如何实现一台电脑二个屏幕,如何实现一个手机两个微信,如何实现一个主机两个显示器,如何实现一个电脑两个显示器

生成预训练 Transformer 3(GPT-3)是一种用于 OpenAI 生成文本的自回归语言模型。GPT-3展示了一个真正智能的语言模型生成文本的惊人潜力，并且有能力完成诸如问题回答、摘要、语义搜索、聊天机器人以及写诗或写论文等令人惊叹的任务。其中，我们已经在 GPT-3、广告生成、句子释义、意图分类等方面进行了问答实验。现在，让我们使用 OpenAI 提供的 GPT-3 API 端点为语义搜索任务做一些实验。

OpenAI 的 API for search 允许你在一组文档中进行语义搜索。基于语义相关的查询文本，它为每个文档提供分数并给出它们的等级。

因为它是基于 api 的访问，所以很容易使用。我们只需要以文档的形式提供文本，然后查询文本。API 将返回根据相关性得分排序的与查询匹配的多个结果。

下面是使用 OpenAI API 进行语义搜索的步骤。这里我们使用 Python 调用 API，但是，您也可以发出 cURL 请求。

要执行语义搜索，首先需要以 JSONL 文件格式上传文档。下面是一个 JSONL 文件格式示例。

接下来，我们将创建一个 JSONL 文件用于语义搜索，将其命名为 sample _ search. JSONL，并将以下代码复制到其中:

现在是时候使用 API 键上传这个 JSONL 文件了，方法是将用途设置为搜索语义搜索。创建一个名为 upload _ file.py 的文件，然后复制下面的代码并提供 OpenAI API 密钥。

当你运行 upload _ file.py 文件时，你会得到下面的响应: 从上面步骤中的响应中复制 id。 现在让我们来测试一下。要测试 GPT-3语义搜索的能力，请在查询文本参数中提供查询。

回应如下图所示: 使用 GPT-3对给定查询执行语义搜索非常简单。在 JSON 响应中，我们得到与查询匹配的文档文本，得分显示结果的相关性。在我们的测试中，我们只提供了一个文档。如果我们提供多个文档，那么我们会得到多个不同分数的结果。我们可以看到，

如何劝周围人不要入坑深度学习？

怎样劝导他人,如何劝别人积极,不知道怎么劝人,如何去劝别人

如何劝退大家做深度学习，很多人被不良新闻公众号洗脑

我做dl之前是个自信爆棚的人

做了两年dl，我开炉炼丹的时候活像个邪教仪式，找到了一套专属于我的四大心法

roll随机数炼丹法，

b站直播炼丹法，

linux转win炼丹法，

凌晨一点半炼丹法

以上方法在个人实践上均起过奇效

而且我为什么叫这个id，是因为我调过最成功的模型random seed就是这个数

我不知道不确定性会给模型带来多少影响

但是确实给我这个并不幼小的心灵带来了极大的伤痛感

所以没必要劝退别人，当年我也是兴致勃勃的找导师找项目，找实习做科研

先让他试两年，等挺不住了再说

看到这个问题，突然有这么一个想法冒出来，如果我们回到过去，会怎么劝当时的我们不要入坑深度学习呢？

1.我起初认为这是一个很酷的工作

然并不是，我的工作大部分的内容都是，对模型进行finetun。去饮水机接杯水，然后看着打印出来的loss，发呆。如果work了，就记录一下，问问自己还有啥结构想实验的吗？然后接着把结构码出来然后继续跑。

2.我认为这是一个我努力就能做好的工作

然并不是，有时候看文章还不如烧高香。追求的科学逐渐沦为炼丹的玄学。一开始还会思考不work的原因，逐步的排除问题，到最后，还不如归结于训练的不稳定性算了。但是这个过程非常折磨，有时候月初训练了一般，花一个月都没有做到合理化的提升。

