You:请用Vue3写一个ChatGPT Web脚手架，不同的模块要用不同的文件，比如Chat.vue，Message.vue，Request.vue，Storage.vue，文件夹结构要合理。ChatGPT:创建一个基于 Vue 3 的 ChatGPT Web 脚手架需要以下步骤：首先，确保你已经安装了 Node.js 和 npm。全局安装 Vue CLI：npm install -g @vue/cli创建一个新的 Vue 3 项目：vue create chatgpt-web --preset vue3进入项目文件夹：cd chatgpt-web运行项目：npm run serve现在，我们需要创建一些基本的文件和文件夹结构。在src目录下创建一个名为components的文件夹。在components文件夹中，创建以下文件：Chat.vueMessage.vueRequest.vueStorage.vuesrc ├── components │ ├── Chat.vue │ ├── Message.vue │ ├── Request.vue │ └── Storage.vue └── main.js在各个组件文件中，创建基本的 Vue 组件结构。以下是一个示例：Chat.vueChat UI goes hereimportMessagefrom'./Messa ...继续阅读 (36)

注意，Vim 区分大小写。移动方向键移动h或←光标左移l或→光标右移j或↓光标下移k或↑光标上移单词移动w(“word”) 光标向右移动一个单词b(“back”) 光标向左移动一个单词e(“end”) 移动光标到当前单词的最后一个字母行首行末移动类似正则表达式^移动光标到行首$移动光标到行末屏幕位置移动H(“high”) 移动光标到屏幕上端M(“middle”) 移动光标到屏幕中端L(“low”) 移动光标到屏幕下端页面滚动Ctrl-f(“forward”) 向下翻页(整个屏幕)Ctrl-d(“down”) 向下翻半页(半个屏幕)Ctrl-b(“backward”) 向上翻页(整个屏幕)Ctrl-u(“up”) 向上翻半页(半个屏幕)插入文本a在光标右侧插入文本A在行末插入文本i在光标左侧插入文本I在行首插入文本o在光标下插入新行O在光标上插入新行修改文本cw删除当前单词的光标右侧部分，进入编辑模式cc将当前行替换为空行，进入编辑模式s删除当前字母，进入编辑模式r替换当前字母，输入一个字母后自动返回命令模式撤销修改u撤销上次修改U撤销对当前行的所有修改Ctrl-r恢复上次修改删除文本删除字母x删除光标右侧字母X删除光标左侧字母删除单词dw(“delete word”) 删除当前单词的光标右侧部分 (cw会进入编辑模式)daw(“delete a word”) 删除光标所在的 ...继续阅读 (7)

下载镜像docker pull[OPTIONS] NAME[:TAG|@DIGEST]# eg:docker pull nvcr.io/nvidia/pytorch:20.06-py3启动镜像docker run[OPTIONS] IMAGE[COMMAND][ARG...]# eg:docker run--gpusall-ti-v/:/data--ipc=host-p8000:8000--namelufficc nvcr.io/nvidia/pytorch:20.03-py3-it交互模式运行--rm容器退出时自动删除此容器-v绑定磁盘，/:/data即将容器下/data目录映射到主服务器的/目录--ipcIPC mode-p映射端口--name容器名称启动容器docker start[OPTIONS] CONTAINER[CONTAINER...]# eg:docker start lufficc停止容器docker stop[OPTIONS] CONTAINER[CONTAINER...]# eg:docker stop lufficc显示所有容器docker containerls-a进入容器dockerexec-itCONTAINER bash# 如果使用 zshdockerexec-itCONTAINER zsh删除容器dockerrmCONTAINER删除镜像dock ...继续阅读 (6)

Squeeze-and-Excitation Networks提出了 SENet，进一步提高了ResNet的表达能力。对于由卷积神经网络（Convolutional Neural Networks）得到的特征图（Feature Map），其每一层通道（Channel）由上一个特征图所有通道经过卷积操作然后加权相加得到。不同通道由不同组独立的参数得到，这些参数在当前层并无直接交互，互不影响。且卷积操作是局部的，而 SENet 用全局的 Global pooling 操作计算权值，动态地调整了特征图不同通道之间的权值，给予了通道层与层之间直接交互的能力，提高了表达能力。 ...继续阅读 (9)

Deep Residual Learning for Image Recognition一文提出了残差连接，并以此为 building block 构建了 ResNet，大大提高了网络深度，在多项计算机视觉任务中取得最佳成绩。more{.to-figure}残差连接如上图所示，即映射 $H(x) = F(x) + x$。ResNet 能保持这么深并且不造成梯度消失，得益于残差连接。即网络在向后连接的同时，保持对较浅层的引用，那么在梯度传播的时候，就会多一种选择：梯度可以来自函数 $F(x)$，也可以来自 $x$。$H(x) = F(x) + x$ 是对 $H(x) = F(x)$ 的一种推广，$F(x)$ 能完成的目标函数，$F(x) + x$ 也可以，但多一种选择，多无限可能。网络结构结构决定一切。 ...继续阅读 (6)

