五签数据手搓方法
粉丝175获赞1.2万
相关视频
02:22查看AI文稿AI文稿不到五十块，给儿子手搓一个支持磁吸的墨水屏课程表日历虽然不是最终版本，但这版复刻难度很小。后面是教程，全套资料我都给你准备好了，有兴趣的朋友可以关注、点赞、收藏慢慢看。所需物料非常简单，一块 esp 三二开发版，一块通用二十四片墨水屏驱动版，再就是四点二寸双色或者三色墨水屏 墨水瓶不建议买二手价钱，主要价格也不便宜了，再配一块薄一点的锂电池，一颗六毫米宽的触控开关和若干连接线就齐活了。外壳我是打印的 macword 上长工小七分享的墨水瓶日历外壳，它这个设计比较轻薄，支持磁吸和支架。 首先我们要连接开发版和驱动版，这块我们直接看随缘宅 up 主开源固件的说明文档，按照里面的接线说明用跳线焊接就行了，文档写的很详细，仔细对照操作，一定能复刻成功。 我这即使焊工就不展示过程了。我这用的线有点长了，而且很硬，后面不好安装到外壳里，大家注意用短一点或软一点的线比较好。 开发板线都连好后，我们就可以把屏幕排线与驱动板连接，注意观察排针方向。屏幕排线和驱动板排线一号针角均是悬空，注意对齐。然后我们就可以接上 usb 烧录固件了， 我们可以把源码下载下来，在 disk 文件下可以找到固件，然后按照文档说明使用烧录工具，将引导固件、分区固件、代码固件都选上，并填上对应的烧录地址，然后烧录就可以了。代码固件我是用的幺六八零这版，大家可以根据自己的墨水瓶的型号尝试。 烧录完之后需要通过开关点按操作才能触发屏幕刷新，所以其实应该在前面接线的时候就把按钮接好， 接好后双击开关，进入配置模式，用手机连上 jacelyn 的 这个 wifi 密码，输入 password， 然后弹出的界面就是配置界面，先给它配网，然后 setup 里可以配置和风天气接口和课程表，天气的 key 需要自己去注册账号获取，免费的课程表就按照文档里的格式录入就行。保存后屏幕会自动刷新显示日历。 在安装外壳之前，还要把开发板电池端子给去掉，不然外壳后盖板盖不上。我处理的时候端子负极焊盘居然掉了，这样我就没法接电池了。就这么先安装吧，反正我还要更新版本，新采购的物料还没到，就先将就用着接 usb 供电更新一样用。 安装还是很简单的，上面的卡位一看就知道是卡什么器械的，我这里没有加磁铁，大家可以自行补充。全套资料在我粉丝全网盘里可以找到。最后预告下，我下个版本打算仿一个这个墨水瓶相册，有兴趣的可以蹲一蹲，关注我，一起手搓有趣的玩意。
837赛博太白
01:54查看AI文稿AI文稿如用飞书采集账号数据，方法很简单，新手两分钟也能搞定。看看我们的数据抓取表，它不仅能抓取，还能自动帮你收集每天的数据变化。今天就教大家如何制作。首先我们打开飞书，新建一个多余表格，修改一下名字，新建一个字段叫视频链接。 然后接下来再新建一个字段，命名为视频采集字段。我们点击搜索字段捷径左边这一栏，找到使用工具，找到这个免费版抖音作品数据采集，那他就长这样，点击使用，你会看到这里会让你填两样东西， 一个是视频链接的字段，另一个是 cookie。 那 什么是 cookie 呢？其实这个有点复杂，你跟着我一步一步来，它其实就是一个插件，点击获取 cookie， 就 会出现这样一个教程的界面，那因为时间的关系，大家可以自行去看一下这个教程，方法也很简单。好， cookie 获取完，我们还是回到刚才没保存的这个字段，再重新新建一个，还是用到刚才那个插件 字段，选择视频链接，把获取到的 cookie 粘贴进来，往下滑你就会看到。呃，这里有很多个选项，你希望采集插件能帮你采集到什么样的内容，这里我是全选 好。让我们回到浏览器，复制一个视频的链接，再回到飞出，把视频链接粘贴到视频链接这个字段里面，然后它就开始生成了。 ok， 几十秒后他自己就生成出来了。那有人要问，你生成出来的这些东西能干嘛？哎，别急，你会看到都是一些链接，还有点赞数据啊，视频 的一些转发量。那怎么把这些链接拆出来，我们就得用到其他的插件，就可以得到这样的效果。如果觉得复杂的话可以找我要现成的。如果你也喜欢飞书，我们可以聊一聊，感谢大家的支持。
646九记
00:23
07:23查看AI文稿AI文稿给大家看一下，我这个是用 kiro 编辑的一个冰男托管的一个网站，五端连调的一个系统，它分为 后端，后端是在 back end 的 目录下，是用 spring boot 编辑的，然后前端分为前台展示的前端 和后台管理的前端。前台展示的前端是在 front 目录下， 它主要是展示企业的一些服务范围啊，教师团队啊和学员风采这样一个展示的一个前台。后台管理是在艾德明目录下，它主要是来用来管理这些老师啊，学员和企业的一些数据的。 当然了，我们还增加了一个移动端，也就是说微信小程序和 app 的 这一端，这一端呢是在目录 uni app， 并在目录下。 因为我这一个后端是管理两个前端的，所以我们这个后端它的实体层是共享的，然后控制层、数据访问层和服务层都是分开的。 