【AIGC调研系列】大型语言模型如何减少幻觉生成

在解读大型语言模型(LLMs)中的长格式事实性问题时,我们首先需要认识到这些模型在生成内容时可能会产生与既定事实不一致的情况,这种情况通常被称为“幻觉”[2][3]。这种现象不仅可能导致信息的误传,还可能对社会造成误导和伤害[3]。因此,提高LLMs的事实性成为了一个重要的研究方向。

为了提高LLMs的事实性,研究人员提出了多种方法。一种方法是通过对模型进行微调,使其更加注重事实性,而无需人工标注[2]。另一种方法是通过对比不同层的输出来减少幻觉的生成,这种方法不需要依赖外部知识或额外的微调[13]。此外,还有研究通过构建知识图谱来系统评估LLMs的事实知识,以发现模型在特定领域内的表现[12]。

然而,尽管有这些努力,LLMs在事实性方面的表现仍然存在局限性。例如,一些研究表明,即使是在开放域问答等知识密集型任务中,LLMs生成的知识的事实性并不总是能够显著阻碍下游任务的进行[8]。此外,尽管检索增强可以提高LLMs对知识边界的认知能力,但它们仍然倾向于过度依赖提供的检索结果[20]。

值得注意的是,LLMs在处理中文事实验证和整个事实核查流程时面临挑战,这主要是由于语言不一致性和幻觉的存在[15]。此外,尽管LLMs在帮助人类验证信息的真实性方面表现出色,但当它们提供错误的解释时,用户可能会过度依赖这些模型[18]。

总的来说,虽然LLMs在处理自然语言处理任务方面取得了显著的进步,但在提高其事实性方面仍面临许多挑战。未来的研究需要进一步探索如何有效地减少幻觉的生成,提高模型在特定领域内的事实性,并解决语言不一致性带来的挑战。同时,也需要开发更有效的工具和方法来评估和改进LLMs的事实性表现。

如何通过微调大型语言模型来提高其事实性?

通过微调大型语言模型(LLMs)来提高其事实性,主要涉及到优化算法的选择、参数更新策略、以及特定任务的适应性调整。以下是基于我搜索到的资料,对如何通过微调大型语言模型来提高其事实性的详细分析:

  1. 选择合适的优化算法:Adam算法是一种基于自适应估计的梯度下降优化方法,适用于大规模数据和/或参数问题[31]。它对于非平稳目标和具有非常嘈杂和/或稀疏梯度的问题也表现良好。因此,在微调大型语言模型时,可以考虑使用Adam算法作为优化器,以提高训练效率和模型性能。
  2. 采用Child-Tuning技术:Child-Tuning是一种有效的微调技术,它通过在反向传播过程中策略性地遮蔽非子网络的梯度来更新大型预训练模型的一部分参数(称为子网络)[32]。这种方法在GLUE基准测试的不同下游任务上表现出色,平均分数提高了1.5到8.6分,显示出比传统微调技术更好的泛化性能。
  3. 探索参数高效的微调(PEFT):由于大型语言模型的参数需求和计算需求较高,参数高效的微调(PEFT)成为了一个重要的研究方向[33]。这包括开发新的高效PEFT架构、探索PEFT在不同学习设置下的应用、将PEFT与模型压缩技术结合使用,以及研究多模态LLMs的PEFT。
  4. 多任务序列微调:在解决数学问题的任务中,采用多任务序列微调策略,即同时进行解决方案生成和评估任务的微调,可以有效提升模型性能[35]。这种方法不仅提高了模型在特定任务上的表现,还增强了模型的整体泛化能力。
  5. 模型编辑技术的应用:为了维持大型语言模型的相关性和纠正错误,模型编辑技术提供了一种高效改变LLMs行为的方法,而不负面影响其他输入的表现[36]。这些技术可以帮助我们在特定领域内调整模型的行为,从而提高其事实性。

通过选择合适的优化算法、采用Child-Tuning等高效的微调技术、探索参数高效的微调方法、实施多任务序列微调策略,以及应用模型编辑技术,可以有效地提高大型语言模型的事实性。这些方法不仅可以提高模型在特定任务上的表现,还可以增强模型的泛化能力和适应性。

大型语言模型在减少幻觉生成方面的最新研究进展是什么?