3.我认为发CCF-A论文似乎很简单

然并不是，有的时候，看上去很容易想到的东西，但是我实验的时候就不行了，很多都是在他们那是好的，放我们这就不可了，这种假work的事情就太常见了。而且很多时候，写论文，更重要在写上面，在逻辑，在图表可视化展示。改图，改语法，也是真的顶不住。老板会说，希望把把哪几个指标做work，把故事写得更完善一点，可是我真的做不到啊 ，正是因为做不到，所以这才是一个故事！

4.深度学习有点优越感

然并不是，深度学习的优越感，我一开始有，感觉自己就是要比生化环材方向的兄弟，要混得更好。做的是前沿科学，更有前瞻性。但是仿佛我现在做的调包，调参，小学生也能做。这算是啥前沿科学，就是Ctrl练习生而已！

好了晚点再补充，感觉，写着，写着，还真有劝退的感觉了！

深度学习这块：你全力做到最好，可能还不如别人的随便搞搞。

努力过后，才知道，有很多事情，再坚持坚持，还是一样白费工夫。

说起深度学习，首选 Python，Python 已经成为深度学习主导性的编程语言。而且，现在许多主流的深度学习框架。

例如 PyTorch、TensorFlow 也都是基于 Python 的。Anaconda 作为 Python 的一个集成管理工具，它把 Python 相关数据计算与分析科学包都集成在了一起，省去了各个安装的麻烦，非常方便。

而且，Anaconda 自带了 Jupyter Notebook，Jupyter Notebook 是一个非常强大的工具，允许使用者为数据分析、教育、文件等任何你可以想到的内容创建漂亮的交互式文档，已迅速成为数据分析、机器学习、深度学习的必备工具。

OpenAI 是一个非营利性人工智能研究公司，它的宗旨是推动和发展安全友好的人工智能。Sam Altman, Elon Musk 和其他几个著名的投资者负责给这家公司提供资金。OpenAI 的博客也是被全世界所有的人工智能和深度学习爱好者关注着。OpenAI 会定期发表他们在先进的人工智能技术方面的研究成果，包括自然语言处理、图像处理和语音处理。链接：blog.openai.com/

Distill 致力于清晰地解释机器学习。编辑和策展团队由来自 Google Brain，DeepMind，Tesla 和其他着名组织的科学家组成。Distill 的愿景是通过简单和视觉上令人愉悦的语言来解释机器学习的论文和模型。Distill Journal 是 Distill 提供的一个出版期刊，它是鼓励研究人员采用超越传统学术形式的方法来更好沟通科学，以及为读者服务。链接：distill.pub/

这个博客是由加州大学伯克利分校的伯克利 AI 研究（BAIR）小组设立。它的目的是传播 BAIR 小组在人工智能研究方面的发现、观点和更新成果。这个博客的编辑团队包括来自 BAIR 小组的学生、博士后和教师。他们通常每周会发表一篇文章，内容是 BAIR 在深度学习、机器学习和人工智能领域方面的研究。链接：bair.berkeley.edu/blog/

DeepMind 是在 2010 年由 Dennis Hassabis, Mustafa Suleyman 和 Shane Legg 三个人所创立。DeepMind 的博客主要包括对他们的研究论文、思想领导力以及围绕人工智能的远见卓识的讨论。由于 DeepMind 团队的人工智能模拟研究，他们的博客受到了很多人工智能研究者的高度重视。此外，DeepMind 还是 2014 年被谷歌收购的 Alphabet 小组的一部分。链接：deepmind.com/blog/?categ…

Andrej Karpathy 现任特斯拉的人工智能总监，之前曾在 OpenAI 工作过。他在斯坦福大学取得博士学位。他的博客在人工智能社区非常有名，特别是当他在读取博士学位和在 OpenAI 工作时候发表的文章。他写了大量有关计算机视觉以及其他人工智能领域的文章。链接：

