-
當(dāng)前位置:首頁 > 創(chuàng)意學(xué)院 > 技術(shù) > 專題列表 > 正文
gpt算法原理(gpit技術(shù))
大家好!今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于gpt算法原理的問題,以下是小編對(duì)此問題的歸納整理,讓我們一起來看看吧。
ChatGPT國(guó)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(duì)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:
一、基于UEFI-GPT的引導(dǎo)過程有沒有可能感染病毒,說明原因和可能的病毒原理
MBR不是使用UEFI,而是使用BIOS吧分區(qū)數(shù)量上,gpt好像可以支持無限個(gè)分區(qū),不過window上只認(rèn)128個(gè),而且gpt分區(qū)不分主分區(qū),邏輯分區(qū),可以理解為全部都是主分區(qū),就相當(dāng)于可以允許你一個(gè)分區(qū)一個(gè)系統(tǒng),128個(gè)系統(tǒng)了。而這是mbr做不到的,mbr最多只能有四個(gè)系統(tǒng),如果你想要多于四個(gè)的分區(qū),那還得犧牲掉可以裝一個(gè)系統(tǒng)的主分區(qū),即把它裝換為邏輯分區(qū)。安全性上,gpt會(huì)更安全,因?yàn)榉謪^(qū)表會(huì)備份,且加入校驗(yàn)算法,一旦被病毒感染或誤操作可以及時(shí)發(fā)現(xiàn),使用安全的備份的分區(qū)表補(bǔ)救。分區(qū)容量上,gpt可以識(shí)別出大于2T的硬盤,而mbr最大就2t容量這是我所記得的大概區(qū)別。對(duì)于uefi和BIOS來說,uefi支持模塊化開發(fā),這方便了廠商對(duì)固件的開發(fā)。安全性上,由于多了個(gè)專門的efi分區(qū),且在系統(tǒng)中不會(huì)顯示該分區(qū),一定程度上提高安全性。速度上,由于BIOS在啟動(dòng)的時(shí)候有硬件自檢,而這個(gè)功能交到了efi分區(qū)中實(shí)現(xiàn),所以相對(duì)來說,uefi的啟動(dòng)速度更快。
二、什么時(shí)候用gpt和mbr
gpt主要用于mac(蘋果),
MBR分區(qū)表與GPT分區(qū)表的關(guān)系
與支持最大卷為2 TB(Terabytes)并且每個(gè)磁盤最多有4個(gè)主分區(qū)(或3個(gè)主分區(qū),1個(gè)擴(kuò)展分區(qū)和無限制的邏輯驅(qū)動(dòng)器)的MBR磁盤分區(qū)的樣式相比,GPT磁盤分區(qū)樣式支持最大卷為18 EB(Exabytes)并且每磁盤的分區(qū)數(shù)沒有上限
三、論文筆記之GPT-GNN: Generative Pre-Training of Graph Neural Networks
文中指出訓(xùn)練GNN需要大量和任務(wù)對(duì)應(yīng)的標(biāo)注數(shù)據(jù),這在很多時(shí)候是難以獲取的。一種有效的方式是,在無標(biāo)簽數(shù)據(jù)上通過自監(jiān)督的方式預(yù)訓(xùn)練一個(gè)GNN,然后在下游任務(wù)上只需要少量的標(biāo)注數(shù)據(jù)進(jìn)行fine-tuning。
本文提出了GPT-GNN通過生成式預(yù)訓(xùn)練的方式來初始化GNN。GPT-GNN引入了一個(gè)自監(jiān)督的屬性圖生成任務(wù),來pre-training一個(gè)GNN,使其能夠捕捉圖上的結(jié)構(gòu)信息和節(jié)點(diǎn)屬性信息。
圖生成任務(wù)被分成了兩部分:①屬性生成。②邊生成。