在这一点是设计上的话，是有一个比较独特的一个地方， 因为实体层他是主要是数据的一些结构啊，都是一样的，但是具体的前台是用来展示的，后台用来增删改的，所以他们在控制层、 数据访问层和服务层这一块都是分开的。我们在后端和前端都开发好的前提下，我们再来开发移动端就特别方便了， 所有的后端接口都不用改，直接连调，我们的移动端设置好环境变量就可以进行调试了。 我们先启动后端 spring boot 三的后端，我们先让后端跑起来， 好，看到这个界面，基本上后台已经跑起来了。在八零八零端口下面，我们启动前台展示的前端， c d front n p m run dev。 好 的，前台展示，前端已经启动，我们来打开 local host 的 五幺七三端口。 好的，已经成功了啊，好的，这个网站前台展示的已经启动成功了，这个顶部呢，是一个非常大气的一个版啊，轮播图啊， 下面就是呃分模块的展示他的服务范围，教师团队以及学员风采。因为我们这个是一个托管班，所以以图片为主啊， 这个前台整个效果展示还是不错的，下面我们启动后台管理的前端， cd admin， n p m raw dev。 好 的， local host 五幺七四端口我们打开 哦，这是后台管理的啊，主要是对我们这个前台展示的各种数据进行增删改的。这是服务范围， 是教师团队，这是学员风采，都可以添加删除编辑的。这是前面刚才说的那个版拉图的管理，有三个版拉图，这是报名的管理。 嗯，在这个前后端都开发好的前提下，我们的整个项目代码经过运行调试，基本上就不用更改了。然后我们开发移动端，我们移动端使用的是 h b o d x 进行开发， 开发过以后呢，然后我们进行运行一下，看看我们的微信小程序端能不能运行。我们现在运行 啊，微信开发者工具， 好，微信开发者工具已经启动了哈，这个微信端整个展示效果还是不错的哈，这个顶部也是一个大气的板拉图啊，这个图片呢，都是服务器端提供的， 直接在这个服务器端进行调试的。对，好的，我们看看它的功能哈，服务范围点开以后还是不错的。然后我们看一下 师资团队， 我们再看一下学员这块哦，学员的风采，这个整个的布局还是适合移动端的，非常大气的。我们再看看报名管理， 我报名管理也是可以的哈，填入学生的姓名，手机年龄以及留言，然后递交就可以了，整个功能还是比较齐全的。下面我们来看一下我们的 app 端能不能运行，我们来看一下运行到浏览器， 嗯， app 端运行也是可以的哈，这个都是服务器端的数据，这些图片都是在数据库里面的哈，在马斯克数据库里面，我们看服务范围都是有的哈，我们再看一下我们的师资力量都是有的， 学员也是有的，还有报名管理这块，跟我们的微信小程序都是联通都是一模一样的。 对，那这样的话就实现了我们前端、后端、移动端，移动端分为两个端，然后我们的外部端分为三个端，就是前台展示、后台管理和 后台数据服务，这样总共五端连条，实现了统一，记得点赞关注哦！
37云天
01:44查看AI文稿AI文稿做数据分析，百分之八十的时间都在做整理，只有百分之二十的时间是在做真正的分析，所以我直接手搓了一个数据 a 整的，现在整理这一步根本不需要我来做了，我给大家分享一下我是怎么去搭的之前批的假。这里所有的数据都是 ai 自己帮我编造的，这里有明确的说明，不涉及到任何公司外漏风险的问题。 这个数据周报是每一周 ai 帮我自动生成的，我跟他的交互形式非常简单，就是用自然语言去问他这周有什么样的数据异常，然后他就会帮我自动分析完，推送到我的备注里面。 我实践的方式也非常的简单，我只用 log 的 里面的这个 project 功能提示词也只有这一句可以放大给大家看一下。重点是我描述了一下我需要做的这个 agent 用于哪两个渠道，让他帮我去分析一下这个数据形式会有几个模 块，给我透传的方式是通过非书形式，我希望他能给我基于数据给一些优先级的判断。我做这个 agent 的 核心思路其实只有这五步。首先是数据源的这一部分，我没有采取跟我们内部渠道去做打通，而是在 project 里面去畅传 c、 s、 v 的 形式。在这提醒一下， 做 tob 公司内部的数据业务，一定要在你自己的个人账户里面把隐私权要关掉，这样防止数据泄露。第二，我因为非基础出身，所以我希望跟他的交互形式是通过自然语言跟他描述，所以这一部分他帮我去沉淀了很多的 md 的 文档，他会通过读取这些文档来给我一些更加精细化的渠道建议。 第三步其实是第二步的一个反馈机制，因为毕竟 ai 是 一个通用型的模型，它对于本职业务不是很了解，需要告诉他关注什么，他才能够帮我们真正的分析。 ai 就 很像一个很聪明的实习生，用的次数越多，他就会越懂业务逻辑，那么以后给我们数据分析就会越准确。 鼓励大家每周尽量去把自己一个重复性的工作，把它 ai 化。所以你现在的工作超过一个小时，我可以挑选一个帮大家直接去搭建一个可复制的工作链路。
235杨发发