大型语言模型(LLMs)在减少幻觉生成方面的最新研究进展主要集中在以下几个方面:

  1. 检测与解释:研究者们提出了多种方法来检测和解释LLMs中的幻觉现象。例如,一项研究提出了一个名为Chain-of-Verification (CoVe) 的方法,通过让模型先草拟一个初始响应,然后计划验证问题以事实核查其草案,接着独立回答这些问题以确保答案不受其他响应的偏见影响,最后生成最终经过验证的响应,从而减少了幻觉的发生[38]。另一项研究则专注于自相矛盾的幻觉现象,提出了一种新颖的提示式框架,旨在有效检测和减轻自相矛盾的内容,同时保持文本的流畅性和信息性[39]。
  2. 多模态幻觉检测:针对大型视觉语言模型(LVLMs),研究者们开发了M-HalDetect数据集,这是一个用于训练和基准测试模型以检测和预防幻觉的多模态幻觉检测数据集。通过优化InstructBLIP模型并训练细粒度的多模态奖励模型,研究发现这些方法能够显著降低幻觉率[40]。
  3. 无监督学习方法:PURR模型利用大型语言模型引入噪声的能力,并随后微调紧凑编辑器以通过整合我搜索到的资料来去噪这些噪声,这种方法完全基于无监督学习,为任何领域的训练提供了伪幻觉数据[44]。
  4. 知识注入与教师-学生方法:为了减少低参数开源LLMs中的幻觉,研究者探索了知识注入和教师-学生方法等技术。HaloCheck是一个轻量级的黑盒知识自由框架,用于量化LLMs中幻觉的严重程度,并展示了这些技术在挑战性领域中减少幻觉的有效性[45]。
  5. 自我反思方法:在医疗生成问答系统中,研究者提出了一种交互式自我反思方法,通过知识获取和答案生成的反馈过程,逐步提高生成答案的事实性、一致性和蕴含性。这种方法在自动和人工评估中都显示出比基线更好的幻觉减少效果[46]。
  6. 训练自由的方法:Woodpecker方法提供了一种无需重新训练模型即可纠正幻觉的新途径。它包括关键概念提取、问题制定、视觉知识验证、视觉声明生成和幻觉纠正五个阶段,能够在不同的多模态大型语言模型(MLLMs)中轻松应用[43]。

这些研究进展表明,减少LLMs中的幻觉生成是一个多方面、跨学科的研究领域,涉及从检测和解释到无监督学习方法,再到知识注入和自我反思等多种技术和策略。未来的研究可能会继续探索新的方法和技术,以进一步提高LLMs在实际应用中的可靠性和准确性。

构建知识图谱如何帮助评估大型语言模型的事实知识?

构建知识图谱(Knowledge Graph, KG)对于评估大型语言模型(Large Language Models, LLMs)的事实知识具有重要意义。以下是基于我搜索到的资料,详细解释如何通过知识图谱帮助评估大型语言模型的事实知识。

