正文

openAI圖片生成器

發(fā)布時間：2023-03-13 06:35:15 稿源：創(chuàng)意嶺閱讀： 74 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于openAI圖片生成器的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內(nèi)免費(fèi)在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

1、chatgpt聊天時都有過哪些高情商回答？
2、解決網(wǎng)頁出現(xiàn)error1020是怎么回事?有什么方法可以解決？
3、openai沒有免費(fèi)額度
4、如何評價(jià)NumPy的隨機(jī)生成器？

openAI圖片生成器

一、chatgpt聊天時都有過哪些高情商回答？

1. 把對方拉下水當(dāng)對方夸獎你的時候，如果你順著對方說，“沒有啦，還行吧?！保@樣的回答就很普通。這時候，你可以考慮把對方也拉下水。比如說，如果朋友夸你有氣質(zhì)。你可以這么回答，“對呀，都是被你熏陶的?！痹俦热纾笥芽淠阊酃夂?，你可以這么回答，“那當(dāng)然了，不然怎么交到像你這么優(yōu)秀的朋友?！比绻笥褤p你，“好久不見，你又胖了啊?！蹦憧梢赃@樣回答，“是呀，看你胖得都喘不上氣來了，我于心不忍，從你身上偷了點(diǎn)肥肉?！眱蓚€人交流的時候，如果一方不停發(fā)問，另一方只是順承地應(yīng)答。這樣的關(guān)系，更像是長輩對晚輩的問話，或者老師對學(xué)生的教育。兩個人實(shí)際上，是處于不平等的地位。對方是一個評判官，而你是一個被審訊者。為了扭轉(zhuǎn)這樣的局面，最好的方式，就是把對方拉下水。無論是夸獎還是互損，都是無傷大雅的玩笑話，這比一本正經(jīng)的聊天，更能加深兩人之間的感情。2. 曲解與夸張?jiān)诹奶斓臅r候，有時我們會陷入不利的局面。例如，一位男士和一位女士約會，女士說道，“你平時都是這么自戀嗎？”這時候，如果按照正常的思維，順著女士的話來解釋，“你誤會了，我不是這樣的?！蹦惺烤蜁萑氩焕谧约旱膶擂尉置?。這時候，他可以這樣回答，“哈哈，如果自戀可以當(dāng)飯吃，我能養(yǎng)活整個印度?！边@不僅顯示出自己的幽默，還終止了對自己不利的話題。再比如，朋友對你說，“你可真能吹牛皮”。你可以這么回答，“知道為什么天這么藍(lán)嗎？因?yàn)槲野褳踉贫即瞪⒘恕！毕襁@樣，故意夸大和扭曲對方的談話，既可以避免正面回答問題，還可以顯示出自己的高情商。3. 側(cè)面回答。如果對方的問題，你不想直接回答?；蛘撸瑹o論怎么回答，都會對自己不利的時候，你可以選擇側(cè)面回答。女士們經(jīng)常會問自己的男朋友一個無解的問題，“我和你媽都掉入水中，你先救誰。”這時候，無論男士選擇先救女朋友或者先救媽媽，都是錯。所以，最好的方式，是側(cè)面回答。例如，“你這么美，如果掉進(jìn)水里，無數(shù)男人會搶著去救，就算我想救你也輪不到我呀?！边@樣回答，是變著法子夸獎女朋友，她自然不會再為難你了。其實(shí)，在大多數(shù)情況下，別人問出你一個問題，并不關(guān)心你是否能夠給出正確答案。兩人聊天最重要的不是獲取信息，而是營造良好的氛圍。所以，高情商的聊天，并不是死氣沉沉的一問一答。你甚至都不用在意對方的問題是什么，只要給出合乎邏輯的，令人會心一笑的答案，就足夠了。

二、解決網(wǎng)頁出現(xiàn)error1020是怎么回事?有什么方法可以解決？

打開IE瀏覽器，然后點(diǎn)擊打開“工具”選項(xiàng)----Internet選項(xiàng)。

為什么在源文件看不到任何圖片？網(wǎng)頁文件中存放的只是圖片的鏈接位置，而圖片文件與網(wǎng)頁文件是互相獨(dú)立存放的，甚至可以不在同一臺計(jì)算機(jī)上。

openAI圖片生成器

在網(wǎng)頁上點(diǎn)擊鼠標(biāo)右鍵，選擇菜單中的 “查看源文件” ，就可以通過記事本看到網(wǎng)頁的實(shí)際內(nèi)容?？梢钥吹骄W(wǎng)頁實(shí)際上只是一個純文本文件。

它通過各式各樣的標(biāo)記對頁面上的文字、圖片、表格、聲音等元素進(jìn)行描述（例如字體、顏色、大小），而瀏覽器則對這些標(biāo)記進(jìn)行解釋并生成頁面，于是就得到你現(xiàn)在所看到的畫面。

三、openai沒有免費(fèi)額度

有。openai經(jīng)使用規(guī)則查詢可知，是只有18元的免費(fèi)額度的。OpenAI是全球最著名的人工智能研究機(jī)構(gòu)，發(fā)布了許多著名的人工智能技術(shù)和成果，如大語言模型GPT系列、文本生成圖片預(yù)訓(xùn)練模型DALLE系列。

