4 年没碰了，但是我记得遗传算法选择，交叉，变异倒是几乎都差不多，重中之重是要构建合理的适应度函数。
下面这个知乎可能有帮助。
https://www.zhihu.com/question/40102661

你这个问题里，没有写清楚题目是否本身有其难度系数如果有的话那确实是典型可以用来优化的问题。
我自己做适应度函数的话，应该会设定为对于目标难度系数值的差值和分散惩罚项

@likunyan 1T 其实也是大部分听过的，如果自己收集音乐的话，Hires 不压缩一首大小在 250M 左右，而且下载时基本以专辑为单位。

别说国内了，国外一样扫描的，就算一个纯私人号 0 分享也被谷歌网盘封号过。
数据还是存自己手上好，不过要注意硬盘寿命，去年损失了 1T 的音乐，肉疼。

如果觉得某个设计很有特色，那就花钱申请并维护专利，自己都觉得没有价值的东西被复现了也没什么太大问题。或者说专利钱都赚不回来的那也没什么独占的意思了。

大部分好的商业软件就是做优化，就算是被像素级复刻，内部的处理做的不好用，还是得掏钱买原版。

不搞算法的话，现在写业务和数学基本上是没关系的，纯纯搬砖。
大部分业务靠的不是对某个技术的原理理解，而是对于流行框架的既有特性掌握度和熟练度。

计算机相关的学习资源应该是互联网上最丰富的，先自学下看看自己能不能接受，毕竟工作以后还是要不断自学新的，几年更新一遍技术栈也是常事了，也算快速试错。

练习了一下，记住按键是挺快的，但是我突然我发现我自己的拼音学的好差，前后鼻音分不清楚根本提不了速，一直靠的输入法给我纠正。

绑的常规国外信用卡，Linode 一直用的很稳

之前做后端 jwt 验证的时候是指定公司内部的一个 api 定期获取所有 kid 的公钥，然后读 jwt 内的 kid 去找公钥验证。

GPU 加速正常不会在本机上跑，远程开发系统反倒是不重要了。
macOS 主要是不折腾，大部分技术的 Quick Start 里 macOS 的配置都是较为简洁的，能节省时间就够了。
wsl2 也不是没用过，但是还是有各种各样的内核问题最后放弃了，
用了一年多 M1 ，遇到的障碍其实也就 Java Docker 编译，其他没啥感觉。

对于一台能用几年的生产力工具，再溢价也就几千，省时间比较关键。

可以试试 volta

电费好低，我 222 kwh 扣了 9000+

@zdt3476 模型越大执行越慢

在模型不公开的情况下是无法喂数据的，官方提供 fine-tuning 服务但那是限定几个模型
现在玩的再花终究是前端上的 prompt engineering

应该不同的，我记得官方给的是 GPT2 的 Fast Tokenize 实现

和 7 楼一样, 我以前最类似功能时候也是发现无法在超时情况下直接终结指定 goroutine ，只能分割逻辑到多个 goroutine ，检查上下文是否被 Cancel ，尽量去降低超时后执行的成本。但这样带来的是 goroutine 的一点额外开销，所以如果处理速度很快的任务我觉得不需要这么搞。
不知道有没有 cgo 相关的手段能改善这个问题。

如果只是接触过相关技术, 那这两年所有的自然语言处理和视觉相关的研究方向毕业的研究生都能在这类工作里搬砖.
但大型模型最缺的知识其实是如何稳定训练模型和快速决策调优方向, 这块目前没钱还真没法练手, 有这技术的大部分公司也是藏着掖着不会分享的.

只能说你的这些应届朋友太强了

没必要, 除非天天都在东京核心区域, 5G 不比 4G 快多少, 运营商宣传的地图要看那个颜色最深的部分.

OpenAI API 其实有 Fine-tuning 服务, 只是目前不对 GPT 模型开放罢了.

本来想过针对 Token 试试, 但感觉新的几个 GPT 模型和他提供的 API 也不是一致的, 官网提供的 Token 工具貌似是基于 GPT2 做的. 所以个人感觉 OpenAI 不公布模型原参数的情况下, few-shot 目前阶段是完全做不了的, 要么自研要么等. 提示词的影响终究只有那几千个 Token, GPT4 还没用过, 好像可以多点.

其实也有一年没怎么碰机器学习了, 最近又开始看相关论文学习学习. 数据收集和数据质量是一方面, 目前 OpenAI 和大部队拉开差距的主要是他们能够用很小规模的模型去预测大规模模型训练收敛的情况, 大部分 AI 民工就算能找到数据, 能写出模型, 拉得到算力投资, 可 Loss 估计一训练就飞出太阳系了. 稳定训练是个技术活, 之前不是搞大模型方向的估计够呛.