01:04查看AI文稿AI文稿兄弟们，前几天发的短剧热度已经冲到了三千七百万了啊，但是呢，在后台这里没有看到有任何收益啊，不知道是什么情况啊啊，有没有人知道的这个收益他是怎么算的？ 我看了一下昨天的播放量，好像是十六万，这是一天的播放量吧，我也不知道这个数据应该怎么看呢？ 然后看一下这个总时长九十多分钟，累计点击率百分之十，手机完播就百分之七十，十分钟完播率百分之二十三，十分钟完播率百分之十五， 就看完的百分之十三。哎，不知道这个数据怎么样，有没有高手帮我分析一下。这是我发的第一部剧啊，第一部剧，还有跟大家汇报一下这个网站啊，已经建设的差不多了，估计下周就能够出结果了啊， 想要做短剧的朋友啊，可以关注一下进群，到时候网站上线之后呢，给大家一个内测码啊，去体验一下，免费使用啊，免费使用。
813元创剧厂
04:30查看AI文稿AI文稿好，训练开始之前呢，我们当然要先读入我们的训练数据啊，先创建一个类域分词的这个数据集，怎么收集它呢？好，那这里我们就要用 number 点 from file 导入，直接告诉 number 怎么解释，我们这个数据用 int 三二就告诉我们这个三十二表示每个数字占三十二比特，也就是四百的字节。这一步直接把 data path 里面所有二维码装到这个 self 点 data， 这个这个啊字串列表里面，而且是变成连续内存。好，然后我们还要存一下这个 sequence length， 知道这个 每次最多序列有多长。 ok， 接下来定义了一个魔法方法，就叫 get item， 注意，这个凡是下滑线，下滑线、叉叉叉，下滑线，下滑线的方法，我们就称为魔术方法，会在这个出发条件时自动被调用。这个 get item 的 出发条件就是 object 之 i， object 是 你给这个类，就是 pretty 这个东西的这个类到时候要实心化嘛，你给这个实心起名叫 object， 然后对 object 像列表一样 o o b j， 然后一个中括号 i 就 能取到第几块了，这这个 i 就是， 嗯，第几块这个数据的意思。块什么意思呢？我们等会来看一下。传入这个 idx 就 表示第几块 i d x 零表示第一块，也就是第前一零二四个 token。 i d x 一 就是表示第二块第二块这个一零二四的 token， 我 们每一块都是一零二四个 token， 注意，现在这个 token 还都是一批整数，它对应我们词表中的 id。 好， 然后我们这边计算一下起始左引点，然后计算一下结束左引点。 ok， 这里创建一个块，取出这个 data set 里面的一零二五个 token， 为什么要多取一个呢？是因为你 y 要取完的话，要向右多平移一个，就是我们的看的逻辑是 前，比方说零到前，比方说一到一零二四作为一个 x， 对 吧？然后你要把二到一零二五做一个这个作为 y， 这样的话才能进行预测，否则你输入前一零二四个，输出下一个东西就没有了，所以还要向右平移一个要取一零二五个 token， 前一零二四个作为输入，后一零二四个作为标签。 ok， 这里我们就要转一下这个数据类型，要转化成 ip 六四，这样就使得啊，就是它允许我们用交叉权损失，这个交叉权损失要求我们必须要用 into 六四， ok， 举例来说，比方说唱客是床，床前明月光，对吧？就是我们这边是一零，呃，为了实际操作，所以取了这个一零二四。假设我们 c 和 s 取的只有四的话，那我们取的唱客，比方说是床前明月光，那 x 就是 床前明月，这是模型，看到输入 y 就是 床前明月，呃，就是前明月光。模型要求被预测要预测的答案。 那怎么预测呢？就是输入床要看到床，输出前输入床前明，要输出月，输入床前明月就要输出光。哎，就这么个逻辑，这个我早就在一 p 二就讲过了，对吧？ 好，最后就返回一个这个原组，原组包含两个列表，一个输入列表，一个输入标签。列表里面的 token 都是词表数字啊，也就词表 id 现在还没有变成数字向量，只有到我们 embedding 的 时候才会变成数字向量。最后放一个 land 在 这里允许我们统计啊，总共有多少个块，有多少个块，我们等会儿就可以计算 step 的 数量了。好，现在我们来到了训练的主循环核心函数 train 函数， 我们来看一下我们采用的是 d d p 方法， d d p 是 什么呢啊？ distributed data parallel， 就是 python 这个多卡并行训练方案，它训练思路是什么？每张 gpu 上跑一个完全独立的 python 进程，每一个进程都有 完整的模型副本，它训练时候怎么操作呢？训练时候数据被这个 distributed sampler 分 为 n 分， 每张卡只看自己的数据是并行的，而且是异步操作， 各卡独立做这个 forward 和 backward 就是 前向传播，反向传播，各自计算出自己的 t 度，然后通过这个高速通信协议，然后做一个 allreduce。 哎， allreduce 我 们不用记，其实也就是把每张卡的 t 度作为一个加权平均。比方说你使用四张卡，每个 t 度，每个元素，它不是有很多个数字元素吗？ t 度是不是 guang 九一， guang 九二， guang 九三这样的？比方说只考虑三个元素，是这样的，那我们假设有四张卡，那每个数字都要除个四，这就是 all reduce， 没有意思啊，就就这就叫 all reduce。 ok， 每张卡要用相同的平均梯度参更新参数，来保证这个所有卡的权重是一致的。这样的好处就是没有这个主卡瓶颈，通信和计算可以重叠，效率高了很多。 ok， 那 disk 这个东西呢？就是用专门用来这个 ddp 的， 我们只要知道它干什么就行了，它就指定了这个通讯协议，这一步它会堵塞等待，直到所有进程都调用它才会一起。嗯，放行。那 local rank 呢？就是选定，就是执行哪张卡，这 local rank 就是 一个数字长处。好， word size 呢？就是它 get 这个 word size， 就是他知道总共几张卡参与训练，每张卡绑定自己的 gpu， 不要让进程都往 gpu 零上堆好，然后 touchscreen 设置进这个 设定 device device， 然后说一下 local rank。 好， 注意，我们这边要创建一个 ismaster， 我 们选一个工具显卡，让它来打印和保存这个。呃， step 和这个模型权重只让 gpu 零来干这件事，避免就三个进程同时输出导致这个日期混乱、保存混乱等等一系列。不必要麻烦。这个 ismaster 后面会做很多判断条件，它是一个布尔类型。
196阡陌交通_
03:44查看AI文稿AI文稿好的，在正式训练开始之前呢，我们还需要做两个准备工作，一个是数据流水线的工作。我们的七 b 二进制语料怎么转化为 gpu 上的 batch 呢？也就是转化成 batch sequence length 这么长的这个 token 去列。 然后第二个是模型的初步化以及断点序进逻辑。我们来先来看一下数据流水线逻辑。首先自然要创建刚才我们写好的这个 prototype data set 类，对吧？那 data set 就是 这个 prototype data set 这个类的实力，你需要用第几块？我们就传入 data set i 就 行了，它会返回一个 x y， x 是 输入， y 呢是标签，也就是理想的输出。 sampler 是 用滴滴呃 distribute sampler 这个类去创建，它是什么东西呢？它负责把 data set 给出的缩影，比方说零一二到 n 减一，均匀的分给 word size。 张卡我们刚刚设定好了，比方说我们用的是四卡，对吧？比如说三张卡，九个脚本 卡，零拿四零三六卡，一拿一四七卡，二拿二五八，我们写了，对吧？ shuffle 这个分配顺序是不同的，避免模型，记住这个数据的顺序就是相当于每每个一 post 都是随机给这个这些卡去计算。 然后 sample 呢，最终就是一张整数列表，它就存了一堆 idx， 告诉每张卡的 loader， 取 data set 里面的第几块 idx， 搬运指定数据给当前这张卡去进行计算。刚刚讲了 loader， 对 吧？ loader 那 是什么呢？ data loader， 它就是数据的这个传送带。我们定了这个 batch size 等于十四， 每次从从这个 sample 取十四个样本去打包成一个 batch， 比方说 data set 零 x shape 等于一零二四，逗号点点点。 data set 三 x shape 还是一零二四点点好，零三六等等一系列一系列取够十四个之后拼成一个大的。这个 badge shape 它长什么样呢？就是十四多号，一零二四同样大 y， 它也是这个 size， 就 取取成一个大 s 大 y 是， 这就是这个啊， gpu 并行计算的逻辑。 这边有个参数叫 number worker。 number worker 是 什么意思呢？它就是开八个紫禁城，并行地从这个显卡预加载下一批数据。我们要避免 gpu 显存去等 cpu 的 情况啊，这样的话就加快了训练速度了。 pin memory 呢，就是说把这些数据预先定死在 cpu 的 锁液内存，加速这个 cpu 到 gpu 的 传输。 什么叫锁液内存？锁液内存就是说这些显这些内存不许放回到硬盘中，给我锁在内存 ram 里。然后 persistent workers 等于 two 呢，就是说 worker 在 进程啊，就是 worker 进程在一 po 之间，它不能重建， 省得去反复这个 fork 的 开销。 fork 呢，也就是创建新进程的方式，要是一轮一 poach 直接结束，然后杀掉这个老 walker， 再去创建这个新音的 walker， 它很浪费时间。注意，这里我们没有传这个啊。 shuffle 等于 true， 因为 distribute sampler 它已经打乱了逻辑，这里就不用再次打乱了。 然后这里就要填刚之前埋下的坑了。我们一开始是随便填了一个最大 step， 对 吧？那现在就要去计算这个真实的 step， 为什么动一下算？