Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

学习大模型的路径

Answer

学习大模型的路径主要包括以下几个步骤：

  1. 收集海量数据：就像教孩子成为博学多才的人需要让其阅读大量书籍、观看纪录片、与人交谈一样，对于大模型，要收集互联网上的文章、书籍、维基百科条目、社交媒体帖子等各种文本数据。
  2. 预处理数据：如同为孩子整理学习资料，AI 研究人员需要清理和组织收集到的数据，包括删除垃圾信息、纠正拼写错误、将文本分割成易于处理的片段。
  3. 设计模型架构：如同为孩子设计学习计划，研究人员要设计大模型的“大脑”结构，通常是一个复杂的神经网络，例如 Transformer 架构，这种架构擅长处理序列数据如文本。
  4. 训练模型：如同孩子开始阅读和学习，大模型开始“阅读”提供的数据，通过反复尝试预测句子中的下一个词，不断重复这个过程，逐渐学会理解和生成人类语言。

此外，关于大模型的底层原理，计算机科学家/工程师以大脑神经元细胞结构为灵感，在计算机上利用概览模型实现对人脑结构的模仿，不过计算机的神经元节点更为简单，本质上只是进行一些加法和乘法运算而后输出。大模型内部如同人类大脑是一个混沌系统，即使是 OpenAI 的科学家也无法解释其微观细节。

Content generated by AI large model, please carefully verify (powered by aily)

References

胎教级教程：万字长文带你理解 RAG 全流程

旁白当你发现大模型的效果并没有你预期想的那么好时，你打算放弃但是你也听到了另一种声音：如果大模型没有你想的那么好，可能是你没有了解他的能力边界。你不想就这么放弃，为了更好的理解大模型，你首先了解了他的创建过程[heading2]1.收集海量数据[content]想象一下，我们要教一个孩子成为一个博学多才的人。我们会怎么做？我们会让他阅读大量的书籍，观看各种纪录片，与不同背景的人交谈等。对于AI模型来说，这个过程就是收集海量的文本数据。例子：研究人员会收集互联网上的文章、书籍、维基百科条目、社交媒体帖子等各种文本数据。[heading2]2.预处理数据[content]在孩子开始学习之前，我们可能会先整理这些资料，确保内容适合他的年龄和学习能力。同样，AI研究人员也需要清理和组织收集到的数据。例子：删除垃圾信息，纠正拼写错误，将文本分割成易于处理的片段。[heading2]3.设计模型架构[content]就像我们要为孩子设计一个学习计划一样，研究人员需要设计AI模型的"大脑"结构。这通常是一个复杂的神经网络。这里我们就不展开了，我们只需要了解，为了让AI能够很好的学习知识，科学家们设计了一种特定的架构。例子：研究人员可能会使用Transformer架构，这是一种特别擅长处理序列数据（如文本）的神经网络结构。[heading2]4.训练模型[content]就像孩子开始阅读和学习一样，AI模型开始"阅读"我们提供的所有数据。这个过程被称为"训练"。例子：模型会反复阅读数据，尝试预测句子中的下一个词。比如给出"太阳从东方__"，模型学会预测"升起"。通过不断重复这个过程，模型逐渐学会理解和生成人类语言。

SD新手：入门图文教程

模型能够有效地控制生成的画风和内容。常用的模型网站有：[Civitai | Stable Diffusion models,embeddings,hypernetworks and more](https://link.zhihu.com/?target=https%3A//civitai.com/)>[Models - Hugging Face](https://link.zhihu.com/?target=https%3A//huggingface.co/models)>[SD - WebUI资源站](https://link.zhihu.com/?target=https%3A//www.123114514.xyz/models/ckpt)>[元素法典AI模型收集站- AI绘图指南wiki(aiguidebook.top)](https://link.zhihu.com/?target=https%3A//aiguidebook.top/index.php/model/)>[AI绘画模型博物馆(subrecovery.top)](https://link.zhihu.com/?target=https%3A//aimodel.subrecovery.top/)[heading3]模型安装[content]下载模型后需要将之放置在指定的目录下，请注意，不同类型的模型应该拖放到不同的目录下。模型的类型可以通过[Stable Diffusion法术解析](https://link.zhihu.com/?target=https%3A//spell.novelai.dev/)检测。大模型（Ckpt）：放入models\Stable-diffusionVAE模型：一些大模型需要配合vae使用，对应的vae同样放置在models\Stable-diffusion或models\VAE目录，然后在webui的设置栏目选择。Lora/LoHA/LoCon模型：放入extensions\sd-webui-additional-networks\models\lora，也可以在models/Lora目录Embedding模型：放入embeddings目录

