训练人工智能模型需要大量时间，并且可能需要使用数百甚至数千个显卡（通常在数据中心）一起工作才能完成任务。作为从头开始训练新模型或微调现有模型所有参数的替代方案，LoRA 被引入。LoRA 是“Low-Rank Adaptation”的缩写，是一种使用更小的参数集微调模型的方法，并且不会从根本上改变底层模型。与传统的微调相比，这只需一小部分所需的资源即可进行微调。今天，我们将在训练 LoRA 与 S

VAE 代表variational autoencoder(变分自动编码器)。它是神经网络模型的一部分，可在较小的潜在空间之间对图像进行编码和解码，从而使计算速度更快。我们已经介绍了如何使用 Stability AI 发布的两种改进的 VAE 解码器。它们对渲染眼睛提供了微小但显着的改进。您可以决定是否要使用它。

当您需要等待Task时，您是否在同步方法中使用“.GetAwaiter().GetResult()”而不是“.Result”和“.Wait()”？你正在做比较正确的事，但前提是您无法改变该方法！

CI 过程在软件开发的大多数领域都广为人知，尽管很难应用于 Unity 项目。那么是什么让 CI 难以在 Unity 项目中实施呢？多平台支持。当然，Unity 在营销方面做得很好，因为它坚持同时为多个平台开发是多么容易。然而，在实践中，它并不像“一键启动”那么简单。每个平台都有自己的工作流程，必须单独考虑（尤其是 iOS）。有限的命令行支持。Unity 提供了用于构建的 CLI；理论上对于 he

英文原文：https://fastai.github.io/fastbook2e/book2.html。

在使用 Unity 重新制作 Diamond Dash 工作了六个月后，我可以说我从 Wooga 的工程师那里学到了很多，除了自我反思。我经常学习软方式，也学习硬方式。无论如何，在经历了比失败更多的成功之后，我提出了我对伟大架构应该是什么样子的看法。

Kit是一个构建应用程序和体验的平台。它们可能有也可能没有太多共同之处。其中一些可能使用RTX，omni.ui或其他库来创建丰富的应用程序，其他库可能是无窗口的服务（例如离线处理USD文件的服务）。为了实现这一目标，Kit的目标是极其模块化：一切都是扩展。

英文原文：https://rohiton.wordpress.com/2016/06/28/persistent-data-structures/  函数式编程鼓励不变性，一些非常纯粹的函数式编程语言(如Haskell)甚至根本不支持可变性。持久化数据结构是纯函数编程的关键，它有助于实现不变性，同时保持性能。  大多数第一次使用函数式编程的开发人员认为，如果数据结构是不变的，更新数据结构会造成大量

Gen AI 模型根据类型分为不同类别。每个模型都有附加的功能和特性。为当前的用例选择正确的模型非常重要。与计算机科学不同，在我们的例子中，最大的模型并不意味着它更好。Completion API 是一个复杂的文本生成工具，可用于完成用户提供的提示，并构成文本生成范例的支柱。Completion API 相对易于使用，只有几个关键参数，例如提示、要生成的令牌数量、有助于引导模型的温度参数以及要生成

基础模型由斯坦福大学的研究人员于 2018 年推出，极大地改变了人工智能系统的构建。它们不同于特定任务模型，而是转向在大量数据基础上训练的更广泛、适应性更强的模型。这些模型可以在机器翻译和问题解答等各种自然语言任务中表现出色，因为它们可以从大量文本和代码数据集中学习通用语言表征。如下图 2.2 所示，这些表征可以用来执行各种任务，甚至是它们没有经过明确训练的任务。用更专业的术语来说，基础模型利用成