一个人成熟的4个境界

在人生成熟的过程中，我们常常经历从盲目自信到真正成熟的不同阶段。而这个过程不仅依赖于时间和经历的累积，还与主动学习的态度和情商息息相关。1. 首目自信区：无知无畏，但需谨慎在“首目自信区”中，许多人刚接触新领域时会表现出极高的自信，尽管实际上他们的知识储备尚且不足。这个阶段可谓是“愚昧巅峰”，表现为狂妄、轻佻和自负。由于缺乏足够的认知，人们常常在自己不知道自己不懂的情况下充满盲目自信。然而，情商和社交技巧的运用可以帮助减少这种自信的外露，避免因为轻率而影响人际关系。虽然认知的变化通常是伴随着年龄的增长而自然发生的，但减少在这个阶段停留的时间，取决于个人主动学习的态度。主动去获取知识，打破“无知的自信”，可以帮助人们更快地进入下一个阶段。拥有正确的学习态度，并保持谦虚，是减少在盲目自信区“停留过久”的关键。2. 崩溃区：谦卑焦虑，但也是成长契机“崩溃区”是人们意识到自身知识不足后的低谷期。这个阶段可能充满了谦卑、焦虑和自我怀疑。对很多人来说，突然面对自我无知的觉醒是一段痛苦的历程。在这里，主动学习的态度同样可以发挥重要作用。通过不断地学习、吸收新的知识，人们可以更快地从焦虑中走出，避免长

思考感悟 · 2024-09-20
一个人成熟的4个境界

chatgpt推送了新的大模型

今天早上，我发现ChatGPT悄悄更新了新的o1-preview和o1-mini模型，尽管之前并未抱太大期望，但我的账户还是收到了推送。尽管现在使用额度限制很厉害，一个月使用50次和30次，等找一个重要且复杂的任务，让它跑一下。这个版本在推理方面有了大幅度的提升。

技术专业 · 2024-09-13
chatgpt推送了新的大模型

又是忙碌的一周

1. 忙碌的一周这一周仍然是忙碌不已，单位的月结工作需要加班，岁数大了以后，每次加班都需要好几天才能缓过来。到了下半年，还遇到了一些交流和比赛的工作安排，导致晚上回家也变得很晚。完成当天的任务后，几乎没有时间做例行的事情，回头看了一下，整整一周没有写日志了。自问自己对于每天晚上的8点到10点把控还是挺好的，坚持在做能给自己带来积累的事情。无论下面这个关于“业余时间积累”的理论是否来自哈佛大学，我深信拿出时间做能够带来进步的事情，坚持下去一定会有所回报。2. 语言学习终于有了一点起色对于没有语言天赋的我来说，一直在没有正反馈的情况下学习语言，感觉就像是在黑暗中前行。然而我始终坚持，相信最终能看到希望。这个周末看了一部美国电影《逆岭》，调整为自己学习的语言后，意外地发现即使脱离字幕后，60%的单词我都是认识的。只是反应速度还不够快，而且动词变位太复杂（一个简单的词经过变位就好像变成了一个新词）。不过总算是有了些正向反馈，终于在黑夜中看见了一丝曙光。Netflix作为一个娱乐平台，今年对于我而言更像是一个学习平台。通过电影和剧集，我能够使用自己学习的语言来营造语言环境，学习一些高频词汇，之前

生活记录 · 2024-09-09
又是忙碌的一周

telegram免费图床停摆，调整后利用2T网盘实现图床存储。

免费服务停掉了：博客图片存储中断的经历最近我的博客网站遇到了一个突发问题，导致我不得不紧急修复。起初，我的网站使用的是学校活动提供的服务器，流量配额相对有限。为了最大化减少流量使用，我选择将所有图片存储在站外服务器上，避免对主服务器的流量产生额外的负担。为了解决站外存储空间的成本问题，我采取了一种较为独特的方案——使用 Cloudflare 加速，并结合 Telegram 作为图片存储空间。通过 GitHub 上的开源工具 Telegraph-Image，我可以轻松地将图片上传到 Telegram 的 Telegraph 服务上，而不需要付出太多额外的成本。为了保证安全，我还参与了这个工具的改进工作，增加了对上传域名的限制，防止滥用上传机制。同时，我也利用 Obsidian，实现了图片的自动上传和博客的快速发帖。这个自动化流程极大提高了我的工作效率，使用体验非常丝滑。几乎每天，我都能顺利地通过这个流程来管理我的博客内容。然而，在周五的晚上，一切都突然中断了。每次我尝试上传图片时，都会出现报错。这个突发问题让我十分焦虑，于是我立刻到相关的讨论群中寻找答案，结果发现很多人和我遇到了同样的问

技术专业 · 2024-09-07
telegram免费图床停摆，调整后利用2T网盘实现图床存储。

8月第四周周末杂记

本周骑行了三天，因修路改道，单程距离增加了5公里。最适合居住的几个城市，有生之年一定每个城市都小住几天。最近阅读的一篇文章指出，适合居住并非仅凭天气，还包括这些人文要素，是否文明、和善。回顾过去，一代人曾对未来充满希望，人与人、国与国关系和谐。然而，人口问题、房地产难题以及不断演变的地缘政治让现实变得更具挑战性。不论能力大小，个人都在时代的洪流中显得微不足道。外语的学习进度依然缓慢，不过看到小语种与各种技能叠加后的反应效果坚定了我继续学习的信心。未来也许我也能在一些小国工作生活一些时间。凭什么？中文、维护经验、开发，还有最近在学习的人工智能。实力重要，选择是否展现实力，如何展现、展现时机都是需要智慧的。很认同，肤浅的懂点经济学故事还行，如果要深入必须要有数学的基础。这道题是铁球中。看到这个题还有点怀念中学时间，怀念中学的班主任和物理王老师了。很认同，创造力不是加班熬夜、冥思苦想出来的，往往是一个灵感的闪现。