走入AI的世界

下图（图11）中的左下角展示了生物神经网络和人工神经网络的对比，早在初中生物课本上，我们就学习了解过大脑神经元细胞的基本结构，正是一个个这样的细胞彼此“手拉手”交织出一张庞大复杂的神经网络，让我们拥有了引以为傲的智能。计算机科学家/工程师们以此为灵感，利用概览模型很巧妙的在计算机上实现了对人脑这种结构的模仿，只不过由于计算机是在二进制下工作的，因而其每个神经元节点也更为简单（本质上只是将接受的输入进行了一些简单的加法和乘法运算，而后输出）。下图中关于激活函数（用来实现归一化操作）和概率模型的内容，不感兴趣的小伙伴可放心跳过，如果你想了解更多，可检索这些关键词并关注这篇发表于1957年的论文（https://www.ling.upenn.edu/courses/cogs501/Rosenblatt1958.pdf）。图11生物神经网络和人工神经网络事实上，正如人类大脑是一个混沌系统一样，大模型内部也是一个混沌系统，正如我们无法知道自己大脑里某个特定的神经元细胞存储着什么具体的信息或知识，即使是OpenAI的科学家，也同样也无法解释大模型内的微观细节。这种不确定带来的“不安感”让人有些不爽，但有一点似乎是确定的，那就是学习人类大脑结构的AI，不仅学去了我们身上的诸多优点，也学习了其他的特质，而这些特质，在许多实际应用中表现为了“缺陷”和“不足”。我们不妨带入自身，一起来尝试思考回答以下问题：问题1问题2问题3问题4（这是一句话，遮住了部分文字）问题5问题6我做过大量真实的调查：

