业务和功能介绍
阶段一：预处理与编码
用户输入
用户在前端界面（如网页、App）输入一段文本：“Explain quantum computing in simple terms.”
文本预处理
分词：将输入的句子分解成模型能理解的更小单元（Token）。例如，“Explain” -> “Explain”， “quantum” -> “ quant”， “computing” -> “uting”。分词器（Tokenizer）的词汇表是在预训练阶段就确定好的。
格式化：为当前对话添加上下文标识符。例如，可能会在输入前加上“User: ”这样的角色标识，以帮助模型区分对话中的不同角色。
格式化后的输入可能看起来像：[系统消息] User: Explain quantum computing in simple terms. Assistant:
输入编码
将分词后的Token转换为对应的数字ID（因为模型只处理数字）。
将这些ID转换为词向量，即高维空间中的向量表示，这些向量捕获了单词的语义信息。
阶段二：核心推理与生成
上下文管理
模型并非只看到当前这一句话。为了维持连贯的对话，系统会将当前输入与之前几轮的对话历史（存储在对话记忆库中）拼接在一起。
这形成了一个完整的“上下文窗口”，模型基于这个完整的上下文来生成回复，从而“记住”之前聊过什么。
核心LLM推理
这是最核心的步骤，预训练好的Transformer模型在此被激活。
前向传播：编码后的输入向量流经模型的数十亿甚至数百亿个参数。
自注意力机制：模型分析输入序列中所有单词之间的关系，理解“simple terms”是修饰“explain”的关键。
下一个词预测：模型输出一个所有可能词汇表上单词的概率分布。它计算在给定上下文的情况下，下一个词最可能是什么（例如，“Sure”的概率最高，“Okay”次之，“Quantum”也有可能）。
采样与策略：模型不会总是选择概率最高的词（否则回复会非常机械）。它会根据“温度”等参数进行抽样，引入一定的随机性，使回复更具创造性和多样性。
这个过程是自回归的，即模型生成第一个词“Sure”后，会将“Sure”也加入上下文，再生成下一个词“,”，如此循环，直到生成一个完整的回复序列或遇到停止符。
输出解码
将模型输出的词ID序列转换回人类可读的文本。例如，[“Sure”, “,”, “let”, “’s”, “break”, …] -> “Sure, let's break it down...”
阶段三：后处理与交付
回复后处理
对生成的文本进行最后的润色，比如调整标点符号、确保格式正确。
在某些场景下，可能还会进行二次检查，例如确保没有生成不安全的、虽然概率高但不符合事实的内容。
返回最终回复
将处理好的最终文本发送回前端界面，展示给
用户输入
用户在前端界面（如网页、App）输入一段文本：“Explain quantum computing in simple terms.”
文本预处理
分词：将输入的句子分解成模型能理解的更小单元（Token）。例如，“Explain” -> “Explain”， “quantum” -> “ quant”， “computing” -> “uting”。分词器（Tokenizer）的词汇表是在预训练阶段就确定好的。
格式化：为当前对话添加上下文标识符。例如，可能会在输入前加上“User: ”这样的角色标识，以帮助模型区分对话中的不同角色。
格式化后的输入可能看起来像：[系统消息] User: Explain quantum computing in simple terms. Assistant:
输入编码
将分词后的Token转换为对应的数字ID（因为模型只处理数字）。
将这些ID转换为词向量，即高维空间中的向量表示，这些向量捕获了单词的语义信息。
阶段二：核心推理与生成
上下文管理
模型并非只看到当前这一句话。为了维持连贯的对话，系统会将当前输入与之前几轮的对话历史（存储在对话记忆库中）拼接在一起。
这形成了一个完整的“上下文窗口”，模型基于这个完整的上下文来生成回复，从而“记住”之前聊过什么。
核心LLM推理
这是最核心的步骤，预训练好的Transformer模型在此被激活。
前向传播：编码后的输入向量流经模型的数十亿甚至数百亿个参数。
自注意力机制：模型分析输入序列中所有单词之间的关系，理解“simple terms”是修饰“explain”的关键。
下一个词预测：模型输出一个所有可能词汇表上单词的概率分布。它计算在给定上下文的情况下，下一个词最可能是什么（例如，“Sure”的概率最高，“Okay”次之，“Quantum”也有可能）。
采样与策略：模型不会总是选择概率最高的词（否则回复会非常机械）。它会根据“温度”等参数进行抽样，引入一定的随机性，使回复更具创造性和多样性。
这个过程是自回归的，即模型生成第一个词“Sure”后，会将“Sure”也加入上下文，再生成下一个词“,”，如此循环，直到生成一个完整的回复序列或遇到停止符。
输出解码
将模型输出的词ID序列转换回人类可读的文本。例如，[“Sure”, “,”, “let”, “’s”, “break”, …] -> “Sure, let's break it down...”
阶段三：后处理与交付
回复后处理
对生成的文本进行最后的润色，比如调整标点符号、确保格式正确。
在某些场景下，可能还会进行二次检查，例如确保没有生成不安全的、虽然概率高但不符合事实的内容。
返回最终回复
将处理好的最终文本发送回前端界面，展示给
项目实现
阶段一：预处理与编码
用户输入
用户在前端界面（如网页、App）输入一段文本：“Explain quantum computing in simple terms.”
