首先，这一个计算数制的信号分为顺熵和逆熵，两种信号都是不可逆的，但是他们之间却相互抵消为零每四个数位都是一循环数位，往后无限循环到终点，往前无限循环到起点。顺熵从起点出发往终点走，在顺熵的角度，循环数位的第一位，只能容纳一个信号，第二位只能容纳两个信号，第三位只能容纳三个信号，第四位可以容纳八个信号，容纳不了就推给下一个数位或下一个循环数位。逆熵，从终点出发往起点走，在逆熵的角度，循环数位的第一位只能容纳八个信号，第二位只能容纳三个信号，第三位只能容纳两个信号，第四位只能容纳一个信号，容纳不了就退给下一个数位或下一个循环数位。极推的意思是顺熵到达了终点，再推一位就走向了极端，数据全部归零，重新开始从零开始达成闭环。退无的意思，退出虚无，返回到起点的意思，是逆熵到达了起点，然后再继续退一位，就退出了虚无，返回到顺熵的奇点。总体构成无限循环。数字一方是代表着顺熵，汉文一方代表着逆熵。零是代表虚无，对于顺熵和逆熵各自的顺序中，顺序的第一位数制的一代表着奇点第二位数制中的一代表着热和外，二代表着冷和内。第三位数制中的一代表着质，二代表着力，三代表的量。第四位数制中，一代表了横轴的正向代表着数量的多，二代表横轴的反向代表着数量的少，三代表的是纵轴的正向代表了距离的远，四是代表纵轴的反向代表着距离的近，五是代表了竖轴的正向代表着高度，六是代表了竖轴的反向代表着深度，七是所以这个时间的现在，八是代表时间的未来。恒动制数字汉文混合系统，就是为了作为汉字编程语言的根底而创作的。

详细内容请看Word文档，里面有更详细的说明

现在已经使用neo4j构建好了一个知识图谱，想将知识图谱与智能问答机器人相结合。比如说，我的知识图谱是企业中危险源相关的图谱，我希望向机器人提问：导致人身伤害的危险源有哪些？那么机器人就会从图谱数据库中查询，然后返回结果。请问这是可行的吗，如果可行进行的程序和步骤是什么样的呢

实验过程中有一项按要求升级代码的版本号。不知用意何在，代码又不是我编制的

前言大家好，我是“流明”团队的队长，非常荣幸参加域见杯赛题二“智能临床咨询模型”，获得了B榜第四名，这里做一个简单的分享，一起交流学习。分享数据分析主要讲了一些预模型的重要性，脱敏数据对模型本身不太友好，如果想要达到理想的效果需要重新预训练，其次就是简单提到了数据的长度分布和一些数据的特点。模型选择根据线上的分数最终选择T5作为单模型，简单讲了模型的基本结构。训练策略上用到了数据增强，余弦退火，标签平滑，对比训练，对抗训练, ema这些技巧都是可以提升分数的一个技巧，至少在我们团队做的t5-base实验是有用的最终t5-base单模型在初赛上第三，复赛第4这个一个分数，整个方案相对来说比较简单，不足写的也是比较多的。感想首先就是感谢广州市科学技术局、金域医学以及华为云提供的这次竞赛机会，其次就是认识了一些小伙伴，最后对于我个人来说最近比较疲于奔命，很多事情做不到尽善尽美，越来越希望在有限的时间里做一些简单尽所能及的事情。

前言大家好，我是“中文GPT”团队的队长，这次比赛我和我的两个小伙伴一起参加域见杯赛题一“智能临床咨询模型”，获得了B榜第四名，在这里我们做一个简单的分享，一起交流学习。分享首先了解一下赛题一的赛题背景和数据集，简单表示为根据用户咨询医疗检测项目的真实临床问答数据，训练一个智能问答模型，辅助医生决策，训练集和验证集共2788条。然后我们针对question和answer做了一个简单的长度分布统计。根据数据集长度分布情况，可以得知question的长度分布较短，在125以内，answer的长度分布较长，在400以内，这要求模型需要具备丰富的医疗问答知识才能够回答，所以我们在后续进行了领域数据扩充。此外，赛题还存在其他两个问题，一是数据集专业性强，与通用的医疗问答数据相似度不高，选择领域数据时也是需要合理的筛选，二是线上推理条件限制CPU2核8GB，这要求我们需选择一些满足推理条件的模型。下面对我们的方法进行介绍，方案整体设计流程框架如下图所示，主要分为领域数据训练、微调、解码生成三个阶段：对于领域数据训练，我们构建了一个医疗领域通用问答数据，选择bart-large模型进行领域数据训练，丰富模型的医疗知识内容；然后基于领域数据训练的权重，进一步对赛题任务数据进行微调；最后通过beam search的解码策略生成文本。在模型选择上，baseline提供的是T5-pegaus模型，不过经过测试，bart模型应该是效果相对较好的，所以我们选择了bart-large模型。解码策略上，beamsearch策略比默认的贪心解码策略效果好不少，并且开大beam有一定的提升。对于医疗领域通用问答数据的构建，我们选择华佗GPT等模型开源的数据以及爬取了其他医疗检测公司的类似检测项目数据，构成了模型的领域数据。除此上述方案，我们也尝试过使用Bart预训练任务重的Text infilling任务来做mask继续预训练替换领域数据训练阶段，然后再进行微调，也有一定的提升效果，当然也做过其他nlp比赛常见的训练tirck，例如：fgm、ema、rdrop、childtune等都没什么涨点。接着是对模型的训练策略进行介绍，与baseline不同，我们选择了adamw作为优化器，调整学习策略为线性衰减，并且使用标签平滑，同时在不同的训练阶段我们进行了阶段性调整学习率，使得模型更加拟合赛题任务数据。感想第一次参加医疗检测方面的AI比赛，学习到了不少。同时感谢广州市科学技术局、金域医学以及华为云提供的这次竞赛机会，让我们团队三个网友来了一次线下见面，此外，也通过这次竞赛认识到了其他团队中的各位大佬。