pre-training的GNN要能夠捕捉input graph的結(jié)構(gòu)信息和節(jié)點(diǎn)屬性信息,使其能夠在相似領(lǐng)域的下游任務(wù)上通過少量label的fine-tuning就能達(dá)到很好的泛化效果。本文采用的方式是重構(gòu)輸入的屬性圖來對(duì)圖分布建模。
第一步,如上左圖所示,通過自監(jiān)督學(xué)習(xí)任務(wù)(節(jié)點(diǎn)屬性生成和邊生成)來預(yù)訓(xùn)練GNN。第二步,如上右圖所示,pre-training好的模型以及參數(shù)用于對(duì)下游任務(wù)的初始化,只需要在少部分標(biāo)注數(shù)據(jù)上做fine-tuning。
輸入G=(V,E,X),其中V表示頂點(diǎn)集,E表示邊集,X表示頂點(diǎn)屬性矩陣。
目標(biāo):pre-training一個(gè)GNN模型,使其能夠:1)捕捉圖中的結(jié)構(gòu)特征和屬性特征。2)能夠?qū)D的下游任務(wù)有幫助。
也就是對(duì)圖G=(V,E,X)不使用label學(xué)習(xí)一個(gè)可以泛化的GNN模型fθ。
GPT-GNN通過重構(gòu)/生成輸入圖的結(jié)構(gòu)信息和節(jié)點(diǎn)屬性信息來pre-training GNN。given 輸入圖G=(V,E,X)和GNN模型fθ,圖和GNN的likelihood定義為p(G,θ),通過最大化likelihood來預(yù)訓(xùn)練GNN,也就是
如何對(duì)p(G,θ)建模?
通過自回歸的方法分解目標(biāo)概率分布。
首先說明什么是自回歸
如上式所示,c為常數(shù)項(xiàng),є為隨機(jī)誤差,概括來說就是X的當(dāng)期值等于一個(gè)或數(shù)個(gè)前期值的線性組合加常數(shù)項(xiàng)加隨機(jī)誤差。
對(duì)于graph來說,自回歸方法概括為:nodes in the graph come in an order, and the edges are generated by connecting each new arriving node to existing nodes.
對(duì)于一個(gè)給定的order,通過自回歸的方式分解log likelihood,每次生成一個(gè)節(jié)點(diǎn)。
在step i,given 所有在前面步驟生成的節(jié)點(diǎn),包括節(jié)點(diǎn)屬性X<i和節(jié)點(diǎn)之間的邊E<i來生成新的節(jié)點(diǎn)i,包括節(jié)點(diǎn)屬性Xi和與現(xiàn)有節(jié)點(diǎn)的連接邊Ei.
如何對(duì)pθ(Xi,Ei|X<i,E<i)建模?
一種簡(jiǎn)單的方式是假設(shè)Xi和Ei是獨(dú)立的,也就是
然而,這種分解方式完全忽略了節(jié)點(diǎn)屬性和節(jié)點(diǎn)之間聯(lián)系(邊)之間的依賴關(guān)系。然而這種依賴關(guān)系是屬性圖和基于聚合鄰居節(jié)點(diǎn)信息的GNN的核心屬性。
因此,文中提出了一種分解方式,當(dāng)生成一個(gè)新的節(jié)點(diǎn)屬性時(shí),給出結(jié)構(gòu)信息,反之亦然。
從而整個(gè)生成過程可以分為兩部分:
1)given 觀測(cè)邊,生成節(jié)點(diǎn)屬性。
2)given 觀測(cè)邊和1)中生成的節(jié)點(diǎn)屬性,生成剩下的邊。
通過這種方式,模型能夠捕捉每個(gè)節(jié)點(diǎn)屬性和結(jié)構(gòu)之間的依賴關(guān)系。
定義變量o來表示Ei中觀測(cè)邊的index vector,即Ei,o表示已經(jīng)觀測(cè)到的邊。¬o表示masked邊(要生成邊)的index。
通過引入o,可以把前面的分布重寫為所有可能觀測(cè)邊的期望likelihood.
