做 WebGUI 是 server 和 client 在同一个实例中，调起浏览器是 server 和 client 在同一个设备，但不在同一个实例

前者可以控制 client 的 request 和外观，后者不能完全控制，还会受到浏览器本身的扩展和脚本影响，如果某些扩展有安全性问题，还会引发数据安全（中间多了一个或多个风险环节），另外就是接管 request 的高级玩法，用 browser 做不到

无关：学院和学校差很远，我还以为现在还有大学（大专）把自己叫“学校”的

一般不会用大专做建模，除非有优异的经历
面向测试、训练监察、采样、可视化还是有可能的，如果个人有时间和意向，建议补充学一下采样学，感觉很少人学这个，采样是有一定学问的，还比较偏，目前见得最多的采样方式都是定点采样，也见过不少滥采样的例子

指定经销商，但预算不够，这是让你贴钱么？

看你的模型多大，不大的话甚至纯 CPU 也能跑，放实验室通宵跑就是了，所以根据模型选算力

前置，用的较多是 bard ，chatgpt 最近才开始用
1.用得最多是函数参数意义的询问，开发文档一般只会有参数的格式类型，而不是该参数的意义，没有例子的文档会看得一头雾水
例如 pandas.Series.str.get ，这个函数其实可用类型不仅是字符串，用途比光看名字预想大得多了

2.只懂描述，不知道用什么关键词搜的

3.超出个人知识范围的
例如数学理论、艺术、历史……当然专业问题肯定需要二次搜索确认的

4.嫌麻烦懒得搜的
例如 有什么评分>8 的电视剧，有什么烧脑的扑朔迷离的电视剧……

如果新添加了插件，并且确认当前文档为最佳，可以整体传送到另一个设备，然后该设备去掉它当前笔记，新建（从目录导入）并同时导入目录内插件就是了
不过我在 Android 这样重建，部分插件不起效，但我试过直接装也是不起效的，不知道是否该插件不兼容 Android

如果不是协同编辑，是不需要实时同步的，一般单人多设备都不是协同编辑，肯定有时间差（同理还有相册这些）
这样的话每次“同步”的逻辑实际上是异步备份，就是同名文件以一个标准决定保留哪一份（内容一致跳过），不同名文件以一个标准决定是否保留，找一个能实现这个逻辑的备份软件就够了

@shortawn #1 的引用说得对
社会学科的真相只是大家都认同的一种解释，自然学科的真相是现象的复现
在我们处于的宇宙是时空概念，一个时间点和一个空间点共同构成唯一的节点，任何复现都不会完全一致

@Rnreck #11
你用 “微信聊天记录 AI” 搜本站，前几条都是相关的

我用我的 10 万条微信聊天记录和 280 篇博客文章，做了我自己的数字克隆 AI
/t/931521

“我帮你借吧”

站内有人发过用自己的聊天记录训练的（年初的帖子，全文在其 blog ），你可以参考一下
要玩训练模型我是耗不起，基本看前几段就劝退我了，还是继续玩我的小模型好了

一些相册软件应该有类似附带功能，把 a 放进该软件的相册管理，或者可以
单独的软件应该没有，这个一般需要部署一个数据库，单独搜图需求极小

python 脚本则遍地皆是，搜 similar image 就能找到了，然后自己加个遍历文件的循环就是了

这个印象中是国外的故事？

不一定要美国，坡、日、韩、东南亚部分、欧洲大部分都可以
主要是好几个作为辅助的域名（认证和 cdn ）都要以相同 ip 访问，此节点前几天有一帖有写，你找找

@helee9199 #5
你和 ISP 签的协议里面不允许 web 或者作为公众服务，然后政策也规定所有 web 等公众服务需要备案，两者加成
虽然 NAS 外放是自用，但当你无法证明为“自用”，他们会按有罪推论视为公众服务，可以直接关停