  1. 增强事实推理能力:大型语言模型虽然在处理自然语言方面表现出色,但在回忆事实和生成基于知识的内容方面存在困难[52]。知识图谱作为一种结构化的知识表示形式,能够提供明确的事实知识,从而帮助LLMs提高其事实推理能力。通过将知识图谱融入到预训练和推理阶段,或者用于增强LLMs所学习的知识的理解,可以有效地提升LLMs在处理需要事实支持的任务时的表现[51]。
  2. 提高生成文本的事实准确性:知识图谱能够为LLMs提供外部知识,用于推断和解释性增强[51]。这意味着LLMs在生成文本时,能够更加准确地反映事实知识,减少错误信息的产生。例如,通过结合知识图谱,可以开发出知识图谱增强的大型语言模型(KGLLMs),这些模型能够在生成文本时更好地利用事实知识,从而提高文本的事实准确性[52]。
  3. 促进双向推理:知识图谱和大型语言模型的结合不仅能够增强LLMs的事实推理能力,还能够促进两者之间的双向推理。这种双向推理是通过数据和知识共同驱动的,旨在同时增强LLMs和KGs的能力[51]。这种协同作用有助于发现新的事实和表示未见过的知识,进一步提升了LLMs在处理复杂查询和任务时的能力。
  4. 自动构建和扩展知识图谱:大型语言模型的发展为自动构建和扩展知识图谱提供了新的可能性。通过使用先进的LLM模型,可以从非结构化文本中自动创建知识图谱,这不仅可以提高从非结构化文本创建这些图谱的准确性,还可以探索使用基础LLM模型进行自动本体论创建的可能性,从而产生更相关和准确的知识图谱[53]。
  5. 支持零样本迁移学习:知识图谱的引入还可以支持LLMs的零样本迁移学习。通过预训练任务预测哪些标题与哪些图像相匹配,可以有效地从头开始学习图像表示,并实现零样本迁移到下游任务[48]。这种方法展示了直接从原始文本中学习的强大潜力,而知识图谱可以进一步增强这一过程,使LLMs能够在没有特定训练数据的情况下,也能有效地处理各种任务。

构建知识图谱对于评估和提升大型语言模型的事实知识具有重要作用。通过结合知识图谱和大型语言模型的优势,可以显著提高模型的事实推理能力、生成文本的事实准确性以及处理复杂查询和任务的能力。此外,知识图谱的自动构建和扩展能力也为LLMs的发展提供了新的方向。

在处理中文事实验证时,大型语言模型面临哪些具体挑战?

在处理中文事实验证时,大型语言模型(LLMs)面临的具体挑战主要包括以下几个方面:

  1. 语言的复杂性和多样性:语言本质上是一个由语法规则管辖的人类表达系统的复杂、精细体系[56]。这意味着,对于任何特定的语言,包括中文,理解其语法结构、词汇用法以及文化背景等都是一个巨大的挑战。尽管大型语言模型通过预训练Transformer模型在大规模语料库上展现出强大的能力[56],但这些模型仍然需要不断地调整和优化以适应中文这一特定语言的复杂性。
  2. 数据标注的稀缺性:虽然存在大量的未标记文本语料库,但用于学习特定任务的标记数据却非常稀缺[57]。这对于基于判别式训练的模型来说是一个重大挑战,因为它们依赖于大量标注数据来提高性能。对于中文事实验证这类任务,缺乏足够的标注数据可能会限制模型的学习效果。
  3. 模型规模与性能的关系:研究表明,模型规模的增加可以带来性能的显著提升[56]。然而,当参数规模超过一定水平时,这些扩大的语言模型不仅实现了显著的性能改进,还展示了一些小规模模型所不具备的特殊能力。这表明,在处理中文事实验证时,选择合适的模型规模是一个重要的考虑因素,同时也需要考虑到如何有效利用这些大模型的能力。
  4. 评估方法的多样性:随着大型语言模型在学术界和工业界的日益普及,它们的评估变得越来越重要,不仅在任务级别上,而且在社会层面上也非常重要,以便更好地理解它们潜在的风险[59]。这意味着,评估大型语言模型在处理中文事实验证时的表现需要采用多种方法和基准测试,这增加了评估的复杂性和难度。
  5. 技术能力和局限性的认识:尽管大型语言模型如GPT-3已经取得了显著的技术进步[58],但它们的技术能力和局限性仍然是研究者和开发者需要深入探讨的问题。特别是在处理中文这样的语言时,模型可能无法完全理解和生成符合人类预期的内容,这要求开发者在设计和部署这些模型时必须有清晰的认识和适当的限制措施。

大型语言模型在处理中文事实验证时面临的挑战包括但不限于语言的复杂性、数据标注的稀缺性、模型规模与性能的关系、评估方法的多样性以及对技术能力和局限性的认识。这些挑战要求研究人员和开发者不断探索和创新,以提高模型的性能和可靠性。

如何开发有效的工具和方法来改进大型语言模型的事实性表现?