• karpathy.github.io/
• medium.com/@karpathy/

Christopher Olah 是在谷歌大脑工作的研究科学家。同时也是 Distill 的一个编辑者之一，还有 Shan Carter 也是。他主要发表的是对于机器学习和深度学习领域的理解神经网络方面的文章。他的目标是用简单的语言解释神经网络的复杂功能。如果你是刚入门神经网络，那么他的博客正好适合作为你的入门教程。链接：colah.github.io/

这是 Denny Britz 的博客。Britz 曾是谷歌大脑团队的一个成员。他写作的主要方向是深度学习，发表有关利用 TensorFlow 来理解、应用和实现神经网络的文章。他还有另外一个博客，主要是写有关初创公司和软件工程方面的文章。链接：

• www.wildml.com/
• blog.dennybritz.com/

Sebastian Ruder 目前正在攻读博士学位，同时也是一家文本分析初创公司--Aylien 的研究科学家。他的文章大多数是关于深度学习和自然语言处理，主要是集中在多任务学习和迁移学习方面。Ruder 通过视觉上以及易懂语言来给出他对公式的理解和解释。他的博客对于新手非常易于理解，也是一个开始学习深度学习知识的很好的教程。链接：ruder.io/

这是属于 Facebook 的人工智能研究博客，主要讨论人工智能、深度学习、机器学习、计算机视觉以及他们现实世界的自身的产品应用。FAIR 小组发表了很多研究论文，这个博客也可以作为创作和提升的媒体。链接：research.fb.com/blog/

这是 Ferenc Huszár 的博客。他是一个来自剑桥大学的博士，目前工作于 Twitter Cortex。他主要是研究概率推理、生成模型、无监督学习以及应用深度学习到上述问题，并发表这些主题相关的文章。链接：www.inference.vc/

还有这个深度学习的入门课程，太适合学习了，经典的深度学习框架TensorFlow的使用，IO操作，以及神经网络基础、卷积神经网络的相关知识，并用卷积神经网络原理搭建、设计自己的网络，实现对验证码图片内容的识别。可以用最简单方式轻松掌握TensorFlow深度学习框架

Python 深度学习之神经网络 - TensorFlow 结构?www.zhihu.com/education/video-course/1483114387472388096?section_id=1483114591076487168?www.zhihu.com/education/video-course/1483114387472388096?section_id=1483114591076487168

python相关：

• Python 入门教程完整版（全 547 集）
• 7 天入门机器学习（人工智能必学基础课） - 知乎
• Python 数据挖掘基础教程 - 知乎
• Python 进阶之 MySQL 入门教程
• Python 深入浅出进阶课程 - 知乎
• Python 3 天快速入门机器学习项目 - 知乎
• 2 小时玩转 Python 多线程编程

快过年了，不要再讨论什么paper, if 因子，顶会之类的了。你带你的paper回到家并不能给你带来任何实质性作用，朋友们兜里掏出一大把钱吃喝玩乐，你默默的在家里连上实验室的服务器跑模型。亲威朋友吃 饭问你收获了什么，你说我f1 score又提升了- -个点，发了顶会，亲戚们懵逼了，你还在心里默默嘲笑他们，笑他们不懂炼丹，不懂cv,不懂你的tricks和optimization，笑他们连三大会都不知 道。你父母的同事都在说自己的子女- -年的收获，儿子买了个房，女儿买了个车，姑娘升职加薪了，你的父母默默无言，说我的儿子发了个顶会，半夜起来virtual参会做presentation,头上的头发越来越少了，人也越来越魔怔了

深度学习劝退太容易了。

你以为深度学习怎么入坑？通读花书一遍，把忘掉的数学都捡起来，公式都会推导了就叫入坑？还是拿着Tensorflow或者Pytorch，对着教程搭一个两三层的模型，再在只有6万样本的mnist数据集上跑通就叫入坑？

单纯了。

深度学习深度学习，最重要的是什么？是深度。模型一定要大，层数一定要深，那才叫深度模型。

多深才叫深？放个数据直观感受一下。已经有点过气的GPT-3一共96层，175B参数。这是什么概念？前一阵开源社区有个好消息，说微软还是哪的团队废了老劲，终于找到办法在一块GPU上训练GPT-3。但你仔细一看就发现这是个标题党，训练的是个阉割版的GPT-3，拢共才6.7B。