@FlyingBackscratc #6
呃，看错了，你不是 OP ？

@FlyingBackscratc #6
说了半天原来是我理解错了，你说的“预训练”就是训练，我以为是说预训练模型，后者是说现在已经公布的一些模型，如 128 点人脸检测模型、5 点人脸检测模型、车辆辨别模型……诸如此类

回答你最后一句吧，数学算法一样的话，训练参数是类似的
我有做三个模型，都是用 KNN ，一个人脸、一个文字，一个销售，它们后面的步骤，从训练到测试代码是基本相同的，包括参数
不同的是输入的样本数据，一个用人脸检测模块从图像提取人脸特征，一个用分词提取特征、一个用统计数据量化，都转为二维 numpy （这步是归一），扔进相同的训练代码和检测代码，就能分出结果，KNN 只是个数学算法，它并不理会数据的实际“意义”（人脸、NLP 、医学还是销售……），它只管哪个数据对应哪个标签，维度相同就行，其他数学算法也类似，只要是合理的数目就行

只用数字算结果为数学模型，把其中的数字附上实际意义则为业务模型，业务模型千变万化，但基础数学模型并没有很多，感觉上很多只是衍生和组合，例如所有的距离算法思想是一样的，就是求两个点的空间距离，不同的只是求这个距离的公式，有欧氏距离、余弦距离……等等

@Richard14 #4
我举个自己的例子吧，虽然跟人家没法比，但过程是可以说一说的
我用 KNN 做一个小小小小模型，数据少于 1w ，tag 只有两个：True/False ，可以说极其简单了
这个模型基本各种参数都选定了，不用调，唯一要调整的近邻 n 的个数，可选为 4~15 ，共 12 个
然后将数据随机方式分 20 组，每组有训练样本和测试样本
将每组和 12 个可选参数，用训练样本各训练一次，然后用测试样本测试，这样共 240 次测试
最终选定 n=8 ，因为 n=8 时所有测试结果都落在 96.5~98%之间，是最稳定的
其实 96~98%并非最好的，当 n=12 时，有三组得出了 99%以上的，但是 n=12 的其他 17 组，最低还出现 88%，分布很乱；所以 n=12 是不能用的，因为用到真正产出时，结果的准确性无法预计

我想说的是，光一个仅 12 可选项的参数的调参工作，工作量就达到 240 组，多个参数可想而知，这里 KNN 的训练只是纯粹打包，几分钟而已，而有些模型的一次训练就要几小时甚至几天（视乎算力）
当然，可以只用一组作为调参测试就选定参数(只跑 12 次)，但实用时的结果嘛……可能要骂娘了

然后，上述还忽略了一个重要问题：采样数据是否合理，如果不合理，前面说的所有的工作都是白搭
因为我个人能力有限，只能获得这小一万的数据，更多我就要花钱雇人帮我收集了，还不是雇一个人就能搞定的
所以我手头的这一万数据，是否有代表性，分布是否合理，这里还有采样学的分析（上面只是默认为合理）
例如我要做一个买菜意愿的模型，然后我从程序员采集了一万数据，但程序员买菜的极少，这样的数据做出的模型用在评估家庭主妇，那就是错漏百出、惨不忍睹，大概就是这个意思
例如现在的公开人脸提取模型，用于欧洲人比亚洲人更精准，就是因为采集做模型的数据欧洲人占多这个原因

你如果看过我写的其他帖子（回复帖），我说过，AI 是一个长久的工作，需要几代人努力，包括机器学习和深度学习，目前还没有一个算法能通吃不同领域的，所以做模型时还有选数学算法(或者组合算法)的步骤
目前文献还是说基础算法的实现，至于用到实处，因为不同的数学算法在不同领域表现不同，就需要做业务模型的人自己来选择并测试了，文献换个角度看就是说某个算法能把模型做出来，但结果不能打包票
例如我上面这个例子，用 CNN 或者其他也能做，只是我嫌麻烦（部分是不熟悉），所以没有用其他算法测试，说到底就是懒，96%的结果我可以接受，如果只有 70%，我可能就要硬着头皮换其他了，那样的话又是新一轮工作量了