十四五的特征。一百个隐藏单元，然后十个分类 intuition。 我们用五十轮， but linuage 粗的话是零点五。 great decase 就是零点零一。我每次调整幅度是在零点零一之间。 我进行训练，训练完以后进行测试，测试完以后我们输出一个最终的一个结果。 ok， 我们看一下。啊，我们一共是五十吗？是零到四十对。我们可以看一下我们的爱豆从三百九直接降到了二，对不对。再来 test。 test 就是测试一下这个模型到底怎么样。 对，我们可以看一下这是零到九的数字，这个一表示他是八，对就是数字八。那我们看一下他识别的概率是不是对的。可以看到零点九九就说明他认为这个是对的。这个是在第二个位置上是一， 第二个位置上零点九九七八。对也对了，那第一个位置上零点九九八。所以整个模型识别的效果还是非常不错的。这一节就先到这。这一节的话，可能对大家来说有点难度，尤其是 b， b 那一块的难度，主要是在于那个练词求导公式，大家可能 不会计算，其实就这一个难度。这个公司你如果说看这个视频很难理解，我建议你把这个文章，我这里其实已经注明了我这个文章的地址，你打开看一下，然后从写完， 写完以后，然后你再来看这个代码，对，你会发现其实很容易对。好，那这一节就到这里，感谢大家。
04:54
