谷歌Gemini多模态提示词培训课——Part2
输入“/”快速插入内容
谷歌Gemini多模态提示词培训课——Part2
谷歌Gemini多模态提示词培训课——Part2
用户4771用户4771用户6351用户63512024年11月4日修改
本系列课程是Deeplearning联合谷歌Gemini团队开发的免费在线课程，课程中使用了Gemini模型作为教学模型，教授大家如何使用多模态提示词与模型交互。由于课程内容中有很多在国内无法应用的部分，在其之中也缺乏了某些概念。有鉴于此，我截取了部分教程内容，并适当混合了一些入门概念。将其进行重新整理和刊发，以增强其普世价值。（如有需要，请访问原版在线课程）
在本节课程中你可以学到：
1.
了解什么多模态大模型的参数概念
2.
通过对比例子了解每个参数如何影响模型生成
3.
学习多模态提示编写原则
4.
通过实践，使用Gemini模型辅助日常办公
💡
💡
一、认识模型参数
接下来，我要教大家关于参数的知识，以及如何使用这些参数来影响 Gemini 模型的输出。在你们尝试不同的模型参数之前，我想快速概述一下它们，以确保每个人都在同一起点上，并掌握这些方法。
让我们从一个有趣的比喻开始：模型的输出就像一家特别的餐厅的菜单。这不是普通的菜单，而是一个包罗万象的巨型菜单，上方图形中的每个小方格代表一道菜（一个词）。然而，面对如此庞大的选择，我们通常不希望看到所有可能的选项。相反，我们可能只想关注那些最有可能让人眼前一亮的前 5 个或前 10 个选项。
1.1 Top K
基于这个比喻，现在让我来解释一下 Top-K 是如何帮助我们的。Top-K 的工作方式其实很有趣。在我们的餐厅比喻中，它就是在帮我们从所有的菜品中挑选最适合我们的菜。它不会让我们看遍所有的选项，而是只为我们呈现最有可能符合我们需求的前几个选择。
具体来说，它是这样工作的：
1.
首先，我们给每个选项（在我们的比喻中是每道菜）分配一个分数。这个分数基于它的概率或 "受欢迎程度"。就像餐厅里的每道菜都有自己的受欢迎程度一样，语言模型中的每个词也有被选中的可能性。
2.
接下来，算法会根据这些分数进行选择。它会从得分最高的选项开始，逐个挑选，直到达到我们预设的数量。例如，如果我们想要看到前五个最佳选项，我们就将参数 K 设置为 5。这就像是从菜单中挑选出最受欢迎的五道菜。
3.
最终，我们得到了一个包含前 K 个最佳选项的精简列表。
通过使用 Top-K，我们可以更有效地控制模型的输出，这个过程大大提高了效率，让我们能够快速聚焦于最相关或最有价值的选项，而不是被海量的可能性所淹没。
1.2 Top P