Others are asking
学习ai的路径
以下是新手学习 AI 的路径： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，包括图像、音乐、视频等，可根据自己的兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库分享实践后的作品和文章。 5. 体验 AI 产品： 与现有的 AI 产品如 ChatGPT、Kimi Chat、智谱、文心一言等聊天机器人进行互动，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。
2025-02-15
AI学习路径
以下是为新手提供的 AI 学习路径： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习。 掌握提示词的技巧，其上手容易且很有用。 4. 实践和尝试： 理论学习后，通过实践巩固知识，尝试使用各种产品做出作品。 可在知识库分享实践后的作品和文章。 5. 体验 AI 产品： 与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验。 如果您的学习路径偏向技术研究方向： 1. 数学基础：线性代数、概率论、优化理论等。 2. 机器学习基础：监督学习、无监督学习、强化学习等。 3. 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 4. 自然语言处理：语言模型、文本分类、机器翻译等。 5. 计算机视觉：图像分类、目标检测、语义分割等。 6. 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 7. 科研实践：论文阅读、模型实现、实验设计等。 如果您的学习路径偏向应用方向： 1. 编程基础：Python、C++等。 2. 机器学习基础：监督学习、无监督学习等。 3. 深度学习框架：TensorFlow、PyTorch 等。 4. 应用领域：自然语言处理、计算机视觉、推荐系统等。 5. 数据处理：数据采集、清洗、特征工程等。 6. 模型部署：模型优化、模型服务等。 7. 行业实践：项目实战、案例分析等。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。
2025-02-14
AI技术路径有哪些
AI 技术路径主要包括以下方面： 1. 偏向技术研究方向： 数学基础：线性代数、概率论、优化理论等。 机器学习基础：监督学习、无监督学习、强化学习等。 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 自然语言处理：语言模型、文本分类、机器翻译等。 计算机视觉：图像分类、目标检测、语义分割等。 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 科研实践：论文阅读、模型实现、实验设计等。 2. 偏向应用方向： 编程基础：Python、C++等。 机器学习基础：监督学习、无监督学习等。 深度学习框架：TensorFlow、PyTorch 等。 应用领域：自然语言处理、计算机视觉、推荐系统等。 数据处理：数据采集、清洗、特征工程等。 模型部署：模型优化、模型服务等。 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。 在一些特定领域，如 AI 生成音乐，存在基于乐理规则的符号生成模型和基于音频数据的音频生成模型等技术路线。在游戏领域，AI 也有多种应用和技术发展，例如能基于玩家游戏行为评估玩家技能水平和游戏风格并动态调整游戏难度，以及将 AI 作为游戏玩法的一环等。
2025-02-13
AI视频学习路径
以下是为您提供的 AI 视频学习路径： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习，建议掌握提示词技巧。 4. 实践和尝试： 理论学习后，通过实践巩固知识，尝试使用各种产品做出作品。 在知识库查看大家实践后的作品、文章分享，并分享自己的实践成果。 5. 体验 AI 产品： 与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其工作原理和交互方式，获得实际应用体验。 此外，作者二金分享了自己的学习经历：4 月 8 日开始接触 AGI 和离谱村，4 月 21 日和小伙伴一起做了第一个 AI 视频《贵重的包裹》，5 月 5 日做了第二个 AI 视频《好梦》，期间积极参与各种活动。其经历了尝鲜期、迷茫期，理想的成长期是确立好学习目标，找到适合自己的学习路径。 如果您不熟悉 AI 视频，可查看以下教程： 需要学习 AI 视频、参与 AI 视频挑战赛、参与 AI 视频提示词共创的小伙伴，可以直接扫二维码或联系三思或小歪【备注：AI 视频学社】，但必须有 AI 视频账号才能进群，请勿随便申请好友。AI 视频学社每周 1 次直播（周五直播），如：
2025-02-11
