机器人go-cqhttp机器chatgpt
软件测试/人工智能|测试报告很难写，ChatGPT来帮你
简介 除了测试计划和测试方案，测试报告是另外一个令人头大的文档，但是我们又必须要写这个文档，所以我们还是得硬着头皮上，但是有了ChatGPT之后，写测试报告也变得简单了。本文就来向大家介绍如何使用ChatGPT来写测试报告。 什么是测试报告？ 测试报告的主要目的是提供与测试结果相关的数据信息，以便项 ......
软件测试/人工智能|如何使用ChatGPT写出满意的测试方案
简介 上文我们介绍了如何使用ChatGPT写一份漂亮的测试计划，那么有了测试计划之后，我们的测试方案自然也不能随便敷衍了事，我们要借助ChatGPT来帮我们写一份让大家都满意的测试方案。本文就来给大家介绍一下如何使用ChatGPT来输出一份测试方案。 什么是测试方案 测试方案是指描述需要被测产品的特 ......
软件测试/人工智能|教你如何用ChatGPT写一份漂亮的测试计划
简介 作为一个技术型的工程师，文案功力不一定很强，但是作为测试工程师，又不得不做一些文字的工作，比如我们需要编写测试计划，测试方案等，这对于我这样的人来说，确实是一个头疼的工作，但是如果能够借助ChatGPT来帮助我写测试计划的话，是不是就能方便很多了。本文就来介绍一下如何借助ChatGPT来帮助我 ......
文心一言 VS 讯飞星火 VS chatgpt （137）-- 算法导论11.3 3题
三、用go语言，考虑除法散列法的另一种版本，其中 h(k) = k mod m，m=$2^p-1$，k为按基数 $2^p$ 表示的字符串。试证明:如果串可由串 y 通过其自身的字符置换排列导出，则x和y具有相同的散列值。给出一个应用的例子，其中这一特性在散列函数中是不希望出现的。 文心一言： 这个问 ......
机器视觉选型计算器，初级版，后续慢慢补充
做机器视觉的都知道，每次选型都得做各种计算，但是没有人把硬件选型做出一个工具，今天利用一点闲暇时间，几分钟吧，简单做了个，后续再把其他一些硬件选型公式计算器功能做上去，有需要的自取。 1.DPI相关计算器 2.工作距离相关计算器 3.待补充，编码器等 4.关于 有需要自行下载：链接 ......
OpenAI ChatGPT 图片生成API
图像生成 了解如何使用 DALL·E 在 API 中。 想要在 ChatGPT 中生成图像？前往 chat.openai.com。 介绍 图像 API 提供了三种与图像交互的方法： 基于文本提示从头开始创建图像（DALL·E 3 和 DALL·E 2） 通过让模型根据新的文本提示替换预先存在的图像的 ......
软件测试/人工智能|利用ChatGPT进行项目需求分析
简介 在我们的开发和测试工作中，需求分析是必不可少的一个步骤，很多时候，我们可以拿到产品的PRD文档或者产品架构图原型图进行分析，为产品的功能实现保驾护航，为后续的优化提供建议。在需求分析的时候，我们也可以借助ChatGPT来帮我们进行需求分析，本文就来给大家介绍一下如何使用ChatGPT来进行需求 ......
软件测试/人工智能|一文告诉你ChatGPT原理与架构
简介 ChatGPT是今年最火的互联网应用，ChatGPT给我们的工作和生活带来了巨大便利，帮我们写文案，帮我们写代码等，但是当我们在于ChatGPT对话时，我们是否有想过，这么强大的一个工具，它背后的技术原理是什么？它的技术架构是怎样的？本文就告诉大家ChatGPT的原理与架构。 ChatGPT的 ......
机器学习——Transformer
10.6.2节中比较了卷积神经网络（CNN）、循环神经网络（RNN）和自注意力（self-attention）。值得注意的是，自注意力同时具有并行计算和最短的最大路径长度这两个优势。因此，使用自注意力来设计深度架构是很有吸引力的。对比之前仍然依赖循环神经网络实现输入表示的自注意力模型 (Cheng ......