文本预处理
分词：将输入的句子分解成模型能理解的更小单元（Token）。例如，“Explain” -> “Explain”， “quantum” -> “ quant”， “computing” -> “uting”。分词器（Tokenizer）的词汇表是在预训练阶段就确定好的。
格式化：为当前对话添加上下文标识符。例如，可能会在输入前加上“User: ”这样的角色标识，以帮助模型区分对话中的不同角色。
格式化后的输入可能看起来像：[系统消息] User: Explain quantum computing in simple terms. Assistant:
输入编码
将分词后的Token转换为对应的数字ID（因为模型只处理数字）。
将这些ID转换为词向量，即高维空间中的向量表示，这些向量捕获了单词的语义信息。
阶段二：核心推理与生成
上下文管理
模型并非只看到当前这一句话。为了维持连贯的对话，系统会将当前输入与之前几轮的对话历史（存储在对话记忆库中）拼接在一起。
这形成了一个完整的“上下文窗口”，模型基于这个完整的上下文来生成回复，从而“记住”之前聊过什么。
核心LLM推理
这是最核心的步骤，预训练好的Transformer模型在此被激活。
前向传播：编码后的输入向量流经模型的数十亿甚至数百亿个参数。
自注意力机制：模型分析输入序列中所有单词之间的关系，理解“simple terms”是修饰“explain”的关键。
下一个词预测：模型输出一个所有可能词汇表上单词的概率分布。它计算在给定上下文的情况下，下一个词最可能是什么（例如，“Sure”的概率最高，“Okay”次之，“Quantum”也有可能）。
采样与策略：模型不会总是选择概率最高的词（否则回复会非常机械）。它会根据“温度”等参数进行抽样，引入一定的随机性，使回复更具创造性和多样性。
这个过程是自回归的，即模型生成第一个词“Sure”后，会将“Sure”也加入上下文，再生成下一个词“,”，如此循环，直到生成一个完整的回复序列或遇到停止符。
输出解码
将模型输出的词ID序列转换回人类可读的文本。例如，[“Sure”, “,”, “let”, “’s”, “break”, …] -> “Sure, let's break it down...”
阶段三：后处理与交付
回复后处理
对生成的文本进行最后的润色，比如调整标点符号、确保格式正确。
在某些场景下，可能还会进行二次检查，例如确保没有生成不安全的、虽然概率高但不符合事实的内容。
返回最终回复
将处理好的最终文本发送回前端界面，展示给
用户输入
用户在前端界面（如网页、App）输入一段文本：“Explain quantum computing in simple terms.”
文本预处理
分词：将输入的句子分解成模型能理解的更小单元（Token）。例如，“Explain” -> “Explain”， “quantum” -> “ quant”， “computing” -> “uting”。分词器（Tokenizer）的词汇表是在预训练阶段就确定好的。
格式化：为当前对话添加上下文标识符。例如，可能会在输入前加上“User: ”这样的角色标识，以帮助模型区分对话中的不同角色。
格式化后的输入可能看起来像：[系统消息] User: Explain quantum computing in simple terms. Assistant:
输入编码
将分词后的Token转换为对应的数字ID（因为模型只处理数字）。
将这些ID转换为词向量，即高维空间中的向量表示，这些向量捕获了单词的语义信息。
阶段二：核心推理与生成
上下文管理
模型并非只看到当前这一句话。为了维持连贯的对话，系统会将当前输入与之前几轮的对话历史（存储在对话记忆库中）拼接在一起。
这形成了一个完整的“上下文窗口”，模型基于这个完整的上下文来生成回复，从而“记住”之前聊过什么。
核心LLM推理
这是最核心的步骤，预训练好的Transformer模型在此被激活。
前向传播：编码后的输入向量流经模型的数十亿甚至数百亿个参数。
自注意力机制：模型分析输入序列中所有单词之间的关系，理解“simple terms”是修饰“explain”的关键。
下一个词预测：模型输出一个所有可能词汇表上单词的概率分布。它计算在给定上下文的情况下，下一个词最可能是什么（例如，“Sure”的概率最高，“Okay”次之，“Quantum”也有可能）。
采样与策略：模型不会总是选择概率最高的词（否则回复会非常机械）。它会根据“温度”等参数进行抽样，引入一定的随机性，使回复更具创造性和多样性。
这个过程是自回归的，即模型生成第一个词“Sure”后，会将“Sure”也加入上下文，再生成下一个词“,”，如此循环，直到生成一个完整的回复序列或遇到停止符。
输出解码
将模型输出的词ID序列转换回人类可读的文本。例如，[“Sure”, “,”, “let”, “’s”, “break”, …] -> “Sure, let's break it down...”
