研究领域注重方向符号主义研究抽象思维注重数学可解释性连接主义研究形象思维偏向于仿人脑模型行为主义研究感知思维偏向于应用和身体模拟人类具有智能不仅仅是因为人有大脑，并且能够保持持续学习。机器要想更“智能”，也需要不断学习。符号主义靠人工赋予机器智能，连接主义是靠机器自行习得智能，行为主义在与环境的作用和反馈中获得智能。它们彼此之间扬长补短，相信随着人工智能研究的不断深入，这三大学派会融合贯通，共同合

而指令微调是一种通过在包括（指令，输出）对的数据集上进一步训练大型语言模型（LLMs）的过程，以增强LLMs的能力和可控性。指令微调的特殊之处在于其数据集的结构，即由人类指令和期望的输出组成的配对。总的来说，指令微调是有监督微调的一种特殊形式，专注于通过理解和遵循人类指令来增强大型语言模型的能力和可控性。如果按照在模型哪个阶段使用微调，或者根据模型微调的目标来区分，也可以从提示微调、指令微调、有监

如上，当向github远程仓库push时，输入github的用户名和密码出现如上错误，要求使用token登录，此时只需要用户名保持不变，将密码改为token即可。

5、右上角三条横杠， “权限”中中选择“所有人可编辑”3、选择“更多打开方式”1、手机微信中打开文档。4、选用腾讯文档一起写。2、点右上角的三个点。

相信大家在进行模型开发的过程中，都会经历一个阶段，大量的翻阅google上的学术paper，尝试各种神经网络组合，会发现现在有非常多的神经网络结构被提出，论文里的实验结果也非常惊艳，这个时候，我们会抱着“侥幸心理”去进行大量尝试，虽然paper里的问题场景我们的项目可能并不一致。这批导致误报的样本的共性是什么？但是同时另一方面，很多情况下，输入数据的特征空间是高维特征，例如笔者所在的安全领域，抽象

在CMU的DyNet和Facebook的PyTorch出现之前，Chainer一直是动态计算图或网络的领先神经网络框架，这种网络允许输入可变长度，而这正是NLP任务的一个流行特性。Keras在更高的水平上。根据Chainer的基准测试，Chainer明显比其他面向Python的框架更快，其中TensorFlow是包括MxNet和CNTK的测试组中速度最慢的。作一个简单的比喻，一套深度学习框架就是这

我们经常使用service xxx start来启动一个服务，那么service究竟是执行的是什么？实际上service是一个/sbin/下的一个脚本，名称为service。服务的绝对路径为/sbin/service ，打开这个文件vim /sbin/service，我们会发现其实它就是一个很普通的shell脚本，如下：service脚本主要实现以下两个功能1.初始化执行环境变量PATH，TERM

装VMware Workstation 时，出现不可恢复错误：(vmui)看网络上的解决思路很多，也就是说很多问题都可以导致这个问题;所以，虽然是同一问题，但是解决问题却不一定是同一种方法：解决思路：查看问题存在的log日志，从日志里查找问题原因，有针对性的解决问题。查看问题，大概是vm32位，操作系统是64位，导致的不兼容；解决办法：下载了64位的vm，安装成功。...

用的更多的通用寄存器，减少访存次数”这句话，本质上是RISC对“如何高效利用CPU与内存速度差”更多的寄存器= 数据更可能待在CPU内部，不产生访存。减少访存次数= 减少CPU等待慢速内存的时间，让流水线更通畅。最终目标：用简单、定长的指令和大量寄存器，实现高主频、高效率、便于编译器优化的执行模型。

对于write调用（套接字标志为阻塞），如果请求写100个字节，而发送缓冲区中只有20个字节的空闲位置，那么write会阻塞，直到把100个字节全部交给发送缓冲区才返回，如果write中得套接字标志为非阻塞，则直接返回20，因此我们可以实现自己的readn和writen函数。对端TCP必须确认收到的数据，伴随来自对端的ACK的不断到达，本端TCP至此才能从套接字发送缓冲区中丢弃已确认的数据，TCP