因为这个东西取决于你数据总量，除以这个 batch size 全网 size。 如果你改了数据集，或者加点这个 gpu 步数，它都会变。如果硬编码这个 tmax 的 steps， 那 一定会完蛋的。好，那我们自然要进行。呃，创建一个全局变量， global tmax steps global。 声明，这个 t max step 不 仅仅是属啊，是属于这个 tree 这个函数，它是一个全集变量 steps per import 就是 land loader， land loader 是 python 提供的方法。 land loader 是 什么呢？就是每张卡的样本数除以 batch size 的 数字，比方说我们是十四，对吧？这个每张卡的样本数取决于你 data size 里面总共有多少个样本，然后除了个十四。 ok， 这样就计算出了每轮训练多少步，每一步其实都对 batch size 乘 sequence length 这么多这个 token， 比方我这边是十四乘一零二四，也就是十四 k 的 token。 进行了一次 前向传播，计算损失函数，反向传播维换优化器，更新模型参数。这么多步骤，其实这里只写了五步，其实总共有八步的话，我们会展开来说。然后那 t max steps 是 不是就等于最大步数？就等于每轮步数乘上轮数？ 好，如果是， ismaster 这个标记就是，是不是 gpu 零，只让第一张卡去打印这个步数，打印动态，动态计算完毕，每轮总共有多少步？总步数多少步？ ok？
137阡陌交通_
04:40查看AI文稿AI文稿欢迎回到手搓大模型的第二十三集，这集应该是基础篇的最后一集，我们终于完成了手搓大模型的收官之战。这一集的主题自然是模型推理，我们要让训练好的模型开口说话。训练阶段我们做的事情是位数据算 loss， 反向传播更新参数，也就是一 p 二十二，我们讲的内容对不对？ 但推理阶段我们做的事情完全不同，没有 loss， 没有梯度，没有参数更新，哎，它是一个静态的，训练好的一堆参数集，我们只让它做一件事情，就是文字接龙。第二集就讲了文字接龙，给模型一段开头，让它一个字一个字的往后猜，猜到停为止，这叫自回归深沉。 好导包，我们就简单看一眼就行，直接略过。这里是加载一些参数配置，我把配置选择丢进了 y a m l 配置文件里面，我们来看一下模型配置文件这边用了哪些信息。第一个呢，是梯度检查点的路径，也就是模型路径，第二个是词表路径， 第三个是合并规则路径，这两个合在一起，我们把它叫 token， 表示就是有库达时候用库达，否则没有的话用 优先用 m p u m p u 就是 苹果的 m 系列芯片，然后再没有的话就用 cpu 用内存去推理了。然后 us fp 十六就是决定推理时是否转为半精度，这里设置了一个最大的升程，长度采用温度， top k 采用 temperature， top k 和 top p， 这三个值是本节课最最重点的核心。 然后惩重复，惩罚是为了避免模型重复输出一样的内容，就比方说他会循环说，我喜欢你，我喜欢你就成复读机了，对吧？我们要惩罚他做这件事情， ok， 然后后面重复惩罚，有一个窗口，隔了一百个词之后就不再会惩罚他出现同样的词， 然后模型名字就是启动时显示的名称。我们训练的模型按照我之前的配置是一个啊，两百 m 的 稠密模型。好，我们直接来看本节课的核心，也就是 top k 和 top p 的 联合过滤采用算法。 我们回顾一下背景，第二集我就讲过了，大模型的输出，它是一个概率分布，也就是词表中。比方说我现在用的词表是不是三二一二八三万两千一百二十八个词的词表， 它前向传播结束，会给每一个词都有一个概率值，基本上来说只有几个词拿到了最高的概率，后面的词的概率值基本上可以忽略不计。最简单的输出策略是不是就贪心啊？就是每次只选 出现最大的那个 token， 但是贪心生成的文本它会非常死板啊，它会很重复，就像复读机一样。那我们就要引入一些更高效的采用策略对不对？我们选了 topk 和 topp 联合采用， 他的思想是什么？不止看概率最大的，而是从比较靠谱的后选中随机采用，这样生成的文本，他既不会胡说八道，就排除了这个低概率的垃圾选项，又保留了创造力。我们来看一下这个过滤器是怎么实现的。 这个过滤器针对的对象是 logics 原始打分，也就是它还没经过 softmax 进行归一化之后的情况进行过滤，它只保留靠谱的后选词。 logics 呢，是我们的输入内容经过前向传播结束之后，尚未进行归一化为概率的原始得分。那这里有一些导进去的参数。 logics 是 什么意思？是一个一维张量，形状是 vocab size 就是 词表。我用了三二一二八个词对不对？三二一二八个词。 这三二一二八个词，每个词它都有一个逻辑词得分，有得分之后，有得分之后，它会按照得分大小化为概率，得分高的概率越大，对不对？好。 top k 是 什么意思？就是只保留得分最高的 k 个词，其余直接设为负无穷。