阶段三：后处理与交付
回复后处理
对生成的文本进行最后的润色，比如调整标点符号、确保格式正确。
在某些场景下，可能还会进行二次检查，例如确保没有生成不安全的、虽然概率高但不符合事实的内容。
返回最终回复
将处理好的最终文本发送回前端界面，展示给
示例图片视频
相似推荐
城市公交大脑 -城市公交大脑
公交大脑是一个立体化公交服务平台，包括系统管理系统，基础信息系统，客流分析系统，排班系统，线网优化系统五大模块。公交大脑收集，管理，融合，挖掘公交相关数据。解决政府、公交企业迫切需要了解公交客流数据的问题。目前已经实现前四个系统并在贵阳，深圳，西安,宁波上线。线网优化系统计划2020年初上线。
公交大脑大数据平台采用CDH5.12.0社区版搭建，本地大数据测试集群服务器为6台。组件有HDFS，Hive,Spark2.0,YARN(MR2),ZooKeeper,Sqoop,Hue,Oozie,Hbase,Flume。
公交大脑web应用后台采用微服务架构，具体为16个微服务。其中基础的有Eureka服务，配置中心服务，网关服务，ZipKin服务，Turbine服务，Security服务，相应的模块服务。每个模块对应生产者和消费者。前端主要使用的是vue框架。
1. 数据采集
A) GPS数据采集，通过socket形式获取数据流，处理完存储在HDFS上。阿里云备份一份。
B) IC卡数据通过脚本从数据库获取到数据，存储在hdfs上。
C) 线路基础信息从数据库中查询。
2. 数据清洗
清洗阶段主要通过MapReduce进行清洗。在清洗阶段会调用算法，对数据进行计算。具体有上下车算法，到离站算法，换乘算法等。
3. 数据仓库
该层是清洗过后的数据，是一致的，干净的，规范的。具体有三张表,分别是GPS,IC,BUS三张底表。
4. 数据APP层(应用层)
该层所有表以app开头，通过hive或sparksql将计算出的数据导入mysql表中。为具体业务服务提供数据。
5. Web展示
Web应用采用微服务架构java语言编写，前端主要使用vue框架进行页面展示。
停车场收费管理平台
随着城市机动车保有量激增，传统停车场存在收费混乱、车位利用率低、管理效率差、用户体验不佳等痛点：人工收费易出现漏收 / 错收、排队拥堵；车主难以实时查询车位、预约停车；管理者无法精准监控车场运营数据、优化资源配置。本平台旨在通过数字化手段，实现停车场收费自动化、管理智能化、服务便捷化
用户端：支持车位查询、预约、无感支付，减少停车等待时间；
管理端：实现收费规则灵活配置、车辆进出实时监控、运营数据可视化分析；
收费端：保障车辆识别准确率、支付安全性，支持多车场统一管理与扩容
高性能两轮车智能仪表系统（支持TFT/数码管双屏）应用层开发与系统集成
背景与目标：“项目旨在为电动两轮车提供一款高可靠、高兼容性的智能仪表解决方案。核心目标是通过一套高度可定制的软件系统，适配市场上主流的中控与控制器，满足不同整车厂客户对UI界面和通讯协议的多样化需求，缩短客户项目的开发周期。”
功能与模块：“软件核心功能包括：1）多协议通讯枢纽：稳定解析并处理来自中控的UART/CAN协议（如八方、锂电2号、km5s、苏州同盛、柯蒂斯、安乃达、英凡蒂、万佳等超10种），并可靠转发OTA数据至控制器；2）双屏UI显示引擎：适配TFT彩屏与数码管屏，实现车速、电量、档位、故障等信息的实时、流畅显示；设置菜单可设置各种协议参数（如轮径、限速、磁钢数等）和系统参数（如开机密码、自动关机时间等、tft屏多语言设置）；3）客户定制化框架：通过配置化方式，快速响应客户对显示布局、主题、功能的定制需求。”
业务流程：“典型工作流程为：仪表上电初始化→与中控握手并持续接收数据→根据协议解析车速、电池状态等关键信息→调用UI渲染引擎更新屏幕显示。同时实时监听升级指令，一旦触发，则安全进入OTA流程，将固件包转发至下级控制器。”
出租车信息大数据处理
建立一个基于出租车大数据的智能分析系统，通过机器学习算法挖掘数据价值，为城市交通管理、出租车运营优化和乘客出行提供决策支持，高频轨迹分析目标，从海量数据中识别城市主要出行走廊，可视化展示高频出行模式，为交通流预测和路径规划提供基础，公共交通优化目标，识别出租车上下车热点区域，分析现有公共交通覆盖盲区，提出新公交线路规划建议，提高公共交通资源利用效率，运营效率提升目标，预测出租车接客热点区域，为司机提供实时巡航建议，为乘客推荐易打车地点
海南省充换电一张网服务平台
海南省充电桩的监管与服务，包括海南充电桩信息系统、扫码充电、找桩用桩、集团客户充电、直连直通等功能。项目涵盖监管对接平台、官方网站、管理后台、App、微信小程序和数据大屏等多个子系统。
该项目以充电桩为核心，囊括多个子业务系统，通过中电联102协议进行监管对接和扫码充电对接，通过南网协议完成直连直通对接，面向集团企业提供集团客户充电服务，形成完整的业务生态系统。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服