开发有效的工具和方法来改进大型语言模型(LLMs)的事实性表现,需要综合考虑多种策略和技术。以下是基于我搜索到的资料,提出的一些关键步骤和建议:

  1. 利用预训练数据中的隐含知识:根据[60]的研究,大型语言模型能够从预训练数据中学习到常识和事实知识。因此,可以通过进一步优化这些模型的预训练过程,使其更好地理解和存储事实信息。例如,可以增加专门用于事实验证的数据集到预训练阶段,或者调整模型结构以提高对事实信息的敏感度。
  2. 开发专门的事实评估工具:如[61]所述,FACTOR框架通过自动转换事实语料库来创建基准测试,这有助于评估语言模型在特定领域生成事实信息的能力。这种方法可以扩展到其他领域,为每个领域定制专门的评估工具,以确保模型在不同领域的事实性表现得到充分验证。
  3. 引入工具交互式批判反馈机制:根据[62]的研究,CRITIC框架允许LLMs通过与外部工具交互来验证和修正其输出。这种自我修正机制可以显著提高模型的事实性表现。因此,开发能够与各种外部工具(如搜索引擎、代码解释器等)有效交互的LLM系统是提高事实性表现的一个重要方向。
  4. 采用模糊规则和遗传算法优化语言模型:如[63]所提出的,通过允许语言规则有两个后继,并采用模糊规则和遗传算法来设计和选择语言模型,可以提高模型的准确性和可解释性。这种方法可能对于处理复杂和不明确的事实情况特别有用,因为它提供了一种灵活的方式来处理不确定性。
  5. 增强模型的检索能力:根据[61]的发现,当LLM被增强检索功能时,其基准得分会提高。这表明,通过集成更先进的检索技术,可以帮助模型更好地访问和利用外部知识库,从而提高其在特定领域内的事实性表现。
  6. 持续监控和更新模型:鉴于LLMs可能会随着时间而过时或产生错误的信息,建立一个持续监控和定期更新模型的机制是非常重要的。这包括定期重新训练模型、更新其知识库以及调整其参数以适应新的信息和挑战。

通过结合上述策略和技术,可以有效地开发出能够改进大型语言模型事实性表现的工具和方法。这不仅需要技术创新,还需要跨学科的合作,包括计算机科学、人工智能、语言学和社会科学等领域。

参考文献

1. Cunxiang Wang, Xiaoze Liu et al. “Survey on Factuality in Large Language Models: Knowledge, Retrieval and Domain-Specificity.” arXiv.org (2023).

2. Katherine Tian, Eric Mitchell et al. “Fine-tuning Language Models for Factuality.” arXiv.org (2023).

3. Isabelle Augenstein, Timothy Baldwin et al. “Factuality Challenges in the Era of Large Language Models.” arXiv.org (2023).

4. Ashish Vaswani, Noam M. Shazeer et al. “Attention is All you Need.” Neural Information Processing Systems(2017).

5. Xuming Hu, Junzhe Chen et al. “Do Large Language Models Know about Facts?.” arXiv.org (2023).

6. Shiqi Chen, Siyang Gao et al. “Evaluating Factual Consistency of Summaries with Large Language Models.” arXiv.org (2023).

7. Shiqi Chen, Yiran Zhao et al. “FELM: Benchmarking Factuality Evaluation of Large Language Models.” arXiv.org (2023).

8. Liang Chen, Yang Deng et al. “Beyond Factuality: A Comprehensive Evaluation of Large Language Models as Knowledge Generators.” Conference on Empirical Methods in Natural Language Processing (2023).

9. Jacob Devlin, Ming-Wei Chang et al. “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding.” North American Chapter of the Association for Computational Linguistics(2019).

10. Dorian Quelle and Alexandre Bovet. “The Perils & Promises of Fact-checking with Large Language Models.” arXiv.org (2023).

