读取视频VideoCapture可以捕获摄像头，用数字可以空中不同的设备，比如0和1视频文件直接指定位置就可以。

论文题目Training language models to follow instructions with human feedback，即训练语言模型，使得它们能够服从人类的一些指示。语言模型每次是给定一段东西，然后去预测下一个词，它是一个自监督模型，所以认为它是没有标号的。如果想让语言模型去解释某一个概念的话，就需要文本中出现过类似的东西，因此模型的行为取决于文本搜集的好坏。这样的问题在

GLM:https://arxiv.org/abs/2103.10360GLM130B: https://arxiv.org/abs/2210.02414 code: https://github.com/THUDM/GLM-130B/Code: https://github.com/THUDM/ChatGLM-6B相关博客参考（按优先级顺序）：https://blog.csdn.net/zsq_

参考视频：【BERT 论文逐段精读【论文精读】】 https://www.bilibili.com/video/BV1PL411M7eQ/?

LLaMA是一个系列模型，模型参数量从7B到65B。在大部分的任务上，LLaMA-13B强于GPT-3(175B)。LLaMA-65B的性能，可以和最好的LM相媲美，如Chinchilla-70B 和PaLM-540B。

量变引起质变，当规模达到一定程度的时候，产生了一种群体的现象，这种群体的现象再也不能从原来的个体现象推知，可能需要一个新的学科，或者一些新的定律来研究整体的系统。（说人话就是一开始模型学习翻译的，训练完之后，模型也学会了做完型填空……）总结：大模型出现涌现现象（Emergent Abilities）的本质是复杂系统在规模效应和高维表征能力的共同作用下，产生的非线性相变。小模型不具备，但是大模型拥有

所有参数=$$词向量维度 × (词表大小 + 窗口长度) +(4D^2 + 8D^2 + 5D)*注意力层数 $$，D为词向量维度代码计算看7、代码计算。(计算复杂度和宽度是平方关系，和层数是线性关系)

在学习朴素贝叶斯之前，我们必须要先掌握贝叶斯公式：这个公式乍一看，你肯定很懵逼，不过不用怕，我们来解释和分解下，你就懂了。朴素贝叶斯（Naive Bayes）算法 是一种基于贝叶斯定理的分类方法，广泛应用于文本分类（如垃圾邮件识别、情感分析等）和其他机器学习领域。特征与特征之间条件相互独立，即在给定类别的条件下，特征之间没有任何关系或依赖。公式数学推导略。

在学习朴素贝叶斯之前，我们必须要先掌握贝叶斯公式：这个公式乍一看，你肯定很懵逼，不过不用怕，我们来解释和分解下，你就懂了。朴素贝叶斯（Naive Bayes）算法 是一种基于贝叶斯定理的分类方法，广泛应用于文本分类（如垃圾邮件识别、情感分析等）和其他机器学习领域。特征与特征之间条件相互独立，即在给定类别的条件下，特征之间没有任何关系或依赖。公式数学推导略。