哎，直接设为负的 i n f， 这样在 softmax 归一化之后，它的概率就变成了零。 topp 是 什么意思？在 topk 筛选之后，按照概率从高到低，累加累加超过 p 的 部分砍掉。 比方说第一个词的概率是零点五，第二个词的概率是零点二，三个词的概率是零点一啊，后面两个词的概率是零点五一和零点四九。你加到这里，你是不是发现这已经达到了零点九？好，后面的参数不管你后面是多少，我都不看尾部直接砍掉，一样的，也可以全置为富无穷，这样的话 后面的词就不会再选了。第一次的 value 就是 用来治富无穷的，我们写了富的赋点数 i n f， 对 吧？就是富无穷。好，这其实是两道筛子的组合。第一道 top k 呢，是粗筛，只保留前 k 名，淘汰绝大多数不靠谱的选项。我们这个 啊，配置里面选了，是不是五十啊？我们只保留前五十名。第二道筛子呢，是金筛，就是前 k 名中按照概率累加超过一个预值屁，然后砍掉尾部的凑数的内容，这里设置了个断言啊，它的维度是一啊，这个就是保证鲁棒性的，如果不对就报错了，对吧？
598阡陌交通_
05:46查看AI文稿AI文稿这几天在整理我们这个家族的家谱，呃。从我太爷爷那个算起啊，然后 有血缘关系的男的女的都算啊，大概现在有六十多人。呃。然后你要把这个没非血缘关系的也算上的话就有将近一百多人。 呃。然后我就在这个最开始是想用那个思维导图那种，然后组织架构图那种形式，呃发现表现的形式呢还是比较单一的。就是， 呃有一个软件就是在线的那种，他呢是可以标注男的女的，就是加一个图标那种形式，然后也有组织架构的那个那个东西，但是他没办法把这个比如说更详细的信息他只能列一个姓名，然后有一个标签， 但是他没有把没有办法再增加，比如说我想啊增加他的生足年月啊这些东西他就没有办法了。 呃。这样做起来就比较难受。呃。然后最关键的是我弄完了他以后，然后我一不小心，呃就是时间长了没有操作吧， 然后再一刷新那数据都没有保存，我白做了啊。所以那个软件那个网站我就放弃了。然后后来我也尝试了想用那个家谱软件啊，但是家谱的那个软件我感觉 就是他那个表述形式啊，都是什么什么章公什么什么啊那些东西文绉绉的咱也看不懂，呃。我觉得不符合现代人的阅读习惯吧。 呃。然后我就我觉得还是要自己做一个做一种形式，然后我就借助这个。 呃。 ai 嘛，最开始是用豆包阿里的千问，呃到后来呢感觉，哎都不能让我满意，然后后来就用了个 deepsea， 哎。这个 deepsea 现在还是很强大的啊，再回头再说，呃，用了 deepsea， 然后一点一点的让它完善功能，然后最终， 呃，我基本上实现了我想要的，来给大家看一下啊，我是分成了两步啊，首先是这个数据的一个整理， 呃，因为我没有做那个输入的界面嘛，所以这个数据呢？我就是你看这个第一列和第二列啊，这就是一个 啊，组织形式吧，就依靠这个 id 和父 id 这种形式映射。然后后面呢，我是模拟了这个三国的一些信息啊，然后还有性别啊，出生年月日，呃，离世的时间，然后配偶的姓名， 出生年月日啊这些这些信息，呃，然后这些数据生成完以后，然后我有一个软件，我做了一个在我的百宝箱里面啊，做了一个软件啊，就是这里面的 啊，点一下这个开，选择这个 excel 文件，然后点一下开始就会自动的生成这个 j s 能够识别的这个数据库件，然后我再把这些数据库件，然后复制到这个啊，这一个 html 文件里边，就是把它的数据部分相当于占过来了， 然后这样，然后我们在这个刷新一下，你看这就是我们最终呈现的效果啊，这是一个总图，这个总图啊，然后呢，比如说就是这个是从曹操，然后开始是一个最 啊最源头的啊，第一位，第一代，然后再往下朝 p 啊，这个，当然这个数据都是我我我随便编的啊，然后他的这个，这个灰色的这个啊，就表示他的配偶 啊，然后这个生卒年月，然后比如说曹操下边虽然加上他的配偶，然后总数是九十八人，然后再往下呢，就是九十人，然后再往下啊，这是他的子孙，他他的孩子，直系的孩子啊，比如说这个，这个红粉色的就是 关羽，这个就是啊，他的女儿，现在就是这样一步一步下来，然后呢这里你也可以啊，想要看对每一类看的清楚的话，你也可以给他收藏起来啊，就是收缩起来展开 啊，我觉得这样做下来，哎哎，就感觉是我满意的了。然后呢我还有一个就是高清导出的这个这个这个功能 啊，就是如果说这个做完了以后，然后一点这个高清导出，就把这个整个的一个这个图片就导出来了，然后是打印呢？还是说给别人看呢？都可以， 其实最开始也没打算做的这么细啊，然后但是后来就觉着反正时间也花了啊，呃，就莫不如给他做的好一点，然后一点一点一点的加，一点一点的加，呃，现在呢我的想法是其实也可以给那个， 呃我的软件百宝箱里边，然后再给他拓展一下，就是这个，呃，直接 把这个 html 的 生成和这个 excel 给它，呃坐在后台里面去，呃，就是直接维护好这个 excel 文件，然后呢 呃一点生成，它自动的就把这个图就是 excel 啊，不是这个 h t html 最终的呈现的效果就出来，或者甚至是可以一键的把这个高清图片的导出，呃给它导出来，这样是最好的。