11. Pouya Pezeshkpour. “Measuring and Modifying Factual Knowledge in Large Language Models.” arXiv.org (2023).

12. Linhao Luo, Thuy-Trang Vu et al. “Systematic Assessment of Factual Knowledge in Large Language Models.” Conference on Empirical Methods in Natural Language Processing (2023).

13. Yung-Sung Chuang, Yujia Xie et al. “DoLa: Decoding by Contrasting Layers Improves Factuality in Large Language Models.” arXiv.org (2023).

14. Junyi Li, Jie Chen et al. “The Dawn After the Dark: An Empirical Study on Factuality Hallucination in Large Language Models.” arXiv.org (2024).

15. Han Cao, Lingwei Wei et al. “Are Large Language Models Good Fact Checkers: A Preliminary Study.” arXiv.org (2023).

16. I. Muneeswaran, Shreya Saxena et al. “Minimizing Factual Inconsistency and Hallucination in Large Language Models.” arXiv.org (2023).

17. Wenxuan Wang, Juluan Shi et al. “The Earth is Flat? Unveiling Factual Errors in Large Language Models.” arXiv.org (2024).

18. Chenglei Si, Navita Goyal et al. “Large Language Models Help Humans Verify Truthfulness - Except When They Are Convincingly Wrong.” arXiv.org (2023).

19. Nicola De Cao, Wilker Aziz et al. “Editing Factual Knowledge in Language Models.” Conference on Empirical Methods in Natural Language Processing (2021).

20. Ruiyang Ren, Yuhao Wang et al. “Investigating the Factual Knowledge Boundary of Large Language Models with Retrieval Augmentation.” arXiv.org (2023).

21. Nikhil Kandpal, H. Deng et al. “Large Language Models Struggle to Learn Long-Tail Knowledge.” International Conference on Machine Learning (2022).

22. Tom B. Brown, Benjamin Mann et al. “Language Models are Few-Shot Learners.” Neural Information Processing Systems(2020).

23. Weixuan Wang, B. Haddow et al. “Assessing the Reliability of Large Language Model Knowledge.” arXiv.org (2023).

24. Yinhan Liu, Myle Ott et al. “RoBERTa: A Robustly Optimized BERT Pretraining Approach.” arXiv.org(2019).

25. Chiwei Zhu, Benfeng Xu et al. “On the Calibration of Large Language Models and Alignment.” Conference on Empirical Methods in Natural Language Processing (2023).

26. Colin Raffel, Noam M. Shazeer et al. “Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer.” Journal of machine learning research(2019).

27. Ruochen Zhao, Shafiq R. Joty et al. “Explaining Language Models' Predictions with High-Impact Concepts.” arXiv.org (2023).

28. Chin-Yew Lin. “ROUGE: A Package for Automatic Evaluation of Summaries.” Annual Meeting of the Association for Computational Linguistics(2004).

29. M. Lewis, Yinhan Liu et al. “BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension.” Annual Meeting of the Association for Computational Linguistics(2019).

30. Pranav Rajpurkar, Jian Zhang et al. “SQuAD: 100,000+ Questions for Machine Comprehension of Text.” Conference on Empirical Methods in Natural Language Processing(2016).

31. Diederik P. Kingma, Jimmy Ba. “Adam: A Method for Stochastic Optimization.” International Conference on Learning Representations(2014).

32. Runxin Xu, Fuli Luo et al. “Raise a Child in Large Language Model: Towards Effective and Generalizable Fine-tuning.” Conference on Empirical Methods in Natural Language Processing (2021).

33. Chengyu Wang, Junbing Yan et al. “Towards Better Parameter-Efficient Fine-Tuning for Large Language Models: A Position Paper.” arXiv.org (2023).

34. Yu Wang. “On Finetuning Large Language Models.” Political Analysis (2023).

35. Yixin Liu, Avi Singh et al. “Improving Large Language Model Fine-tuning for Solving Math Problems.” arXiv.org (2023).