再具体一点，我们拿模型的权重文件来比较一下。我没有GPT-3，姑且那Meta开源版本的OPT来对比，6.7B参数的权重大小为12.4G，30B的为55.8G，66B的为107.1G，175B的要申请还没通过，无责估算一下，至少也翻个倍。这么一对比，大家应该就知道这个6.7B的阉割版得有多小，但就是这么个阉割版，也得费老劲才能塞进一块GPU，而且只是tuning还不是pretain。

那完全体的GPT-3要怎么训练呢？得上V100，目前售价大约3万人民币。关键是，不是一块V100，而是V100集群：如果你有8块V100，训练36年就差不多了，有512块V100，那就只需要7个月，如果能搞到1024块V100，恭喜你，不到一个月应该就能训练完成。

当然了，训练模型还得有数据集，大模型得配大数据集，需要多少存储空间呢？不多，也就40T。在一千多块V100面前，硬盘、CPU、内存这些都不值一提。

听说你想入坑深度学习？好说，你有什么显卡呢？省吃俭用凑一块2090？3090？还是4090？全功率跑一个月要多少电费？

哥们，有这个钱，3A游戏她不香么？

如何劝周围人不要入坑深度学习？_1

如何劝周围人离婚,怎样劝导他人,如何劝别人积极,怎么去劝一个人

深度学习这块： 你全力做到最好，可能还不如别人的随便搞搞。

努力过后，才知道，有很多事情，再坚持坚持，还是一样白费工夫。

说起深度学习，首选 Python，Python 已经成为深度学习主导性的编程语言。而且，现在许多主流的深度学习框架。

例如 PyTorch、TensorFlow 也都是基于 Python 的。Anaconda 作为 Python 的一个集成管理工具，它把 Python 相关数据计算与分析科学包都集成在了一起，省去了各个安装的麻烦，非常方便。

而且，Anaconda 自带了 Jupyter Notebook，Jupyter Notebook 是一个非常强大的工具，允许使用者为数据分析、教育、文件等任何你可以想到的内容创建漂亮的交互式文档，已迅速成为数据分析、机器学习、深度学习的必备工具。

OpenAI 是一个非营利性人工智能研究公司，它的宗旨是推动和发展安全友好的人工智能。Sam Altman, Elon Musk 和其他几个著名的投资者负责给这家公司提供资金。OpenAI 的博客也是被全世界所有的人工智能和深度学习爱好者关注着。OpenAI 会定期发表他们在先进的人工智能技术方面的研究成果，包括自然语言处理、图像处理和语音处理。 链接：blog.openai.com/

Distill 致力于清晰地解释机器学习。编辑和策展团队由来自 Google Brain，DeepMind，Tesla 和其他着名组织的科学家组成。Distill 的愿景是通过简单和视觉上令人愉悦的语言来解释机器学习的论文和模型。Distill Journal 是 Distill 提供的一个出版期刊，它是鼓励研究人员采用超越传统学术形式的方法来更好沟通科学，以及为读者服务。 链接：distill.pub/

这个博客是由加州大学伯克利分校的伯克利 AI 研究（BAIR）小组设立。它的目的是传播 BAIR 小组在人工智能研究方面的发现、观点和更新成果。这个博客的编辑团队包括来自 BAIR 小组的学生、博士后和教师。他们通常每周会发表一篇文章，内容是 BAIR 在深度学习、机器学习和人工智能领域方面的研究。 链接：bair.berkeley.edu/blog/

DeepMind 是在 2010 年由 Dennis Hassabis, Mustafa Suleyman 和 Shane Legg 三个人所创立。DeepMind 的博客主要包括对他们的研究论文、思想领导力以及围绕人工智能的远见卓识的讨论。由于 DeepMind 团队的人工智能模拟研究，他们的博客受到了很多人工智能研究者的高度重视。此外，DeepMind 还是 2014 年被谷歌收购的 Alphabet 小组的一部分。 链接：deepmind.com/blog/?categ…