生活记录 · 2024-08-25
8月第四周周末杂记

将whisper封装为API服务支持远程调用

背景目前nas负责处理音频转为文字，由于没有gpu稍微长一点的音频就需要处理几个小时。将一台装有4060显卡的台式机中的whisper通过api服务的方式提供出来，提供nas调用。封装编写一个FastAPI应用，将Whisper模型包装成API接口，并且能够处理外部传入的音频文件请求。from fastapi import FastAPI, UploadFile, File, HTTPException, Form import whisper import os app = FastAPI() # 加载Whisper模型，这里使用 medium 模型 model = whisper.load_model("medium") @app.post("/transcribe/") async def transcribe_audio( file: UploadFile = File(...), language: str = Form(...), # 接收语言类型参数 initial_prompt: str = For

技术专业 · 2024-08-25

周末部署ragflow，构建自己的知识库

概述周末在家用电脑上部署了开源的ragflow，选择这个是考虑它支持ocr自动识别，另外还准备安装的是quivr（号称第二大脑），待安装后再做比较。什么是RAG概念：RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了信息检索与生成模型的技术，用于提升自然语言处理任务的性能，特别是在问答、内容生成等领域。过程：大语言模型（LLM, Large Language Model）：大语言模型是通过大规模数据训练而成的深度神经网络模型，如 GPT-4。它们可以生成自然语言文本，并具备广泛的语言理解能力。检索（Retrieval）：在 RAG 中，检索指的是从外部知识库中找到与输入查询相关的信息或文档。这个步骤的目的是弥补大语言模型在生成过程中的知识盲点，尤其是当涉及到事实性问题时。生成（Generation）：在获得检索到的相关信息后，模型会基于这些信息生成答案或文本。这一过程利用了大语言模型的强大生成能力，同时避免了仅依赖模型本身知识库的局限性。工作流程：输入查询：用户提供一个查询或问题。检索阶段：系统会从预先构建的知识库中检索与该查询最相关的文本

技术专业 · 2024-08-25
周末部署ragflow，构建自己的知识库

三只接近52周低点的股票

说明本文根据Mark Roussin的视频节目由AI转录视频为文字，本文不构成任何投资建议。正文内容大家好，我是Mark Roussin，又和大家见面了。正如往常一样，我是一名注册会计师，但不是金融顾问，所以请不要将这段视频视为财务建议。在我们开始之前，我要感谢今天的视频赞助商——The Motley Fool。The Motley Fool为各类投资者提供了丰富的资源和产品。如果你现在访问fool.com/mark，可以查看他们目前推荐的10只最佳买入股票。好了，现在让我们回到视频，来看一下三只接近52周低点的股票，首先是百事公司，股票代码PEP。百事是全球第二大饮料公司，紧随可口可乐之后。然而，在美国市场，百事的地位最近受到了挑战。Dr. Pepper在美国的汽水消费量上已经超过了百事，仅次于可口可乐。因此，这家消费品巨头在市场竞争中逐渐失去优势，其股价也相应下跌。我们现在来看看一些具体数据。百事公司的市值为2260亿美元，过去12个月股价下跌了12%，年初至今下跌了3%。当前股价首次触及这一水平是在2021年11月，因此在此之后的股价几乎没有任何增长。从公司整体来看，目前企业价值

财经投资 · 2024-08-21
三只接近52周低点的股票

一个公式搞清楚运行不同的大模型需要多少 GPU VRAM？

一个非常标准的计算公式，了解 LLM 和 GPU VRAM 换算规则，下次发新模型就知道本机能不能跑了。

技术专业 · 2024-08-19
一个公式搞清楚运行不同的大模型需要多少 GPU VRAM？

构建第一个卷积神经网络模型的实践指南

说明本文根据《# A Hands-on Guide to Build Your First Convolutional Neural Network Model》翻译整理。 概述本文将简要讨论 CNN，这是一种专门为图像相关任务设计的神经网络的特殊变体。本文将主要围绕CNN的实施部分进行介绍。我们已尽最大努力使本文具有交互性和简单性。希望你喜欢它。祝您学习愉快！！  介绍卷积神经网络由 Yann LeCun 和 Yoshua Bengio 于 1995 年引入，后来被证明在图像领域显示出卓越的结果。那么，与普通神经网络相比，当应用于图像域时，是什么让它们与众不同呢？我将用一个简单的例子来解释其中一个原因。考虑到您的任务是对手写数字的图像进行分类，下面给出了一些来自训练集的样本。如果你正确地观察，你会发现所有的数字都出现在各自图像的中心。如果测试图像是相似的类型，则使用这些图像训练普通神经网络模型可能会产生良好的结果。但是，如果测试图像如下所示，该怎么办？ 在这里，数字 9 出现在图像的一角。如果我们使用一个简单的神经网络模型来对这个图像进行分类，我们的模型可能会突然失败。但是，如果将相

技术专业 · 2024-08-17
构建第一个卷积神经网络模型的实践指南
2016 - 2025 自由翱翔：十年学习成长之路. All Rights Reserved.
Theme Jasmine by Kent Liao