36. Yunzhi Yao, Peng Wang et al. “Editing Large Language Models: Problems, Methods, and Opportunities.” Conference on Empirical Methods in Natural Language Processing (2023).

37. Yue Zhang, Yafu Li et al. “Siren's Song in the AI Ocean: A Survey on Hallucination in Large Language Models.” arXiv.org (2023).

38. S. Dhuliawala, M. Komeili et al. “Chain-of-Verification Reduces Hallucination in Large Language Models.” arXiv.org (2023).

39. Niels Mündler, Jingxuan He et al. “Self-contradictory Hallucinations of Large Language Models: Evaluation, Detection and Mitigation.” arXiv.org (2023).

40. A. Gunjal, Jihan Yin et al. “Detecting and Preventing Hallucinations in Large Vision Language Models.” arXiv.org (2023).

41. Hongbin Ye, Tong Liu et al. “Cognitive Mirage: A Review of Hallucinations in Large Language Models.” arXiv.org (2023).

42. Lei Huang, Weijiang Yu et al. “A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions.” arXiv.org (2023).

43. Shukang Yin, Chaoyou Fu et al. “Woodpecker: Hallucination Correction for Multimodal Large Language Models.” arXiv.org (2023).

44. Anthony Chen, Panupong Pasupat et al. “PURR: Efficiently Editing Language Model Hallucinations by Denoising Language Model Corruptions.” arXiv.org (2023).

45. Mohamed S. Elaraby, Mengyin Lu et al. “Halo: Estimation and Reduction of Hallucinations in Open-Source Weak Large Language Models.” arXiv.org (2023).

46. Ziwei Ji, Tiezheng Yu et al. “Towards Mitigating Hallucination in Large Language Models via Self-Reflection.” arXiv.org (2023).

47. Matthew E. Peters, Mark Neumann et al. “Deep Contextualized Word Representations.” North American Chapter of the Association for Computational Linguistics(2018).

48. Alec Radford, Jong Wook Kim et al. “Learning Transferable Visual Models From Natural Language Supervision.” International Conference on Machine Learning(2021).

49. John Schulman, F. Wolski et al. “Proximal Policy Optimization Algorithms.” arXiv.org(2017).

50. Alec Radford, Jeff Wu et al. “Language Models are Unsupervised Multitask Learners.” (2019).

51. Shirui Pan, Linhao Luo et al. “Unifying Large Language Models and Knowledge Graphs: A Roadmap.” IEEE Transactions on Knowledge and Data Engineering (2023).

52. Lin F. Yang, Hongyang Chen et al. “ChatGPT is not Enough: Enhancing Large Language Models with Knowledge Graphs for Fact-aware Language Modeling.” arXiv.org (2023).

53. M. Trajanoska, Riste Stojanov et al. “Enhancing Knowledge Graph Construction Using Large Language Models.” arXiv.org (2023).

54. K. Papineni, Salim Roukos et al. “Bleu: a Method for Automatic Evaluation of Machine Translation.” Annual Meeting of the Association for Computational Linguistics(2002).

55. Xing Hao, Guigang Zhang et al. “Deep Learning.” International Journal of Semantic Computing(2016).

56. Wayne Xin Zhao, Kun Zhou et al. “A Survey of Large Language Models.” arXiv.org (2023).

57. Alec Radford, Karthik Narasimhan. “Improving Language Understanding by Generative Pre-Training.” (2018).

58. Alex Tamkin, Miles Brundage et al. “Understanding the Capabilities, Limitations, and Societal Impact of Large Language Models.” arXiv.org (2021).

59. Yu-Chu Chang, Xu Wang et al. “A Survey on Evaluation of Large Language Models.” ACM Transactions on Intelligent Systems and Technology (2023).

60. Nayeon Lee, Belinda Z. Li et al. “Language Models as Fact Checkers?.” FEVER (2020).

61. Dor Muhlgay, Ori Ram et al. “Generating Benchmarks for Factuality Evaluation of Language Models.” arXiv.org (2023).

62. Zhibin Gou, Zhihong Shao et al. “CRITIC: Large Language Models Can Self-Correct with Tool-Interactive Critiquing.” arXiv.org (2023).