59自由践行
00:55查看AI文稿AI文稿谁告诉你画这种网络拓扑图还得手搓一个下午？真正高手只需要五分钟，因为他们很少从零开始画，而是直接用现成的结构。比如打开万星图室模板社区，搜一下网络拓扑图、企业内网、校园网、数据中心这些结构，其实都已经有人搭好了。 设备位置、网络系统、连接、逻辑都是完整的，你只要为里面的设备换成自己的就行。很多人画图慢，其实卡在到处找素材。但在万星图式的网络符号库里，基本就是一个超全的设备库。自自带四颗标准符号库，路由器，寻找防火墙、服务器，全部是屎量拖拽装置，自动吸附连线，这种丝滑感，谁用谁知道。 就这样，用模板社区搭框架，再用符号库拖拽设备，一张专业的网络图很快就能搞定。复杂的从来不是画图，而是思路。用万星图式一拖一拽，一张能拿去汇报的专业级拓扑图就出来了。模板社区加上专业符号库复杂结构，一张图就能讲清楚。
2045万兴图示
04:21查看AI文稿AI文稿那我们看一下机器人脸部的这个代码 啊啊，大家可以看到这里有三七六、三七八和幺五六的这个数据，那大家可以看到在这个，在这个地方我们对这个长宽啊，我们做了一些这个保护啊，我们可以设置也可以使用它默认值，然后并且我们对帧率也进行了一些控制，然后 我们对他的整个渲染逻辑啊，渲染逻辑也做了一些控制，并且呃我们还在这个这个这个渲染当中，我们要支持一些这个呃指令，我们也进行了一些控制， 大家可以看到这些加一加具啊，大于等于、小于等于或者这些呃看上去有点乱七八糟的代码，其实就是就是基于这样的逻辑一点一点去扩展出来的。那，那这里我们先把它，先把它关掉， 我们来看看这个机器人的脸部他跑起来是什么样子，我们准备里面去去看这个，去看这个东西，我们有这个 brown 的 这个脚本， 直接就让它好起来，大家可以看到这个窗口，就是这样一个窗口，呃，由于我们目前这个脸部的程序在调整，所以这这底下会多出来一个，多出来一截啊，这个暂时不用去管它。好，我们来找一下这个啊 u i 的 这个地方， 我们可以看到我们正常的情况下，它没有和这个机器人大脑部分的去连接，它是不会有表情出来的。那当我们去启动这个 启动他大脑的部分，并且大脑的部分成功出土化了之后，呃他才会看到这个表情出来，所以我们简单给大家看一下效果，不过这个不是本期展示的这个重点部分，看一遍。 好，大家看到这是我绑定过的这个机器人啊。好，您好，您提到这是我绑定过的，好，请问具体是指什么内容或对象的？ ok， 比如是某个设备账户还是其他的绑定信息？如果您能提供更多详细信息， 我可以更好的帮助您解答或提供相关建议。好，还还没到你出场啊，你先闭嘴啊。 好，这里我们把它，我们先把这个大脑部分先关掉啊，免得它这个，呃，在这里多嘴。 这个就是我们启动大脑之后看到的这个 ui 界面啊，默认的这个眼睛状态就是这样一个状态，然后它动起来呢，就是刚才我们演示的那个简单程序，它动的这个过程呢，我们在那个简单程序里面其实只是实现了一个部分，对于这个指令，这个指令就是让这个正常正常的这个 眼睛，哎，变成愤怒，然后这个指令呢，大家可以看到后面多了一个参数，这个十啊十，就是让他上下，哎，我摇十次， 这样的话，我们就可以，就是我们这样去实现这个脸部的话，我们就可以不依赖于大脑对这个脸部进行这个调试啊， 那这个脸部的工作呢？实际上就是大家可以看到这个我们全部把它注射掉了，这只是调试的时候，我来测试这些表情是不是有用。那真正工作的时候呢，实际上就是 主机程序啊，主程序或者说大脑的程序给 ui 去发指令， ui 发接受了指令以后就按照指令去执行这样的指令啊，就是这个 face 不 断的在 play 啊，就是这样的话就实现了这个面部的这个表情，那我们要由刚才这样一个 简单程序，就是逐步去把它填充到现在这个样子的，其实是需要花一些这个时间和精力的， 那所以呢，我们在这里只是给大家展示这个呃，这个东西是怎么来的，然后我们会计划计划把这个脸部的程序呃直接开源，让大家可以下载到完整的源码去看一看里面是怎么实现的啊？都是同时也是这个， 欢迎大家相互交流。好，那么这期就简单介绍到这里啊，欢迎大家持续关注啊，谢谢，下次再见。
02:33查看AI文稿AI文稿想做快电商，但是打开招聘软件全都是需要半年以上经验的，零经验连个面试的机会都没有，究竟应该怎么办？今天作为一个拥有五年快电商面试经验的 hr， 我 就用一期视频给大家分析行业内幕，简历包装以及怎么通过面试的全程技巧。 本期视频会有点长，但是全程都是干货，没有废话，相信我，看完这期视频，你就能够成为一个拥有半年以上经验的运营。 首先我们先来搞懂半年以上的运营助理究竟都在干什么？其实非常简单，就是以下这些工作内容，店铺后台操作第四天上架标题五点，简单优化数据统计、日报、周报的整理广告简单写出活动报名跟进、评价管理、客户消息回复、库存跟进、订单处理。所以优化简历第一步，咱们就根据岗位 g t 去做关键词匹配， 这一步还不会的小伙伴可以去翻开我之前的视频，在这里我就不做过多的赘述了，接下来我给大家继续上重点，那就是简历通过之后，面试应该怎么应对？