上个月用Google Play开的pro，中间搞到一张visa虚拟卡，想着充extra usage试一试，充了$5，没想到成了
下个月我想跳过google play直充，佬们觉得有没有希望

我理解的aicg截图是为了防止爬取导致中文预料下降
但是截图有以下缺点：流量消耗大，无论对服务器、用户节点都造成负担；速度慢，观感不好；排版自适应不行；截图转换麻烦
下面提出我的一种方案：
用新的md标签比如<aicg></aicg>包裹ai内容，服务器解析，拆分出来，赋予一个资源id，客户端通过资源id拿到文本，并通过canvas在客户端渲染
上面的新html标签方便灵活处理aicg内容，包括像ai翻译也可以打上。然后canvas和图片一样有一定的反爬。至于资源id，如果不担心直接从api爬，可以完全不用，直接把原始ai文本保留在里面就可以了，简单包装一下base64或者其它也是可以的，后面解析和渲染就网页本地处理就可以了
如果就是想让aicg内容发布变得麻烦，以此支持手写原创内容，当我没说 doge
此文 made in human

闲来无事早上起来绑卡本来计划300刀的
绑定的是自己的visa、扣费100港币
结果就这样了
有懂的佬解释一下吗 是扣钱了吗 有啥要注意的吗

1.4 神经网络的训练
上一节讲了如何评价神经网络的效果，这一节我们讲神经网络效果的提升，即训练。
1.4.1 训练目标与损失函数
训练的目的是提高神经网络的效果，换言之，是提高神经网络在某个评估指标下的表现。
通常，我们使用的方式是梯度下降法，通过求出神经网络的参数在该评估指标下的梯度（即求导），得到参数空间下，能够提升指标的参数变动方向（即向量），然后让参数往这个方向让移动一小步，如此往复。（梯度下降法的更详细内容会在 1.4.2 讲）
容易想到，评估指标并非都是可以连续可导的，比如准确率 \mathrm{Accuracy} = \frac{\text{分类正确的样本数}}{\text{总样本数}} 就是一个典型的离散变量。
因此，我们引入损失函数（Loss Function） \mathcal{L} ，衡量模型预测值与真实值之间的差距，且对参数可微。可以认为，损失函数是一种连续可导的评估指标。
结合我们刚才简单介绍的梯度下降法，训练目标可以写成

\min_{\theta} \mathcal{L}(\theta)

即找到使损失函数尽可能小的参数 \theta
注：我们通常将复杂神经网络的参数记为 \theta，例如在MLP中，\theta = (w, b)
常见损失函数
回归任务（输出连续值）
和上一节的MAE、MSE评估指标相同（这里 N 为样本数）


MAE Loss（平均绝对误差）
\mathcal{L} = \frac{1}{N}\sum_{i=1}^{N}\left|\hat{y}^{(i)}-y^{(i)}\right|


MSE Loss（均方误差）
\mathcal{L} = \frac{1}{N}\sum_{i=1}^{N}\left(\hat{y}^{(i)}-y^{(i)}\right)^2


分类任务（输出离散值/类别）
分类任务常用交叉熵损失（Cross-Entropy Loss），而不是直接用准确率。
以二分类为例，真实标签 y^{(i)} \in \{0, 1\}，模型输出预测为正类的概率 \hat{p}^{(i)} \in (0,1)，则：

\mathcal{L} = -\frac{1}{N}\sum_{i=1}^{N}\left[y^{(i)}\log\hat{p}^{(i)} + (1-y^{(i)})\log(1-\hat{p}^{(i)})\right]

直观理解：

若真实标签为1（正类），且模型预测 \hat{p} 越接近1，则 -\log \hat{p} 越小，损失越低；
若真实标签为0（负类），且模型预测 \hat{p} 越接近0，则 -\log(1-\hat{p}) 越小，损失越低。