四、如何評價(jià)NumPy的隨機(jī)生成器？

明敏發(fā)自凹非寺

量子位報(bào)道 | 公眾號 QbitAI

到底是怎樣的一個bug，能讓95%的Pytorch庫中招，就連特斯拉AI總監(jiān)深受困擾？

還別說，這個bug雖小，但有夠“狡猾”的。

這就是最近Reddit上熱議的一個話題，是一位網(wǎng)友在使用再平常不過的Pytorch+Numpy組合時發(fā)現(xiàn)。

最主要的是，在代碼能夠跑通的情況下，它甚至還會影響模型的準(zhǔn)確率！

除此之外，網(wǎng)友熱議的另外一個點(diǎn)，竟然是：

而是它到底算不算一個bug？

這究竟是怎么一回事？

事情的起因是一位網(wǎng)友發(fā)現(xiàn)，在PyTorch中用NumPy來生成隨機(jī)數(shù)時，受到數(shù)據(jù)預(yù)處理的限制，會多進(jìn)程并行加載數(shù)據(jù)，但最后每個進(jìn)程返回的隨機(jī)數(shù)卻是相同的。

他還舉出例子證實(shí)了自己的說法。

如下是一個示例數(shù)據(jù)集，它會返回三個元素的隨機(jī)向量。這里采用的批量大小分別為2，工作進(jìn)程為4個。

然后神奇的事情發(fā)生了：每個進(jìn)程返回的隨機(jī)數(shù)都是一樣的。

這個結(jié)果會著實(shí)讓人有點(diǎn)一頭霧水，就好像數(shù)學(xué)應(yīng)用題求小明走一段路程需要花費(fèi)多少時間，而你卻算出來了負(fù)數(shù)。

發(fā)現(xiàn)了問題后，這位網(wǎng)友還在GitHub上下載了超過10萬個PyTorch庫，用同樣的方法產(chǎn)生隨機(jī)數(shù)。

結(jié)果更加令人震驚：居然有超過95%的庫都受到這個問題的困擾！

這其中不乏PyTorch的官方教程和OpenAI的代碼，連特斯拉AI總監(jiān)Karpathy也承認(rèn)自己“被坑過”！

但有一說一，這個bug想要解決也不難：只需要在每個epoch都重新設(shè)置seed，或者用python內(nèi)置的隨機(jī)數(shù)生成器就可以避免這個問題。

到底是不是bug？

如果這個問題已經(jīng)可以解決，為什么還會引起如此大的討論呢？

因?yàn)榫W(wǎng)友們的重點(diǎn)已經(jīng)上升到了“哲學(xué)”層面：

這到底是不是一個bug？

在Reddit上有人認(rèn)為：這不是一個bug。

雖然這個問題非常常見，但它并不算是一個bug，而是一個在調(diào)試時不可以忽略的點(diǎn)。

就是這個觀點(diǎn)，激起了千層浪花，許多人都認(rèn)為他忽略了問題的關(guān)鍵所在。

這不是產(chǎn)生偽隨機(jī)數(shù)的問題，也不是numpy的問題，問題的核心是在于PyTorch中的DataLoader的實(shí)現(xiàn)

對于包含隨機(jī)轉(zhuǎn)換的數(shù)據(jù)加載pipeline，這意味著每個worker都將選擇“相同”的轉(zhuǎn)換。而現(xiàn)在NN中的許多數(shù)據(jù)加載pipeline，都使用某種類型的隨機(jī)轉(zhuǎn)換來進(jìn)行數(shù)據(jù)增強(qiáng)，所以不重新初始化可能是一個預(yù)設(shè)。

另一位網(wǎng)友也表示這個bug其實(shí)是在預(yù)設(shè)程序下運(yùn)行才出現(xiàn)的，應(yīng)該向更多用戶指出來。

并且95%以上的Pytorch庫受此困擾，也絕不是危言聳聽。

有人就分享出了自己此前的慘痛經(jīng)歷：

我認(rèn)識到這一點(diǎn)是之前跑了許多進(jìn)程來創(chuàng)建數(shù)據(jù)集時，然而發(fā)現(xiàn)其中一半的數(shù)據(jù)是重復(fù)的，之后花了很長的時間才發(fā)現(xiàn)哪里出了問題。

也有用戶補(bǔ)充說，如果 95% 以上的用戶使用時出現(xiàn)錯誤，那么代碼就是錯的。

順便一提，這提供了Karpathy定律的另一個例子：即使你搞砸了一些非?；敬a，“neural nets want to work”。

你有踩過PyTorch的坑嗎？

如上的bug并不是偶然，隨著用PyTorch的人越來越多，被發(fā)現(xiàn)的bug也就越來越多，某乎上還有PyTorch的坑之總結(jié)，被瀏覽量高達(dá)49w。

其中從向量、函數(shù)到model.train()，無論是真bug還是自己出了bug，大家的血淚史還真的是各有千秋。

所以，關(guān)于PyTorch你可以分享的經(jīng)驗(yàn)血淚史嗎？

歡迎評論區(qū)留言討論～

參考鏈接：