咱们正常的面试呢？大多也就是分为两轮，第一轮是 hr 面，第二轮是业务部门面。 那 hr 面的时候主要是考察咱们的软性技能和业务部门面试的时候更多是考察咱们的硬性技能。所以在 hr 面的时候，咱们要交代清楚以下这些内容，公司规模、产品模式、团队架构、你的岗位以及你每天都在做什么。在这里我要用半年铺货运营来给大家举例。简历上咱们就可以这样写，那在第一轮的时候咱们就可以这么说，公司规模一百人， 产品类目主要做家居模式铺货，客单价二十到五十美金。团队的工作咱们就负责上架，一次性优化处理订单，统计数据。 这么一说完，咱们过往经验的框架是不是就有了？再到咱们的业务部门面试，可以试着用 style 法则，用情景、任务、行动结果的方式来进行陈述。这一步咱们也记得啊，在回答问题的时候别回答的太顺，遇到某些关键数据的时候，咱们可以适当的停顿一下，反而会增加真实度。在 这里呢，我也给大家分享面试当中 hr 和业务部门大概率会问到的十个问题，大家可以以这个去作为参考，先提前取小答案， 然后用我刚才说的四大法则，合理优化成自己的表达，说出一个可以让面试官相信的故事。刚才我举例的铺货岗位的框架，大家可以拿去直接用，而且这个岗位监督员比较简单，面试的时候咱们只需要说上架、 listing 订单数据，不需要掌握太多的专业名词，但是如果你想要往精品运营去靠，那真的就得多记几个词，比如 alex、 ctr、 cpc、 广告结构、关键词、布局变体规则等等。这真的需要你花点心思去了解一下后台的基础操作，才能够得到面试官的认可。 最后呢，我也想告诉大家，我真的不是在鼓励大家包装，而是想跟你说，其实很多岗位真的不需要咱们全职都做过，只要提前吃透岗位，做好准备，就能够展示出匹配度， 凭经验真的也不可怕，本期视频你只要吃透，再花点时间去研究一下岗位基地，哪怕你是小白，也能够顺利拿到二份。所以本期视频就在这里结束了。关注我，下一期你想了解快电商的什么板块什么内容，都可以在评论区告诉我。
5803一点芥末mio
00:34查看AI文稿AI文稿如何把一张人员信息表一秒钟提取数据录入？这是手搓，录入数据需要自己记住函数公式，效率太低，费时又费力。 来看下使用 ai 的 效果，在对话框内输入指令，点击发送生成， 最后检查数据没问题，即可轻松拿捏 nice！
02:18查看AI文稿AI文稿别把 ai 当神仙，能替你解决实事，它才是好工具。今天带你一键搞定每天耗费你几个小时的表格乱码和复杂统计！不管你是做运营、销售还是行政上班，最痛苦的就是整理各种乱七八糟的数据和表格。 今天给你看个极度舒适的打法，我一行代码都没写，直接让 ai 帮我生成了一个专属的自动化办公神器。你看我的操作，比如你每天要处理这种密密麻麻的客户留言或者群聊记录，里面姓名、需求全混在一起，别再手动去摘抄了，直接把这堆乱码复制粘贴进咱们这个系统里，点击生成，你看一秒钟，它自动帮你提取出关键信息， 排成了一张清清爽爽的表格。而且点击这里，直接就能导出一份真正的 excel， 拿去就能用。只有截图怎么办？我们工作中经常收到别人发来的没法编辑的图片， 比如这张同行的价格表截图，不需要去用什么转换软件，直接把截图拖进这个系统，它会自动读取图片里的所有文字和数字， 一字不差的帮你还原成一份可以修改的表格，这每天得省下多少敲键盘的时间？最炸裂的是它的合并功能，以前收上来几十份不同格式的供应商报价单或者调查问卷，你只能一个个点开去汇总， 现在直接把这几十个 word 文档全选一把拖进去，点击生成，他瞬间就能提取所有文档里的关键数据，直接给你合并成一张超级完整的数据总表。这么爽的工具，到底是怎么做出来？实操来了，完全不懂代码的 普通人也能干！我们打开这个免费的 ai 编程工具，踹，直接切换到 solo 模式，它可以让 ai 完全自主开发。勾选 auto mode 的 你就用大白话下需求，帮我写一个能自动把大段文字转换成表格的网页界面。参考我这张图，建个文件夹，存好发送一看，他自己就开始 建文件写代码了。没过多久，这个数据处理网页的底层框架就全部搞定了，可以直接在浏览器里打开，用核心的来了刚才的多文档合并和图片识别怎么加？这就要用到它的高阶玩法 skills。 skills 就 相当于给 ai 挂上了一个专业的技能包，直接输入指令。我希望给这个网页配置 一个叫 data master 的 skill 环境，建好后下达最后一步指令，用刚才建好的 skill， 在 原来的基础上帮我加上多文档批量提取、 图片识别、转表格的功能。 ai 收到指令后，会自动修改之前的代码，把这两大功能无缝嵌入进去。到这一步，你的专属办公室 彻底落地。你看，以前做表格做到眼花，现在手搓，一个工具全部了解，这就是把 ai 真正融入工作的魅力。 ai 只是工具，搞钱才是最终目的。会做一个工具只能帮你省点时间，但如果你能拥有给自己造系统去解决行业痛点的思维，你就有无数种把效率变成钱的方法。了解更多，看我主页。
14大圣ai轻创业