這里的理解非常重要,第一個(gè)等式中,把Ei拆成了Ei,¬o和Ei,o,也就是說指定了哪些邊是觀測(cè)邊,哪些邊是masked邊。需要注意的是,當(dāng)o確定下來以后,¬o也是確定的。因此等式外面加上了對(duì)o的累加,這里可以理解為類似于全概率公式去對(duì)所有可能的o求和。
此外,這里需要注意Ei,E<i,Ei,o,Ei,¬o四個(gè)符號(hào)分別表示的是什么?,F(xiàn)在位于step i,E<i是指在step i之前已經(jīng)生成的邊,Ei是指在step i將會(huì)生成的邊(與節(jié)點(diǎn)i相連,有好多條),之后再將Ei中的邊生成過程拆分成已經(jīng)生成和將要生成兩部分,即Ei,o和Ei,¬o。
下一個(gè)等式中,把第二個(gè)p看作概率分布,寫作對(duì)于o期望的形式。最后把Xi和Ei,¬o看作獨(dú)立的過程,拆成兩個(gè)概率分布。
這種分解的優(yōu)勢(shì)在于,沒有忽略Xi和Ei,o的聯(lián)系。第一項(xiàng)表示given觀測(cè)邊,聚合目標(biāo)節(jié)點(diǎn)i的鄰居信息來生成其屬性Xi.第二項(xiàng)表示given觀測(cè)邊和剛生成的屬性Xi,預(yù)測(cè)Ei,¬o中的邊是否存在。
如上圖所示,給出了一個(gè)例子。對(duì)于一個(gè)academic graph,我們要去生成一個(gè)paper node,它的屬性為title,并且其和author,publish venue,reference相連。上圖中的實(shí)線部分為已經(jīng)觀測(cè)到的邊,首先生成節(jié)點(diǎn)的屬性,即title。然后基于author1,author2,author3和剛生成的節(jié)點(diǎn)屬性title,預(yù)測(cè)剩下的邊,即虛線部分。
出于效率的考慮,希望:
1)對(duì)于輸入圖只跑一次GNN就能計(jì)算節(jié)點(diǎn)屬性生成和邊生成過程的loss。
2)希望節(jié)點(diǎn)屬性生成和邊生成能同時(shí)進(jìn)行。
然而,邊生成需要用到節(jié)點(diǎn)屬性信息,如果兩個(gè)生成過程同時(shí)進(jìn)行,會(huì)導(dǎo)致信息泄漏。
為了避免這個(gè)問題,將節(jié)點(diǎn)分為兩種類型:
•屬性生成節(jié)點(diǎn)。mask住這些節(jié)點(diǎn)的屬性,用一個(gè)共用的dummy token Xinit來代替,Xinit和Xi的維度是相同的,并且在pre-training的過程中學(xué)習(xí)到。
•邊生成節(jié)點(diǎn)。保持它們?cè)械膶傩浴?/p>
需要注意的是,同一個(gè)節(jié)點(diǎn)在不同階段扮演不同的角色,可能是屬性生成節(jié)點(diǎn)也可能是邊生成節(jié)點(diǎn)。只是在某一階段,一個(gè)節(jié)點(diǎn)有一個(gè)確定的角色。
在graph上訓(xùn)練GNN來生成各節(jié)點(diǎn)的embedding,用hAttr和hEdge來分別表示屬性生成節(jié)點(diǎn)和邊生成節(jié)點(diǎn)的embedding。由于屬性生成節(jié)點(diǎn)的屬性被mask住了,因此hAttr中包含的信息通常會(huì)少于hEdge。因此,在GNN的message passing過程中,只使用hEdge作為向其他節(jié)點(diǎn)發(fā)送的信息。也就是說,對(duì)于每個(gè)節(jié)點(diǎn),其聚合鄰居hEdge的信息和自身的信息來生成新的embedding。之后,對(duì)于節(jié)點(diǎn)的embedding,使用不同的decoder來生成節(jié)點(diǎn)屬性和邊。(注意,節(jié)點(diǎn)的embedding和節(jié)點(diǎn)屬性不是一回事。通俗理解,在GNN中節(jié)點(diǎn)的屬性是input,節(jié)點(diǎn)的embedding是hidden layer。)