新手入门该看这个知识库里的哪些文章/视频，给我列一个学习 路径
以下是为新手入门提供的学习路径： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛（比如图像、音乐、视频等），根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，进行实践巩固知识，尝试使用各种产品做出作品。 在知识库查看大家实践后的作品、文章分享，并分享自己实践后的成果。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 此外，对于 WayToAGI 知识库的使用： 1. 如果觉得视频太多很晕，可以从 Agent 板块开始，比如链接： ，从下往上看，一个一个点进去，都有视频。共学都有视频，都是手把手从注册开始的教学，不会就多看几遍，基本保障一个工具能调通、一个 Agent 能搭好。如果觉得内容多，可以先挑听过的工具开始。 2. 看了一些视频之后，如果想看理论或应用，可以找到导航，想看哪里点哪里。比如链接： 。 3. 还可以从常见工具开始体验，比如： 工具入门篇（AI Tools）：数据工具多维表格小白之旅，文章链接： ，适用人群为 Excel 重度使用者、手动数据处理使用者、文件工作者，可满足 80%数据处理需求。 工具入门篇（AI Code）：编程工具Cursor 的小白试用反馈，文章链接： ，适用人群为 0 编程经验、觉得编程离我们很遥远的小白，可降低技术壁垒。 工具入门篇（AI Music）：音乐工具Suno 的小白探索笔记，文章链接： ，适用人群为 0 乐理知识、觉得作词作曲和我们毫不相关成本巨大的小白，可参与音乐制作。
2025-02-07
flux1-depth-dev模型存放路径
flux1depthdev 模型的存放路径如下： 1. 下载 flux1depthdev 模型放到 ComfyUI/models/diffusion_models/文件夹中。 夸克网盘：链接：https://pan.quark.cn/s/571d174ec17f 百度网盘：见前文 2. 也可以将 depth lora 模型存放到 ComfyUI/models/loras 文件夹中。 depth lora 模型：https://huggingface.co/blackforestlabs/FLUX.1Depthdevlora 3. 百度网盘中也有相关模型： 链接：https://pan.baidu.com/s/10BmYtY3sU1VQzwUy2gpNlw?pwd=qflr 提取码：qflr
2025-02-05
我的工作是财务会计，经常需要对账，输入是2个Excel表格，但格式内容都有不少差异，哪些大模型或者工具可以帮我快速完成这个工作？
以下是一些可能有助于您快速完成对账工作的大模型或工具： 1. Coze 记账管家：它能通过大语言模型将用户输入的非结构化数据转变为结构化数据存入数据库。工作流程包括定义提示词，让大模型拆解并识别记账事项、发生时间、变动金额等，然后将这些数据存入数据库。 2. GLM4AllTools：可用于统计平台月度账单，例如您可以从平台导出月度明细数据，上传账单给沙盒，让模型统计账单数据和用量，还能分析账单数据波动。 3. 生成式 AI：在金融服务领域，它能帮助改进内部流程，如预测编写 Excel、SQL 和 BI 工具中的公式和查询，自动创建报告的文本、图表、图形等内容，为会计和税务团队提供税法和扣除项的可能答案，以及帮助采购和应付账款团队自动生成和调整合同、采购订单和发票等。
2025-02-15
AI发展的方式除了大模型，还有什么
AI 的发展方式除了大模型，还包括以下方面： 1. 算法：算法的不断优化和创新推动着人工智能的发展。 2. 算力：强大的算力支持是实现复杂人工智能任务的基础。 3. 数据：优质的数据集对于人工智能学习算法的发展至关重要，被称为“AI 时代的石油”。 4. 深度神经网络：通过简单细胞检测特征、复杂细胞汇总信息产生结果等方式实现识别、判断和行动等功能。 5. 端侧模型：端侧模型并非越小越好，而是要够用、好用，设备算力决定最优模型规模，多模态能力是突破通用计算的关键。 6. 端侧 Agents：在终端设备上自主运行的智能代理程序，具备感知、决策、执行的闭环能力，是连接模型与应用的关键。 7. 预训练：包括对编程语言、维基百科、新闻常识、网络社区、各类书籍等内容的预训练，但由于版权和费用问题，不包括期刊论文数据库。 8. 开源生态：促进了 AI 技术的交流和发展。
2025-02-15
学习大模型从哪里开始