机器学习——自注意力与位置编码
在深度学习中，经常使用卷积神经网络（CNN）或循环神经网络（RNN）对序列进行编码。 想象一下，有了注意力机制之后，我们将词元序列输入注意力池化中， 以便同一组词元同时充当查询、键和值。 具体来说，每个查询都会关注所有的键－值对并生成一个注意力输出。 由于查询、键和值来自同一组输入，因此被称为 自注 ......
机器学习——多头注意力
在实践中，当给定相同的查询、键和值的集合时， 我们希望模型可以基于相同的注意力机制学习到不同的行为， 然后将不同的行为作为知识组合起来， 捕获序列内各种范围的依赖关系 （例如，短距离依赖和长距离依赖关系）。 因此，允许注意力机制组合使用查询、键和值的不同 子空间表示（representation s ......
DCMTK3.6.5编译说明(ChatGPT翻译)
DICOM工具包（DCMTK）安装 先决条件 DICOM工具包（DCMTK）需要使用C++编译器进行编译。我们建议使用GNU C++编译器的版本高于4.2.1（在此版本的开发中，大部分工作是在Debian Linux上使用GNU C++ 6.3.0完成的）。该软件也已知可以使用SUNPro C++编 ......
ChatGPT的训练费用以及成功原因
参考： https://baijiahao.baidu.com/s?id=1772914234034992726&wfr=spider&for=pc 关于ChatGPT的成功原因，引用中的回答： 益于ChatGPT商业和营销方面的成功，能够瞬间让人们目睹了大模型的可落地性，而不是继续隐匿在漫长的技术 ......
文心一言 VS 讯飞星火 VS chatgpt （136）-- 算法导论11.3 2题
二、用go语言，假设将一个长度为r的字符串散列到m 个槽中，并将其视为一个以 128 为基数的数，要求应用除法散列法。我们可以很容易地把数 m 表示为一个 32 位的机器字，但对长度为r的字符串，由于它被当做以 128 为基数的数来处理，就要占用若干个机器字。假设应用除法散列法来计算一个字符串的散列 ......
python---通过钉钉机器人发送禅道缺陷标题
前言 目前大多数公司都是使用禅道，jira这些来管理缺陷，研发和测试每天站会或者周会都想知道昨天或者这周一共解决了多少个缺陷，如果每天都通过禅道上去查看可能有点麻烦且不方便，今天小编介绍一种方法，我们可以通过办公软件钉钉或者企业微信通过项目群中进行添加机器人，每天自动发送到群里，供大家参考查看。 钉 ......
机器学习——Bahdanau 注意力
9.7节中探讨了机器翻译问题： 通过设计一个基于两个循环神经网络的编码器-解码器架构， 用于序列到序列学习。 具体来说，循环神经网络编码器将长度可变的序列转换为固定形状的上下文变量， 然后循环神经网络解码器根据生成的词元和上下文变量 按词元生成输出（目标）序列词元。 然而，即使并非所有输入（源）词元 ......
机器学习——注意力评分函数
10.2节使用了高斯核来对查询和键之间的关系建模。 (10.2.6)中的 高斯核指数部分可以视为注意力评分函数（attention scoring function）， 简称评分函数（scoring function）， 然后把这个函数的输出结果输入到softmax函数中进行运算。 通过上述步骤，将 ......
机器学习——注意力汇聚：Nadaraya-Watson 核回归
上节介绍了框架下的注意力机制的主要成分 图10.1.3： 查询（自主提示）和键（非自主提示）之间的交互形成了注意力汇聚； 注意力汇聚有选择地聚合了值（感官输入）以生成最终的输出。 本节将介绍注意力汇聚的更多细节， 以便从宏观上了解注意力机制在实践中的运作方式。 具体来说，1964年提出的Nadara ......
机器学习-小样本情况下如何机器学习
交叉验证是在机器学习建立模型和验证模型参数时常用的办法。交叉验证，顾名思义，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓 ......
机器学习——注意力提示
查询、键和值 自主性的与非自主性的注意力提示解释了人类的注意力的方式， 下面来看看如何通过这两种注意力提示， 用神经网络来设计注意力机制的框架， 首先，考虑一个相对简单的状况， 即只使用非自主性提示。 要想将选择偏向于感官输入， 则可以简单地使用参数化的全连接层， 甚至是非参数化的最大汇聚层或平均汇 ......
使用ChatGPT时的信息安全问题
ChatGPT由于其在对话方面的AI性能的卓越表现已经远远超越了同类的产品，因此赢得了国际科研领域的极大重视，并且也得到了广大用户的支持，但是在人们尽情使用 ......
零基础机器学习数字识别MNIST（on going）
本人之前并未涉及机器学习，但是在嵌入式中都会涉及视觉，借校内比赛从零学习，进行MNIST数字识别模型的搭建。 随着学习进度更新，每天更新。2023-11-15 21:38:55 星期三 一、环境搭建 进行本模型的搭建，需要以下内容： Python环境：利用Anaconda管理 开源机器学习平台：Py ......
机器码备份_二
[yhzr]有意合作联系扣扣:1176769884$$$AA24C7BD5A0A8FE8E06E1FB53BBE8AD4:00|66|88_CF4DF748256261B751D029853C3DA5BC:00|01|02|03|04|10|11|12|13|14|20|21|22|23|24|30 ......
机器学习——束搜索、贪心搜索、穷举搜索
束搜索（Beam Search）、贪心搜索（Greedy Search）和穷举搜索（Exhaustive Search）是在搜索领域常用的三种搜索算法，它们在不同的场景下有着不同的特点和应用。 束搜索（Beam Search）： 束搜索是一种用于寻找最有可能的输出序列的搜索算法，常用于序列生成任务， ......
机器学习——序列到序列学习（seq2seq）
我们将使用两个循环神经网络的编码器和解码器， 并将其应用于序列到序列（sequence to sequence，seq2seq）类的学习任务。 编码器 由于这里使用的是门控循环单元， 所以在最后一个时间步的多层隐状态的形状是 （隐藏层的数量，批量大小，隐藏单元的数量）。 如果使用长短期记忆网络，st ......
机器学习中的分类和回归
机器学习中的分类和回归是两种主要的预测建模任务，它们分别处理不同类型的输出变量。 分类（Classification）： 定义： 分类是一种监督学习任务，其目标是将输入数据映射到预定义的类别中。在分类问题中，模型的输出是一个离散的类别标签。 例子： 例如，垃圾邮件过滤是一个二分类问题，其中模型需要将 ......
统计学强调低维空间问题的统计推导，机器学习强调高维预测问题
统计学和机器学习在处理数据和模型时的侧重点确实有一些区别，其中涉及到低维和高维空间的问题。 统计学强调低维空间问题的统计推导： 统计学通常关注的是从一组有限样本中获得总体特征的推断。在传统统计学中，数据通常被认为是在低维空间中采样的，即特征的数量相对较少。例如，在古典统计中，可能会考虑一些变量对某个 ......
微信机器人开发文档
请求URL： http://域名地址/acceptUser 请求方式： POST 请求头Headers： Content-Type：application/json Authorization：login接口返回 参数： 参数名必选类型说明 wId 是 string 登录实例标识 v1 是 stri ......
机器学习——编码器和解码器架构
正如我们在 9.5节中所讨论的， 机器翻译是序列转换模型的一个核心问题， 其输入和输出都是长度可变的序列。 为了处理这种类型的输入和输出， 我们可以设计一个包含两个主要组件的架构： 第一个组件是一个编码器（encoder）： 它接受一个长度可变的序列作为输入， 并将其转换为具有固定形状的编码状态。 ......
机器学习——机器翻译与数据集
语言模型是自然语言处理的关键， 而机器翻译是语言模型最成功的基准测试。 因为机器翻译正是将输入序列转换成输出序列的 序列转换模型（sequence transduction）的核心问题。 序列转换模型在各类现代人工智能应用中发挥着至关重要的作用。机器翻译（machine translation）指的 ......