C语言基础知识（草稿）
1. 关于 C
1.1 C 的发展历史
1972 年，贝尔实验室的丹尼斯·里奇(Dennis Ritch)和肯·汤普逊(Ken Thompson)在开发 UNIX 操作系统时设计了 C 语言。 C语言是在B语言（汤普逊发明，现已经被弃用）的基础上进行设计，其主要目标是成为有用的语言。
大模型微调的常见方法(Fine-tune)
监督微调（Supervised Fine-Tuning, SFT）
核心思想
- 在预训练模型的基础上，使用标注数据进行有监督的微调，使模型适应特定任务。
- 通过最小化损失函数（如交叉熵）优化模型参数。
关键特点
提示词工程
0. AI相关概念
| 概念 | 解释 |
|---|---|
| 提示词 Prompts | 设计提示词 本质上就是对模型进行“编程”，这通常是通过提供一些指令或几个示例来完成。这与大多数其他 NLP 服务不同，后者是为单个任务设计的，例如情绪分类或命名实体识别。相反，补全（Completions）和聊天补全（Chat Completions）几乎可用于任何任务，包括内容或代码生成、摘要、扩展、对话、创意写作、风格转换等。 |
| 令牌 Token | 模型通过将文本分解为令牌（Token）来理解和处理文本。Token 可以是单词，也可以是字符块。一个限制是，文本提示词和生成的补全合起来不能超过模型的最大上下文长度。 |
| 文本补全（Text completion） | 将一些文本作为提示输入，模型将生成一个文本补全（Text completion），试图匹配您给它的任何上下文或模式。 |
| 代码补全（Code completion） | 可用于生成或重构代码。 |
| 会话补全（Chat completions） | 聊天模型通过一串聊天对话作为输入，并返回一个模型生成的消息作为输出。 |
| 图像生成（Image generation） | 在给定文本提示的情况下创建原始图像。 |
| 微调（Fine-tuning） | 微调通过训练比提示（prompt）中更多的示例来改进小样本学习，让您在大量任务中取得更好的结果。对模型进行微调后，您将不再需要在提示（prompt）中提供示例。 |
| 嵌入（Embeddings） | 嵌入是浮点数的向量（列表）。两个向量之间的距离衡量它们的相关性。小距离表示高相关性，大距离表示低相关性。 |
| 语音转文本（Speech to text） | 输入是要进行转录的音频文件以及所需输出格式的音频文字稿。 |
| 审核（Moderation） | 用于检查内容是否符合使用策略。 |
| 推理模型 (reasoning models) | 能够花费更多时间和精力思考复杂的任务，比如制定战略、规划复杂问题的解决方案、以及基于大量模糊信息做出决策。 |
| GPT 模型 (GPT models) | 擅长处理清晰定义的任务，低延迟，追求速度和成本。 |
1. 经验法则和例子
参考网址：
Python标准库（草稿）
__main__ —— Top-level code environment
在python中，__main__ 这个特殊的名字主要用于两个地方：
- python程序的顶层环境的名字，可以用
__name__ == '__main__'来检查。 - python包中的一个文件：
__main__.py。
__name__ = '__main__'
- 当python中的模块或包导入时，
__name__被设置为模块的名字（文件名去掉.py后缀）：
|
|
- 如果这个文件是包的一部分，那么
__name__也会包含父包的路径：
|
|
- 如果模块是直接在顶层代码环境中执行的，那么
__name__的值就会被设置成字符串'__main__'
什么是顶层代码环境？
记 git 重命名文件不生效问题一例
问题描述
我在编写博客过程中，觉得之前markdown起的名字不好，于是改了新的名字。
在本地更名结果正常，但是推送到远端构建后出现了重复的情况。