学习大模型可以从以下几个方面入手： 1. 理解大模型的概念：大模型是输入大量语料，让计算机获得类似人类的“思考”能力，能够进行文本生成、推理问答、对话、文档摘要等工作。可以用上学参加工作来类比大模型的训练和使用过程。 找学校：训练大模型需要大量计算，GPU 更合适，只有购买得起大量 GPU 的才有资本训练自己的大模型。 确定教材：大模型需要的数据量特别多，几千亿序列（Token）的输入基本是标配。 找老师：即用合适的算法讲述“书本”中的内容，让大模型更好理解 Token 之间的关系。 就业指导：为了让大模型更好胜任某一行业，需要进行微调（fine tuning）指导。 搬砖：就业指导完成后，进行如翻译、问答等工作，在大模型里称之为推导（infer）。Token 被视为模型处理和生成的文本单位，是原始文本数据与大模型可以使用的数字表示之间的桥梁。 2. 了解大模型的整体架构： 基础层：为大模型提供硬件支撑、数据支持，例如 A100、数据服务器等。 数据层：分为静态的知识库和动态的三方数据集。 模型层：包括 LLm（如 GPT，一般使用 transformer 算法）或多模态模型（如文生图、图生图等）。 平台层：如大模型的评测体系、langchain 平台等，提供模型与应用间的组成部分。 表现层：即应用层，是用户实际看到的地方。 3. 熟悉大模型的发展历程：起源于 2017 年发布的 Attention Is All You Need 论文，之后有众多基于大量语料的预训练模型，如 2018 年 Google 提出的 BERT，开创了双向预训练并行获取上下文语义信息和掩码语言建模（MLM）；2018 年 OpenAI 提出的 GPT，开创了仅使用自回归语言建模作为预训练目标；2021 年 Meta 提出的首个开源模型 LLAMA，为构建更大规模、更通用的语言模型提供了方法与工具。
2025-02-14
你调用的是哪个大模型？
我调用的是抖音集团的云雀大模型。在一些项目中，还会涉及到其他大模型的调用，比如在 COW 项目中可直接调用千问的某一模型，需更改 key 和 model 等操作，且要实名认证。此外，军师联盟 BOT 工作流中会调用月之暗面 KIMI、豆包、Minimax、通义千问和智谱清言这五个大模型。
2025-02-14
大模型如何使用应用系统数据
大模型使用应用系统数据可以通过检索增强生成（Retrieval Augmented Generation，RAG）技术来实现。 RAG 是一种结合检索和生成的技术，能够让大模型在生成文本时利用额外的数据源，从而提高生成的质量和准确性。其基本流程为：首先，当用户给出输入，如问题或话题，RAG 会从数据源（如网页、文档或数据库记录）中检索出相关的文本片段，这些片段称为上下文。然后，RAG 将用户输入和检索到的上下文拼接成完整输入传递给大模型（如 GPT），输入通常包含提示，指导模型生成期望的输出，如答案或摘要。最后，RAG 从大模型的输出中提取或格式化所需信息返回给用户。 从大模型的整体架构来看，其分为以下几层： 1. 基础层：为大模型提供硬件支撑和数据支持，例如 A100、数据服务器等。 2. 数据层：包括静态的知识库和动态的三方数据集。这里的数据层指的是企业根据自身特性维护的垂域数据。 3. 模型层：包含 LLm（大语言模型，如 GPT，一般使用 transformer 算法实现）或多模态模型（如文生图、图生图等模型，训练所用数据为图文或声音等多模态数据集）。 4. 平台层：如大模型的评测体系或 langchain 平台等，是模型与应用之间的组成部分。 5. 表现层：即应用层，是用户实际看到的地方。
2025-02-14
基于大模型的应用开发主要包括哪些方向和相应的技术栈？
基于大模型的应用开发主要包括以下方向和相应的技术栈： IaaS 层： 百度智能云百舸 AI 异构计算平台，解决大模型应用中的算力问题，提供从集群创建到模型训练、推理的完整算力管理方案，通过引入自动故障预测与任务迁移技术，确保高达 99.5%的有效训练时间，为大模型应用落地提供强大的算力支撑。 PaaS 层： 百度智能云千帆大模型平台，解决大模型的调用、开发和应用开发问题，支持调用文心大模型全系列模型，提供全面的工具链，支持定制化的模型开发。通过 AppBuilder，提供企业级 Agent 和企业级 RAG 开发能力，还能将企业应用中产生的数据经过评估和对齐进一步反馈到模型中，形成良性循环，持续优化模型性能。 SaaS 层： 百度智能云提供丰富的常用应用供客户选择，如数字人平台曦灵、智能客服应用客悦等。 此外，还有一些其他的技术栈和框架，如： Langchain：是当前大模型应用开发的主流框架之一，提供了一系列的工具和接口，其核心在于“链”概念，包括 Model I/O、Retrieval、Chains、Agents、Memory 和 Callbacks 等组件，生态系统还包括 LangSmith、LangGraph 和 LangServe 等工具。 Ollama：是一个开箱即用的用于在本地运行大模型的框架。
2025-02-14
如何入门学习AI
