机器学习李宏毅学习笔记37
文章目录
- 前言
- 一、ChatGPT做的事情
- 二、ChatGPT基础介绍
- 三、ChatGPT带来的研究问题
- 总结
前言
ChatGPT简单原理介绍
一、ChatGPT做的事情
Chatgpt以句子为输入,输出这个句子后面接的词汇的概率分布,给每一个可能的符号一个概率,根据这个分布进行sample,每次sample出来的词汇可能都是不一样的,所以答案每次也都不相同。把输出的词汇加在输入给gpt的句子后面,重复上面的过程,直到最后出现一个符号代表结束。
在一个对话过程中,输入不仅是现在输入的句子,还包含过去所有的互动。
同时GPT在训练时是联网的,但是在测试时,是没有联网的,所以输出的很多结果比如网址、序列号等都是错误的,只是GPT瞎编出来的。
二、ChatGPT基础介绍
ChatGPT关键技术:预训练Pre-train
预训练也可以叫做自监督式学习Self-supervised Learning或基石模型(Foundation Model),成对资料通过无痛生成的叫做自监督式学习。ChatGPT是由GPT微调而来,GPT就是ChatGPT的基石。
G:Generative
P:Pre-train
T:Transformer
人类可以提供的成对资料相对来说是少的,GPT的获取成对资料的方式是通过获取网络上的句子,这些句子拆分成两部分,网络上的所有句子都可以是资料。
透过大量网络学习的过程是预训练,得到GPT,ChatGPT是GPT经过监督式学习的结果。这个继续学习的过程也就是微调(Finetune)
增强式学习适用于某些人类都不知道答案的情况下,只需要人类只需要评价这个答案的好坏就可以。
三、ChatGPT带来的研究问题
1.如何精准提出需求
先要对chatgpt进行催眠(prompting),比如请想象这类的描述。
2.如何更正错误->neural editing
比如发生在2022年的事情,GPT无法得出结果。如果那新的答案再去训练接龙,更新参数,可能会发生弄对一个答案,但是弄错更多答案的情况。
3.侦测AI生成的软件
如何用模型侦测一段文字是否是AI生成的
4.泄露秘密
对chatgpt绕着弯的诱导,是可以获得某些隐私答案,当然这些答案可能是错误的。
总结
学习视频地址:
1
https://www.bilibili.com/video/BV1TD4y137mP?p=2&vd_source=3a369b537e1d34ff9ba8f8ab23afedec
2
https://www.bilibili.com/video/BV1TD4y137mP?p=3&vd_source=3a369b537e1d34ff9ba8f8ab23afedec
3
https://www.bilibili.com/video/BV1TD4y137mP?p=4&vd_source=3a369b537e1d34ff9ba8f8ab23afedec
机器学习李宏毅学习笔记37相关推荐
- 机器学习李宏毅学习笔记35
文章目录 前言 一.Meta learning 1.第一步 2.第二步 3.第三步 二.machine learning 和 meta learning区别 总结 前言 Meta learning元学 ...
- 机器学习李宏毅学习笔记33
文章目录 前言 一.神经网络压缩 二.Network pruning----一种network compression技术 1.移除不同单位的区别 2.大乐透假说 总结 前言 神经网络压缩(一) 类神 ...
- Kaggle教程 机器学习入门学习笔记
机器学习入门学习笔记 [跳转]<Kaggle教程 机器学习入门>系列课程目录 >> 决策树 简介:是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零 ...
- python嵩天课堂笔记_[Python机器学习]强化学习笔记(嵩天礼欣老师mooc第三周)
[Python机器学习]强化学习笔记(嵩天礼欣老师mooc第三周) [Python机器学习]强化学习笔记(嵩天礼欣老师mooc第三周) 目录 强化学习 定义 马尔科夫决策过程 基本元素 值函数 最优值 ...
- 机器学习入门学习笔记:(4.2)SVM的核函数和软间隔
前言 之前讲了有关基本的SVM的数学模型(机器学习入门学习笔记:(4.1)SVM算法).这次主要介绍介绍svm的核函数.软间隔等概念,并进行详细的数学推导.这里仅将自己的笔记记录下来,以便以后复习查看 ...
- 机器学习入门学习笔记:(3.2)ID3决策树程序实现
前言 之前的博客中介绍了决策树算法的原理并进行了数学推导(机器学习入门学习笔记:(3.1)决策树算法).决策树的原理相对简单,决策树算法有:ID3,C4.5,CART等算法.接下来将对ID3决策树算法 ...
- 机器学习入门学习笔记:(2.3)对数几率回归推导
理论推导 在以前的博客(机器学习入门学习笔记:(2.1)线性回归理论推导 )中推导了单元线性回归和多元线性回归的模型. 将线性回归模型简写为:y=ωTx+by = \omega^Tx+b: ...
- 机器学习入门学习笔记:(2.2)线性回归python程序实现
上一篇博客中,推导了线性回归的公式,这次试着编程来实现它.(机器学习入门学习笔记:(2.1)线性回归理论推导 ) 我们求解线性回归的思路有两个:一个是直接套用上一篇博客最后推导出来的公式:另一 ...
- 吴恩达《机器学习》学习笔记十四——应用机器学习的建议实现一个机器学习模型的改进
吴恩达<机器学习>学习笔记十四--应用机器学习的建议实现一个机器学习模型的改进 一.任务介绍 二.代码实现 1.准备数据 2.代价函数 3.梯度计算 4.带有正则化的代价函数和梯度计算 5 ...
最新文章
- 转: IO设计模式:Reactor和Proactor对比
- xml命名空间只是标记区分不同的空间的作用,一般与上网无关,虽然通常都写的是URL网址
- [Java] 02 String的常用方法
- 接口是否可继承接口? 抽像类是否可实现(implements)接口? 抽像类是否可继承实体类(concrete class)?...
- windows ffmpeg 的安装
- 浅谈GSM/GPRS模块软硬件设计(基于有方M660+模块和单片机)
- iqooneo系统要不要更新_IQOOZ1即将发布,和IQOOneo3、OPPORenoACE对比,谁更值得入手?...
- 基于深度学习的图像修补/完整方法分析
- php ftp login,关于php ftp_login()函数的10篇文章推荐
- 如何分析android的OOM,与java静态代码分析工具
- mysql 模糊匹配 拆字_一文,5 分钟搞明白 MySQL 是如何利用索引的!
- 和 对比_Yeezy350V2新灰橙真假对比
- Unity世界坐标转换屏幕坐标(概览)
- Trizol法提取RNA实验步骤
- ubuntu下开启/禁用笔记本触摸板
- 国产香氛品牌别样的生意经
- 软件发布版本区别介绍
- Sigmoid 函数的求导过程
- 【会议征稿|SPIE独立出版|往届已检索】第二届人工智能、虚拟现实与可视化国际学术会议(AIVRV 2022)
- 运维基础(二):Tomcat日志文件详解