63. O. Cordón and F. Herrera. “A proposal for improving the accuracy of linguistic modeling.” IEEE transactions on fuzzy systems (2000). 335-344.

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/3977.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

使用nssm把批处理(.bat)文件设置为Windows 服务

本文以canal为例 使用nssm把批处理(.bat)文件设置为Windows 服务 下载 nssm: 前往 nssm 官方网站 下载适用于系统的 nssm 工具。 安装 nssm: 将下载的 nssm 压缩文件解压缩到一个合适的位置,如 D:\nlc\6.Canal-1.1.5\nssm-2.24\win64\nss…

深度学习运算:CUDA 编程简介

一、说明 如今,当我们谈论深度学习时,通常会将其实现与利用 GPU 来提高性能联系起来。GPU(图形处理单元)最初设计用于加速图像、2D 和 3D 图形的渲染。然而,由于它们能够执行许多并行操作,因此它们的实用性…

kafka启动报错(kafka.common.InconsistentClusterIdException)

文章目录 前言kafka启动报错(kafka.common.InconsistentClusterIdException)1. 查找日志2. 定位问题/解决 前言 如果您觉得有用的话,记得给博主点个赞,评论,收藏一键三连啊,写作不易啊^ _ ^。   而且听说点赞的人每天的运气都不…

SpringCloud系列(17)--将服务消费者Consumer注册进Zookeeper

前言:在上一章节中我们把服务提供者Provider注册进了Zookeeper,而本章节则是关于如何将服务消费者Consumer注册进Zookeeper 1、再次创建一个服务提供者模块,命名为consumerzk-order80 (1)在父工程下新建模块 (2)选择模块的项目类型为Maven并…

稳态视觉诱发电位 (SSVEP) 分类学习系列 (4) :Temporal-Spatial Transformer

稳态视觉诱发电位分类学习系列:Temporal-Spatial Transformer 0. 引言1. 主要贡献2. 提出的方法2.1 解码的主要步骤2.2 网络的主要结构 3. 结果和讨论3.1 在两个数据集下的分类效果3.2 与基线模型的比较3.3 消融实验3.4 t-SNE 可视化 4. 总结欢迎来稿 论文地址:http…

【进阶六】Python实现SDVRPTW(需求拆分)常见求解算法——禁忌搜索+模拟退火算法(TS+SA)

基于python语言,采用经典禁忌搜索(TS)模拟退火(SA)对 带硬时间窗的需求拆分车辆路径规划问题(SDVRPTW) 进行求解。 目录 往期优质资源1. 适用场景2. 代码调整2.1 需求拆分2.2 需求拆分后的服务时…

EureKa技术解析:科技行业的革新风暴(ai写作)

首先,这篇文章是基于笔尖AI写作进行文章创作的,喜欢的宝子,也可以去体验下,解放双手,上班直接摸鱼~ 按照惯例,先介绍下这款笔尖AI写作,宝子也可以直接下滑跳过看正文~ 笔尖Ai写作:…

如何驱动消费者自我裂变,助力平台引流与卖货双重提升

大家好,我是微三云周丽 在浩瀚的商业海洋中,电商行业一直以其独特的魅力和无限的可能性吸引着众多创业者和投资者的目光。近年来,一种被誉为电商模式中的“神盘”——众筹卖货模式,正悄然崭露头角,以其独特的运作方式…

Docker 入门篇(二)-- Linux 环境离线安装

引言 docker 系列文章: Docker 入门篇(一)-- 简介与安装教程(Windows和Linux) 一、安装环境准备 centos :CentOS Linux release 7.6.1810 (Core)docker 版本:docker-26.1.0.tgz 官网下载地址…