多分类任务的交叉熵类似，这里不展开。
注：

损失函数和评估指标并不总是一一对应的，选取哪个损失函数有时是经验和工程上的选择，核心标准是可微且能间接反映评估指标的优化方向
对于LLM，常用的损失函数是交叉熵损失，目标是最大化模型预测下一个token正确的概率；对应的评估指标则是pass@k、mean@k等

1.4.2 梯度下降法
我们定义了训练目标：\min_{\theta} \mathcal{L}(\theta)，即找到使损失函数最小的参数。现在，我们来讲如何找到符合条件的参数 \theta ，即刚才简单介绍过的梯度下降法（Gradient Descent）。
直观理解
这里用一个非常经典、非常形象的例子。
想象一个人站在一片山地上，周围浓雾弥漫，看不清山的地形，而他的目标是走到山的谷底。唯一能做的，通过脚底感知脚下这片地的坡度，然后朝着最陡的下坡方向走一小步。重复这个过程，就可以一步步走到某个低洼处。
梯度下降法就是这个思路：

“山地"就是损失函数 \mathcal{L}(\theta) 在参数空间中的"地形”
"脚底下的坡度"就是梯度 \nabla_{\theta} \mathcal{L}
"朝最陡的下坡方向走一小步"就是参数更新

梯度
梯度 \nabla_{\theta} \mathcal{L} 是损失函数对所有参数的偏导数组成的向量：

\nabla_{\theta} \mathcal{L} = \left( \frac{\partial \mathcal{L}}{\partial \theta_1},\ \frac{\partial \mathcal{L}}{\partial \theta_2},\ \dots,\ \frac{\partial \mathcal{L}}{\partial \theta_d} \right)

其中， d 为参数的维度。（如果你不知道偏导，可以简单将其理解为多元函数对其某个自变量求得的导数）
梯度的方向指向损失函数增长最快的方向，因此，负梯度方向就是损失函数下降最快的方向。
参数更新公式
每一步，我们沿负梯度方向更新参数：

\theta \leftarrow \theta - \eta \cdot \nabla_{\theta} \mathcal{L}(\theta)

其中：

\eta > 0 为学习率（Learning Rate），用于控制更新的幅度；
\leftarrow 表示 参数更新，常见于一些优化理论

一个简单的例子
对于一个参数为 w 和 b 线性网络，它的MSE Loss为：

\mathcal{L}(w,b) = \frac{1}{N}\sum_{i=1}^{N}\left(wx^{(i)}+b - y^{(i)}\right)^2

则梯度为：

\frac{\partial \mathcal{L}}{\partial w} = \frac{2}{N}\sum_{i=1}^{N}\left(wx^{(i)}+b - y^{(i)}\right) x^{(i)}, \quad \frac{\partial \mathcal{L}}{\partial b} = \frac{2}{N}\sum_{i=1}^{N}\left(wx^{(i)}+b - y^{(i)}\right)

（这里 (i) 代表第i个样本）
每一步更新：

w \leftarrow w - \eta \cdot \frac{\partial \mathcal{L}}{\partial w}, \quad b \leftarrow b - \eta \cdot \frac{\partial \mathcal{L}}{\partial b}

反复迭代，w 和 b 就会逐渐逼近使损失最小的值。

好多claude都贵的太大了，我不求白嫖，有啥稍稍偏移的吗

https://llds.cloud/
主要展示个人瞎做的项目，文章。
基于Nuxt + UnoCSS， 部署在 Cloudflare。
欢迎大家互换友链：申请友链

前几天还好使，突然不行了，有没有佬友有解决方案？

之前薅的5年，后面没用过，今天用了一下觉得还行啊，就是快，回答的特快，排版看着也舒服。
之前用的Gemini，开快速感觉都没copilot快和美观。

rt，只有使用gpt模型会，输出一段就不输出了，如截图这样

0325使用1刀的虚拟卡开的team，目前还没掉。0326使用0刀的虚拟卡开的team在0328凌晨掉了。感觉1刀的能多持续一段时间，不知道啥时候掉，之前0刀的基本最多三天都掉了，佬们都是啥情况