Programming Language Notes

  圖片來源 我們已經介紹過關於Transformer模型的平台「 【Hugging Face】Ep.1 平凡人也能玩的起的AI平台 」，而操作的過程中相信也會有不少玩家會遇到這樣的狀況，因此將遇到的問題整理並分享解決方法，讓需要的朋友可以參考一下。 問題 Input type ( torch . FloatTensor ) and weight type ( torch . cuda . FloatTensor ) should be the same or input should be a MKLDNN tensor and weight is a dense tensor 前景提要 故事是這樣的， 小明是個軟體工程師， 專門研究語音辨識領域的技術， 有一天進行 wav2vec2 的語音辨識模型進行辨識時， 竟然在關鍵時刻發生了錯誤， 而這個錯誤可能也會是其他人遇到的狀況， 因此決定將過程好好整理一番， 以幫助在相同技術道路上的夥伴一起突破難關。 圖片來源 圖片來源 首先小明使用了 wav2vec2 的語辨模型， 並載入中文模型「 wav2vec2-large-xlsr-53-chinese-zh-cn-gpt 」， 並期望使用GPU加速辨識速度， 因此將DEVICE設定為cuda。 from transformers import Wav2Vec2ForCTC , Wav2Vec2Processor SRC_MODEL = 'ydshieh/wav2vec2-large-xlsr-53-chinese-zh-cn-gpt' DEVICE = 'cuda' processor = Wav2Vec2Processor . from_pretrained ( SRC_MODEL ) model = Wav2Vec2ForCTC . from_pretrained ( SRC_MODEL ) . to ( DEVICE ) 接著就直接對音檔進行辨識。 audio_buffer , _ = sf . read ( 'test.wav' ) input_values = processor ( audio_buffer , sampling_rate = 16000 , return_t...

  繼ChatGPT的出現之後， 也發展了 AutoGPT ， 雖然非常強大， 能夠根據用戶需求，在用戶完全不插手的情況下自主執行任務， 但安裝起來對於一般使用者來說非常繁瑣， 可能導致剛入門的朋友就卡關了， 因此後來也發展出網頁版的 AgentGPT ，省去了安裝的繁瑣過程， 讓我們使用起來更加便利， 就趕緊來試試這個提升我們工作效率的工具吧！ 哪裡可以使用 AgentGPT 呢？ 使用之前請先進行帳號註冊， 才能夠順利進行…， 註冊的連結就在下方： https://agentgpt.reworkd.ai/zh 註冊完畢之後， 我們只要填入「名稱」、「目標」並按下執行之後， 這位專屬助理就會幫助我們分析問題， 並透過網路資源找到解答， 與單純的ChatGPT不同之處在於資料的更新程度。 圖片來源 我們可以看到AgentGPT最終給出這樣的回答， 而過程中它也是反覆的自我提問， 最終給出一個較為精確的答案。 圖片來源 有沒有發現怎麼是簡體中文呢？ 這部份是可以設定的， 從Settings → Language就能夠設定為「繁體中文」。 圖片來源 另外API Key的部份也可以到： https://platform.openai.com/account/api-keys 進行申請。 不知道怎麼問問題嗎？ 我想剛接觸的朋友應該最先遇到的是應該要怎麼問才能讓AgentGPT回答到我們想要的答案呢？ 很幸運的他們也提供了幾個樣版範本供我們學習。 https://agentgpt.reworkd.ai/zhtw/templates 圖片來源 我們選一個關於簡歷的範本來玩玩， 搜尋「ResumeGPT」 圖片來源 帶入樣版之後， 它會自動幫我們帶入「名稱」與「目標」， 我們只要按下執行即可。 圖片來源 順便介紹一下右下角的「Tools」選項。 圖片來源 可以發現到除了代碼產生之外， 還能夠搜尋Google資訊以及生成圖片…， 透過這三個功能讓回答除了文字、程式碼以外還能夠具有圖片， 更容易吸收知識。 執行後， 它會不斷的自問自答， 最終給予一個總結， 而對於我們來說只需要總結。 圖片來源 就來看看它究竟總結出什麼呢？ 圖片來源 還真的回答的有模有樣的， 除了幫我們總結成文字以外， 還提供資訊的參考連結， 讓我們去查證， 而且更厲害的是這些連結竟然是近...