logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

openai.ChatCompletion.create调用工具函数:ChatCompletionMessageToolCall,functions=[tool_call]

将提示词和工具函数(含工具描述)交给openai.ChatCompletion.create,由上述调用生成回复,当OpenAI的模型(OpenAI的服务端)生成回复时,它会根据工具描述来决定是否调用工具。并将这个决定返回客户端。

文章图片
#前端
调用OpenAI的openai.ChatCompletion.create方法:发送请求到API端点

手动发送HTTP请求到API端点:使用Python的requests库(或其他HTTP客户端库)来构建和发送HTTP POST请求。它不使用openai客户端库,而是直接发送HTTP请求到OpenAI的聊天完成API端点用OpenAI客户发送请求到API端点

#python
(《机器学习》完整版系列)第5章 神经网络——5.1 误差逆传播算法(BP算法是梯度下降法的应用)

神经网络的概念来源于生物学(仿生),并受其启发,但神经网络的发展早已摆脱了仿生物学的思路。该领域现在研究的热门方向为深度神经网络。“标准BP算法”并不“标准”,真正使用的是累计BP算法(目标为最小化训练集$D$上的累计误差)。BP算法是梯度下降法的应用。梯度下降算法:在参数寻优的过程中需要避免目标函数陷入局部极小。生活中的例子:盲人下山很有可能下到半山上的一个深坑中,这个“坑”就是局部极小。梯“标

文章图片
#算法#神经网络#机器学习
科普:数据仓库中的“指标”和“维度”

在数据仓库中,指标和维度是两个核心概念,它们对于数据分析和业务决策至关重要。以下是对这两个概念的分析及举例说明举例说明,指出:指标和维度在数据仓库中扮演着至关重要的角色。它们不仅提供了量化业务表现的关键数据点和详细背景信息,还支持多维分析和决策制定。通过合理利用这两个概念:指标+维度,企业可以更好地理解业务动态和市场趋势,从而做出更明智的决策。

文章图片
#大数据
(《机器学习》完整版系列)第16章 强化学习——16.7 同策略蒙特卡罗强化学习

自由地执行一次长度为TT蒙特卡罗试验(并不限定起点),就可以依迭代式对该试验轨线上所有点作一次更新,依结果,对策略进行一次优化。将ϵ-贪心算法修改为同策略蒙特卡罗强化学习算法

文章图片
#机器学习#算法#人工智能
大模型(LLM)的若干科普之问(四):OpenAI 的 API 接口规范与openai库

`openai` 库是 OpenAI 官方提供的 Python 客户端库,支持与 OpenAI API 的交互。通过该库,可以轻松调用 GPT 系列模型、DALL·E、Whisper 等服务。通常来讲,国内LLM都支持openai库!!!

文章图片
#python
科普:定位train.loc[ 行条件 , 列名 ],如:train.loc[train[‘target‘] < -30, ‘outliers‘] = 1

本文介绍了pandas中loc方法在二维表数据定位中的核心用法。通过5个典型场景演示了loc的核心功能:1)单条件单列修改(如标记不及格学生);2)多条件多列操作(如优秀学生加分);3)结合isin()筛选特定行;4)多条件复合筛选与赋值;5)多列同时赋不同值。关键要点包括:条件必须加括号、使用&|逻辑符、多列需用列表包裹。loc方法支持精确的"矩形区域"操作,是Dat

#机器学习#python#pandas
科普:“烧录”和“刻录”

“烧录”更偏向**硬件底层的程序写入**,让设备“知道如何工作”;“刻录”更偏向**通用数据的存储**,让介质“保存需要的数据”。两者虽都用“烧”字,但其技术场景和目标截然不同。对单片机进行烧录程序,不是真的“烧”,虽然早期部分存储器写入程序时会有物理层面的改变,如熔断丝,但现代单片机烧录主要是通过电信号将程序代码写入非易失性存储器中,是一种“下载”操作。

#单片机
科普:<generator object ...>,不是报错!兼谈`enumerate` 的作用

本文介绍了Python生成器(Generator)的概念及其应用场景。通过sklearn的KFold.split()方法为例,说明生成器对象(<generator object...>)并非错误,而是一种节省内存的特殊对象。生成器主要通过三种方式产生:使用yield的函数、生成器表达式以及某些库的返回值。取值方法包括for循环(推荐)、next()函数和强制转换(如list())。文章

#python
核密度估计(Kernel Density Estimation, KDE)是一种非参数统计方法

核密度估计(Kernel Density Estimation, KDE)是一种非参数统计方法,用于估计随机变量的概率密度函数。它通过将每个数据点周围的核函数叠加,生成平滑的密度曲线。

文章图片
#机器学习#人工智能
    共 97 条
  • 1
  • 2
  • 3
  • 10
  • 请选择