以下是新手入门学习 AI 的方法： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解其工作原理和交互方式。 对于中学生学习 AI，建议如下： 1. 从编程语言入手学习： 可以从 Python、JavaScript 等编程语言开始学习，学习编程语法、数据结构、算法等基础知识。 2. 尝试使用 AI 工具和平台： 可以使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。 探索一些面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识： 了解 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等。 学习 AI 在教育、医疗、金融等领域的应用案例。 4. 参与 AI 相关的实践项目： 参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动。 尝试利用 AI 技术解决生活中的实际问题，培养动手能力。 5. 关注 AI 发展的前沿动态： 关注 AI 领域的权威媒体和学者，了解 AI 技术的最新进展。 思考 AI 技术对未来社会的影响，培养对 AI 的思考和判断能力。 如果您不会代码，想要在 20 分钟上手 Python + AI，可以按照以下步骤： 1. 完成一个简单程序。 2. 完成一个爬虫应用，抓取公众号文章。 3. 完成一个 AI 应用，为公众号文章生成概述。 一些背景知识： Python 就像哆拉 A 梦，拥有一个百宝袋，即标准库，若不够用，还可通过 pip 一类的工具从 GitHub 一类的分享代码的平台订购新道具。OpenAI 通过 ChatGPT 提供开箱即用的服务，也通过 OpenAI API 提供更加灵活的服务，可通过代码调用完成更多自动化任务。
2025-02-15
适合电商美工学习的ai
对于电商美工学习的 AI 相关内容，以下为您提供： 利用 Stable Diffusion 制作电商商品展示图：如果您是运营网店的女装店主且资金有限，可通过真人穿着商品拍照，借助美图秀秀或 PS 处理身材方面的问题，选好真人照片风格的底模（如 majicmixRealistic_v7），根据不同平台换头（如面向海外市场换白女头），使用图生图下的局部重绘选项卡涂抹替换部分，并设置合适的 prompts 和 parameters（如 breathtaking cinematic photo, masterpiece, best quality, , blonde hair, silver necklace, carrying a white bag, standing, full body, detailed face, big eyes, detailed hands）来初步制作展示商品。 电商相关的 AI 工具： Krea AI 可在几秒内将真实产品添加到任何图像中，效果出色。 Google 发布的推理模型 Gemini 2.0 Flash Experimental 适用于多模态理解、推理、编码，可在 AI Studio 免费体验，其低版本已超越 OpenAI 的 o1 模型，Pro 版本尚未发布。
2025-02-15
普通人学习ai生图方式
以下是为普通人提供的学习 AI 生图的相关内容： 如何判断一张图片是否 AI 生成： 当我们接触的 AI 制品增多，可通过“整体看光影，细节看结构”的技术要点来找出画面 bug。通过大量分析 AIGC 画作，人们会在脑中形成“判断模型”，但起初可能“知其然，不知其所以然”。从本质上看，人类绘画创作是线性发展，而 AI 是以积累数据、扩散噪声、再降噪收束的路径生图，会导致同一张图呈现不同绘画级别的细节。 Liblibai 简易上手教程： 1. 首页模型广场：展示其他用户的模型，可查看详情、收藏并用于生图。 2. Checkpoint：生图必需的基础模型，必选。 3. Lora：低阶自适应模型，类似 Checkpoint 的小插件，可有可无，用于控制细节。 4. VAE：编码器，类似滤镜，调整生图饱和度，可无脑选 840000。 5. CLIP 跳过层：用于生成图片后控制、调整构图变化，一般设为 2。 6. Prompt 提示词：想要 AI 生成的内容。 7. 负向提示词 Negative Prompt：想要 AI 避免产生的内容。 8. 采样方法：选择让 AI 生图的算法。 AI 线上绘画教程： 如果需要大量商用且具艺术美感的图片，AI 生图是高效办法。主流工具如 midjourney 付费成本高，stable diffusion 硬件门槛不低，可选择免费在线 SD 工具网站如。本教程适用于入门玩家，旨在让读者半小时内自由上手创作绘图。
2025-02-14
什么是深度学习
深度学习是源于新的方法和策略，旨在通过克服梯度消失问题来生成深层的非线性特征层次，以训练具有数十层非线性层次特征的体系结构。2010 年早期的研究表明，结合 GPUs 和激活函数能提供更好的梯度流，便于训练深层结构。深度学习不仅与学习深度非线性层次特征有关，还与学习检测序列数据中非常长的非线性时间依赖性有关。例如，长短时记忆循环神经网络允许网络收集过去几百个时间步的活动，从而做出准确的预测。自 2013 年以来，其使用量迅速增长，与卷积网络一起构成了深度学习的两大成功案例之一。 深度学习是使用不同类型神经网络的表征学习，通过优化网络的超参数来获得对数据的更好表征。其突破性研究成果包括反向传播、更好的初始化网络参数等。 在相关技术名词中，深度学习是一种参照人脑有神经网络和神经元（因有很多层所以叫深度）的方法，神经网络可用于监督学习、无监督学习、强化学习。
2025-02-14