對(duì)于屬性生成,用DecAttr來表示decoder,輸入hAttr來生成節(jié)點(diǎn)屬性。decoder的選擇依賴于節(jié)點(diǎn)屬性的類型,如果是text類型的節(jié)點(diǎn)屬性,可以使用LSTM等;如果節(jié)點(diǎn)屬性是vector,可以使用MLP。定義一個(gè)距離函數(shù)來度量生成屬性和真實(shí)屬性之間的差異,對(duì)于text類型屬性,可以使用perplexity,對(duì)于vector屬性,可以使用L2距離。由此,可以計(jì)算屬性生成過程中的loss
最小化生成屬性和真實(shí)屬性之間的差異,等價(jià)于對(duì)generate attributes做MLE,也就是最大化下式
從而捕捉了圖中的節(jié)點(diǎn)屬性信息。
對(duì)于邊生成過程,假設(shè)每條邊的生成過程和其他邊是獨(dú)立的,由此對(duì)likelihood進(jìn)行分解
得到hEdge后,如果節(jié)點(diǎn)i和節(jié)點(diǎn)j相連,則使用
進(jìn)行建模,DecEdge是一個(gè)pairwise score function。
loss定義為
Si-指的是沒有和節(jié)點(diǎn)i相連的節(jié)點(diǎn)。
最小化loss等價(jià)于對(duì)generate edges做MLE,從而捕捉了圖中的結(jié)構(gòu)信息。
上圖給出了屬性圖生成過程的一個(gè)具體例子。
a)對(duì)于input graph確定permutation order π。
b)隨機(jī)挑選一部分與節(jié)點(diǎn)i相連的邊作為observed edges Ei,o,剩下的邊作為masked edges Ei,¬o,并且刪除masked edges。
c)把節(jié)點(diǎn)分為屬性生成節(jié)點(diǎn)和邊生成節(jié)點(diǎn)。
d)計(jì)算節(jié)點(diǎn)3,4,5的embedding,包括它們的屬性生成節(jié)點(diǎn)和邊生成節(jié)點(diǎn)。
(d)-(e)通過對(duì)于每個(gè)節(jié)點(diǎn)并行進(jìn)行節(jié)點(diǎn)屬性預(yù)測(cè)和masked邊預(yù)測(cè)來訓(xùn)練一個(gè)GNN模型。
完整的算法流程如下所示。
對(duì)于上圖的算法流程進(jìn)行詳細(xì)的說明。
輸入一個(gè)屬性圖,每次采樣一個(gè)子圖G~作為訓(xùn)練的實(shí)例進(jìn)行訓(xùn)練。首先決定permutation order π。同時(shí),我們希望能夠并行化訓(xùn)練,只做一次前向傳播,就能得到整個(gè)圖的embedding,由此可以同時(shí)計(jì)算所有節(jié)點(diǎn)的loss。因此,根據(jù)permutation order π來移除邊,也就是使每個(gè)節(jié)點(diǎn)只能從跟低order的節(jié)點(diǎn)處獲得信息。
之后,需要決定哪些邊被mask。對(duì)于每個(gè)節(jié)點(diǎn),獲得其所有的出邊,隨機(jī)挑選一部分邊被mask住,這一過程對(duì)應(yīng)上述line4。
之后,對(duì)節(jié)點(diǎn)進(jìn)行劃分,得到整個(gè)圖中節(jié)點(diǎn)的embedding,用于之后loss的計(jì)算,對(duì)應(yīng)line5。