自Batch Normalization从 2015 年被 Google 提出来之后，又诞生了很多 Normalization 方法，如Layer Normalization,Instance Normalization,Group Normalization。 这些方法作用、效果各不相同，但却有着统一的内核和本质：计算输入数据在某些维度上的方差和均值，归一化，最后用可学习参数映射归一化后的特征。这可以统一表达为：more\[y = \frac{x - \mathrm{E}[x]}{ \sqrt{\mathrm{Var}[x] + \epsilon}} * \gamma + \beta\]我们以图像数据为例子，给定输入数据 $x \in (N, C, H, W)$, 其中 $N, C, H, W$ 分别为 batch size, 通道数，图像高和宽。如上图所示，BN 计算在 $N, H, W$ 维度上的均值方差，LN 计算在 $C, H, W$ 维度上的均值方差，IN 计算在 $H, W$ 维度上的均值方差，GN 计算在 $C’, H, W$ 维度上的均值方差，其中 $C’$ 是分组后的通道个数。计算维度的不同是这些方法的唯一区别。也正是因为计算维度的不同，也导致了不同的效果和特性。BN计算依赖 $N, H, W$，因此当 batch size 较小时效果可能并不理想，且 batc ...继续阅读 (5)

上传你的论文到arXiv，看似麻烦，实则简单。步骤新建文件夹，将mwe.tex和mwe.bib放进去。文件mwe.bib：@Book{Goossens, author ={Goossens, Michel and Mittelbach, Frank and Samarin, Alexander}, title ={The LaTeX Companion}, edition ={1}, publisher ={Addison-Wesley}, location ={Reading, Mass.}, year ={1994},}@Book{adams, title ={The Restaurant at the End of the Universe}, author ={Douglas Adams}, series ={The Hitchhiker's Guide to the Galaxy}, publisher ={Pan Macmillan}, year ={1980},}文件mwe.tex：\documentclass[10pt,a4paper]{article}\usepackage{hyperref}% for better urls\b ...继续阅读 (3)

通常我们下载的数据集都是以压缩文件的格式存在，解压后会有多个文件夹，像train，test，val等等。而文件也有可能多达数万或者数百万个。这种形式的数据集不但读取复杂、慢，而且占用磁盘空间。这时二进制的格式文件的优点便显现出来了。我们可以把数据集存储为一个二进制文件，这样就没有了train，test，val等等的文件夹。更重要的是，这些数据只会占据一块内存（Block of Memory），而不需要一个一个单独加载文件。因此使用二进制文件效率更高。你以为 TensorFlow 都为你封装好二进制文件文件的读写、解析方式了吗？是的，都封装好了~本文就是介绍如何将数据转换为 TFRecord 格式。CIFAR-10 数据集本文以 CIFAR-10 数据集为例，什么是 CIFAR-10 数据集？看这儿 =>图像数据集~假设你已经有了以下数据：写，保存为 TFRecord 格式定义的一些常量：_NUM_TRAIN_FILES=5# The height and width of each image._IMAGE_SIZE=32# The names of the classes._CLASS_NAMES=['airplane','automobile','bird','cat','deer','dog','frog','horse','ship','truck',]这里我们创建两个 s ...继续阅读 (9)

在循环神经网络（Recurrent Neural Network）简介中我们了解了什么是 RNN，本文用 TensorFlow 实现一个超级简单的字符预测模型，并对代码进行详细说明，防止自己以后忘记( ╯□╰ )。首先定义 RNN 网络：class RNN: def __init__(self, in_size, cell_size, num_layers, out_size, sess, lr=0.003): self.in_size = in_size # 输入数据大小，这里为字符数目（注意这里将大写字母转换为了小写字母，减小了字符数目，加快训练） self.cell_size = cell_size # LSTM cell 的unit数目 self.num_layers = num_layers # 因为是多层LSTM，num_layers指定了层数 self.out_size = out_size # 输出数据大小，同样为字符数目 self.sess = sess # sess ...继续阅读 (8)

TensorFlow 采用 NumPy 的 Broadcasting 机制，来处理不同形状的 Tensor 之间的算术运算，来节省内存、提高计算效率。NumPy 数组运算通常是逐元素（element-by-element ）计算，因此要求两个数组的形状必须相同：>>> a = np.array([1.0, 2.0, 3.0]) >>> b = np.array([2.0, 2.0, 2.0]) >>> a * b array([ 2., 4., 6.])NumPy 的 Broadcasting 机制解除了这种限制，在两个数组的形状满足某种条件的情况下，不同形状的数组之间仍可以进行算术运算。最简单的就是数组乘以一个标量：>>> a = np.array([1.0, 2.0, 3.0]) >>> b = 2.0 >>> a * b array([ 2., 4., 6.])结果和第一个b是数组的例子相同。可以认为标量b被拉伸成了和a相同形状的数组，拉伸后数组每个元素的值为先前标量值的复制，这样形式上和第一种例子相同，因此结果当然一样。但这只是理论上的，复制操作并不会真正进行，只是在计算时使用标量的值罢了。因此，第二个例子效率更高，因为节省了内存。Broadcasting 规则当两个数组进行算术运算时，NumPy 从后向前，逐元素比较两个数组的形状。当逐个比较的元素值满足以下条 ...继续阅读 (6)

Ubuntu 安装最新 Nginx：sudo-snginx=stable# use nginx=development for latest development versionadd-apt-repository ppa:nginx/$nginxapt-get update apt-getinstallnginx查看 Mysql 各数据表大小：SELECTtable_schema"DB Name",Round(Sum(data_length+index_length)/1024/1024,1)"DB Size in MB"FROMinformation_schema.tablesGROUPBYtable_schema;安装55：sudoapt-get updatesudoapt-getinstallpython3-pipsudopip3installshadowsockssudo mkdir/var/sssudovim /var/ss/ss.json ssserver-c/var/ss/ss.json-dstart{"server":"0.0.0.0","server_port":8388,"local_address":"127.0.0.1","local_port":1080,"password":"mypassword","timeout":300,"method":"a ...继续阅读