【RAG 论文】Chain-of-Note:为 RAG 引入 CoT 让模型生成阅读笔记来提高面对噪音文档和未知场景的鲁棒性

论文:Chain-of-Note: Enhancing Robustness in Retrieval-Augmented Language Models ⭐⭐⭐ Tencent AI Lab, arXiv:2311.09210 文章目录 一、论文速读二、实现的细节2.1 Note Design2.2 Data Collection2.3 Model Training 三、实验结果3.1 QA Performance3.2 对 …

虚拟机VMware下ROS Neotic(Ubuntu 20.04)下安装OpenCV

一、ROS安装 ROS的官方安装步骤: 1、noetic / Ubuntu 20.04 : http://wiki.ros.org/noetic/Installation/Ubuntu 2、melodic / Ubuntu 18.04: http://wiki.ros.org/melodic/Installation/Ubuntu 3、kinetic / Ubuntu 16.04: http:…

第三节课,后端登录【1】.2--本人

一、视频链接 网址: 后端用户脱敏和session-CSDN直播 二、代码开始 2.1 新建一个request参数。完成用户登录态键 快捷建, 全局变量 代码: // 3.记录用户的登录态/*** 这段代码是Java Web开发中的一部分,用于在会话&#xff08…

【目标检测】FPN特征金字塔完整流程详解

学习视频:1.1.2 FPN结构详解 对比 可以看到FPN是自上而下、自下而上并且可以进行多尺度特征融合的的层级结构。 具体结构 1x1 conv: 对通道数进行调整,不同大小的特征图通道数不同,越高层次的特征图通道数越大,论文中使用256个1…

ChatGPT/GLM API使用

模型幻觉问题 在自然语言处理领域,幻觉(Hallucination)被定义为生成的内容与提供的源内容无关或不忠实,具体而言,是一种虚假的感知,但在表面上却似乎是真实的。产生背景 检索增强生成(RAG&…

线性神经网络示例

通过5个条件判定一件事情是否会发生,5个条件对这件事情是否发生的影响力不同,计算每个条件对这件事情发生的影响力多大,写一个线性神经网络模型pytorch程序,最后打印5个条件分别的影响力。 一 在这个场景中,一个线性神经网络&…

代码随想录算法训练营DAY32|C++贪心算法Part.2|122.买卖股票的最佳时机II、55.跳跃游戏、45.跳跃游戏II

文章目录 122.买卖股票的最佳时机II思路CPP代码 55.跳跃游戏思路CPP代码 45.跳跃游戏II思路方法一代码改善 CPP代码 122.买卖股票的最佳时机II 力扣题目链接 文章讲解:122.买卖股票的最佳时机II 视频讲解: 状态:本题可以用动态规划&#xff0…

boa交叉编译(移植到arm)

参考:CentOS7 boa服务器的搭建和配置-CSDN博客 以下操作在宿主机/编译平台操作: 1. 先执行[参考]1到3、 4.2、4.3、4.4、4.5 2. 修改MakeFile # 由以下: CC gcc CPP gcc -E # 改为: CC arm-linux-gnueabihf-gcc CPP arm-l…

【Flask】Flask中HTTP请求与接收

一、接收http请求与返回响应 在Flask中,可以通过app.route装饰器来定义路由函数。 app.route(/BringGoods,methods [POST, GET]) GET请求:使用request.args.get(key)或者request.values.get(key)来获取URL中的参数。 POST请求: 使用req…

SSH新功能揭秘:远程工作提升指南【AI写作】

首先,这篇文章是基于笔尖AI写作进行文章创作的,喜欢的宝子,也可以去体验下,解放双手,上班直接摸鱼~ 按照惯例,先介绍下这款笔尖AI写作,宝子也可以直接下滑跳过看正文~ 笔尖Ai写作:…

014_用vim复制粘贴_保持双手正位

[oeasy]python0014_用vim复制粘贴_保持双手正位 继续运行 🥊 回忆上次内容 程序员 还是 很可爱的 要关心 身边的程序员 啊 毕竟是新时代的 典型新职业 文明 主流职业 血型 渔猎采集文明 猎人 O 游牧文明 牧民 B 农业文明 农民 A 工业文明 工人 商…