lone 7-9進(jìn)行l(wèi)oss的計(jì)算。
line 8中,通過整合采樣圖中未連接的節(jié)點(diǎn)和Q中以前計(jì)算的節(jié)點(diǎn)embedding來選擇負(fù)樣本,這種方式能夠減輕對(duì)于采樣圖優(yōu)化和對(duì)于整個(gè)圖優(yōu)化的差距。
在line11-12中,優(yōu)化模型并更新Q。
對(duì)于異構(gòu)圖,即包含不同類型的點(diǎn)和邊的圖,唯一的不同在于不同類型的點(diǎn)和邊采用不同的decoder。
對(duì)于大規(guī)模的圖,可以采樣子圖來進(jìn)行訓(xùn)練,即上述算法流程中Sampler的作用。為了計(jì)算Ledge這一loss,需要遍歷輸入圖的所有節(jié)點(diǎn)。然而,我們只能在采樣的子圖上計(jì)算這個(gè)loss。為了緩解這一差異,提出了adaptive queue,其中存儲(chǔ)了之前采樣的子圖的節(jié)點(diǎn)embedding作為負(fù)樣本。每次采樣一個(gè)新的子圖時(shí),逐步更新這個(gè)隊(duì)列,增加新的節(jié)點(diǎn)embedding,移除舊的節(jié)點(diǎn)embedding。通過引入adaptive queue,不同采樣子圖中的節(jié)點(diǎn)也能為全局的結(jié)構(gòu)提供信息。
四、什么是chatgpt
ChatGPT是OpenAI開發(fā)的大型預(yù)訓(xùn)練語言模型。這是GPT-3模型的一個(gè)變體,經(jīng)過訓(xùn)練可以在對(duì)話中生成類似人類的文本響應(yīng)。
ChatGPT背后的算法基于Transformer架構(gòu),這是一種使用自注意力機(jī)制處理輸入數(shù)據(jù)的深度神經(jīng)網(wǎng)絡(luò)。Transformer架構(gòu)廣泛應(yīng)用于語言翻譯、文本摘要、問答等自然語言處理任務(wù)。
ChatGPT可用于創(chuàng)建能與用戶進(jìn)行對(duì)話的聊天機(jī)器人。這對(duì)客戶服務(wù)很有用,因?yàn)樗峁┝擞杏玫男畔⒒蛑皇菫榱撕猛妗?/p>
Chatpgt是一款聊天軟件,它可以幫助您與朋友、家人和同事進(jìn)行實(shí)時(shí)聊天。它提供了多種聊天功能,包括文字聊天、語音聊天、視頻聊天和文件共享。此外,它還支持多種社交媒體,可以讓您與朋友分享照片、視頻和其他內(nèi)容。
ChatGPT使用方法和注意事項(xiàng):
支持中文和英文,都可以問,它不是Siri這種機(jī)器人,他是一種生產(chǎn)力的工具,要把它當(dāng)作真實(shí)的人來對(duì)話,可以讓它改進(jìn),支持上下文多輪對(duì)話。
放心大膽的問,每次回答的字?jǐn)?shù)有應(yīng)該有限制,可以使用“繼續(xù)問”等來追問,它會(huì)繼續(xù)寫。AI屆已經(jīng)進(jìn)入新的范式,學(xué)會(huì)提問題會(huì)越來越重要。
以上就是關(guān)于gpt算法原理相關(guān)問題的回答。希望能幫到你,如有更多相關(guān)問題,您也可以聯(lián)系我們的客服進(jìn)行咨詢,客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。
推薦閱讀:
手機(jī)如何下載chatGPT(手機(jī)如何下載chat gpt)
景觀設(shè)計(jì)陳堅(jiān)(景觀設(shè)計(jì)陳堅(jiān)簡(jiǎn)介)
加查大佬都在用的骨骼動(dòng)畫軟件(加查骨骼動(dòng)畫制作軟件)