Andrej Karpathy 现任特斯拉的人工智能总监，之前曾在 OpenAI 工作过。他在斯坦福大学取得博士学位。他的博客在人工智能社区非常有名，特别是当他在读取博士学位和在 OpenAI 工作时候发表的文章。他写了大量有关计算机视觉以及其他人工智能领域的文章。 链接：

• karpathy.github.io/
• medium.com/@karpathy/

Christopher Olah 是在谷歌大脑工作的研究科学家。同时也是 Distill 的一个编辑者之一，还有 Shan Carter 也是。他主要发表的是对于机器学习和深度学习领域的理解神经网络方面的文章。他的目标是用简单的语言解释神经网络的复杂功能。如果你是刚入门神经网络，那么他的博客正好适合作为你的入门教程。 链接：colah.github.io/

这是 Denny Britz 的博客。Britz 曾是谷歌大脑团队的一个成员。他写作的主要方向是深度学习，发表有关利用 TensorFlow 来理解、应用和实现神经网络的文章。他还有另外一个博客，主要是写有关初创公司和软件工程方面的文章。 链接：

• www.wildml.com/
• blog.dennybritz.com/

Sebastian Ruder 目前正在攻读博士学位，同时也是一家文本分析初创公司--Aylien 的研究科学家。他的文章大多数是关于深度学习和自然语言处理，主要是集中在多任务学习和迁移学习方面。Ruder 通过视觉上以及易懂语言来给出他对公式的理解和解释。他的博客对于新手非常易于理解，也是一个开始学习深度学习知识的很好的教程。 链接：ruder.io/

这是属于 Facebook 的人工智能研究博客，主要讨论人工智能、深度学习、机器学习、计算机视觉以及他们现实世界的自身的产品应用。FAIR 小组发表了很多研究论文，这个博客也可以作为创作和提升的媒体。 链接：research.fb.com/blog/

这是 Ferenc Huszár 的博客。他是一个来自剑桥大学的博士，目前工作于 Twitter Cortex。他主要是研究概率推理、生成模型、无监督学习以及应用深度学习到上述问题，并发表这些主题相关的文章。 链接：www.inference.vc/

还有这个深度学习的入门课程，太适合学习了，经典的深度学习框架TensorFlow的使用，IO操作，以及神经网络基础、卷积神经网络的相关知识，并用卷积神经网络原理搭建、设计自己的网络，实现对验证码图片内容的识别。可以用最简单方式轻松掌握TensorFlow深度学习框架

?

python热门爆款 零基础入门：

Python小白基础入门教程 Python入门到精通教程 零基础必备：全套Python教程_Python基础入门视频教程，零基础小白自学Python必备教程 python基础进阶：Python深入浅出进阶教程【敢信？】收藏=点赞十倍 Python实战Djongo项目：python企业级开发项目-手把手从0到1开发《美多商城》 mysql数据库：MySQL全套教程，MySQL从基础到黑马订单案例实战 机器学习算法：3天快速入门python机器学习 聚类算法：360°解读机器学习经典算法――聚类算法 数据挖掘：黑马程序员Python教程，4天快速入门Python数据挖掘，系统精讲+实战案例 Web服务器：Python高级语法进阶教程_python多任务及网络编程，从零搭建网站全套教程 180分钟爬虫入门：180分钟轻松获取疫情数据，Python爬虫入门课 Scrapy框架：黑马程序员Python爬虫基础，快速入门Scrapy爬虫框架 多线程：黑马程序员python多线程编程 人工智能入门：智能机器人软件开发教程基础，从helloworld到神经网络 人工智能深度学习：智能机器人软件开发教程基础，从helloworld到神经网络 图像与视觉处理：人工智能教程|零基础学习计算机视觉快速入门

?