中午我在思考一个问题，既然华为自己的盘古大模型开发出来之后，有没有机会能服务到我们的c端用户呢？眼看鸿蒙3.0已经逐渐走向成熟，但是我还是感觉给用户带来的震撼不够。用户需要ai加持，这是必然的趋势不是吗？可能在语言回复功能上胡说八道的可能性还是会有，但是我觉得可以先从特定的几个方向研究，比如已经成熟的AI1.0的小艺小艺，我觉得可以适当的加持部分功能，比如天气预警，事务提醒，外卖点餐等，以及多维度得思维辨析，都是可能带来不一样得感觉的。这是我对移动端得感想，再来谈谈我对智能家居得看法。我还记得华为得万物互联当时给我带来的震撼，无与伦比，这真的是对于真正互联网技术得顶尖理解，才能做出这样得伟大壮举，但是，大模型时代已经到来，万物互联的时代真正要来临了。可以单卡即可运行得模型并非没有，在微调得当得情况之下，难道，智能家居与大模型结合得方法还会没有吗？智能加持得智能床，随时传输给大模型数据，实时关注身体健康，可以及时预警。智能加持得智能房间，随时关注天气变化，实时帮助我们开关窗帘，提醒出门带伞等等等等，能大模型加持得地方太多太多，根本想不过来。如果可以，我更希望大模型对于教育不均衡地区得孩子们带来的意义更大，这就是科技得初衷不是吗？

首次完成AI作诗“花枝小索上明时，莫学麻姑小老翁”

嫄予事少年，貌古须加举。叶索欲时珠，东行戎服景。有点意思~

目前已完成实名认证但还是受限，有人说充值，我也尝试了

技术云诗句编写与查看............

python加入字典的代码怎么打啊

AI作诗实践已完成，大家加油，很有意义的活动

模糊控制概念“模糊”是人类感知万物,获取知识,思维推理,决策实施的重要特征。“模糊”比“清晰”所拥有的信息容量更大，内涵更丰富，更符合客观世界。模糊逻辑控制(Fuzzy Logic Control)，简称模糊控制(Fuzzy Control)，是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术。模糊控制理论是由美国著名的学者加利福尼亚大学教授Zadeh·L·A于1965年首先提出，它是以模糊数学为基础，用语言规则表示方法和先进的计算机技术，由模糊推理进行决策的一种高级控制策。在1968～1973年期间Zadeh·L·A先后提出语言变量、模糊条件语句和模糊算法等概念和方法，使得某些以往只能用自然语言的条件语句形式描述的手动控制规则可采用模糊条件语句形式来描述，从而使这些规则成为在计算机上可以实现的算法。1974年，英国伦敦大学教授Mamdani·E·H研制成功第一个模糊控制器， 并把它应用于锅炉和蒸汽机的控制，在实验室获得成功。这一开拓性的工作标志着模糊控制论的诞生并充分展示了模糊技术的应用前景。模糊控制的基本原理模糊控制是以模糊集合理论、模糊语言及模糊逻辑为基础的控制，它是模糊数学在控制系统中的应用，是一种非线性智能控制。模糊控制是利用人的知识对控制对象进行控制的一种方法，通常用“if条件，then结果”的形式来表现，所以又通俗地称为语言控制。一般用于无法以严密的数学表示的控制对象模型，即可利用人（熟练专家）的经验和知识来很好地控制。因此利用人的智力模糊地进行系统控制的方法就是模糊控制。它的核心部分为模糊控制器。模糊控制器的控制规律由计算机的程序实现，实现一步模糊控制算法的过程是：微机采样获取被控制量的精确值，然后将此量与给定值比较得到误差信号E；一般选误差信号E作为模糊控制器的一个输入量，把E的精确量进行模糊量化变成模糊量，误差E的模糊量可用相应的模糊语言表示；从而得到误差E的模糊语言集合的一个子集e(e实际上是一个模糊向量);再由e和模糊控制规则R(模糊关系)根据推理的合成规则进行模糊决策，得到模糊控制量u为：u=eR。式中u为一个模糊量；为了对被控对象施加精确的控制，还需要将模糊量u进行非模糊化处理转换为精确量：得到精确数字量后，经数模转换变为精确的模 拟量送给执行机构，对被控对象进行一步控制；然后，进行第二次采样，完成第二步控制，这样循环下去，就实现了被控对象的模糊控制。

嘿嘿嘿我的诗不错吧，