最近OpenAI发布了Assistants API，允许在自己的应用程序中构建 AI 助手。Assistants API 目前支持三种类型的工具：Code Interpreter、Knowledge Retrieval、Function calling，还有对File的支持，其实网上已经有很多探讨Assistants API的使用方式的文章，主要参考API: https://platform.openai.com/docs/assistants/overview ，个人觉得这套工具其实本质实现了一个简单的ReAct模型，并且通过Assistants提供的 File、Function Call等能力，更好的与自己的应用程序进行交互，只不过目前还是相当不完备的，很多时候使用Assistants并不能一劳永逸。
最近开发OpenAI提供的Assistant功能，其中有个插件叫做Code Interpreter，由于需要把Assistant的分析过程在Vue中展示一下，方便问题定位，所以Code Interpreter生成的代码肯定也是要展示的，其他过程几乎都是Markdown的格式，所以特此记录下在Vue中如何渲染Markdown，在其他场景也会经常遇到渲染Markdown的需求。
OpenAI在2020年5月发布了GPT-3的论文，而在2022年2月1日，GPT3.5也随之问世。国内对大模型的热情似乎从22年的12月开始高涨。对我个人而言，从我首次打开GPT3.5的对话页面到现在，已经过去了九个月。在此，我想分享一下我对大模型的一些想法。
在本节中将继续探讨CNN的核心概念以及一些经典的CNN框架（LeNet、AlexNet、VGG16等），以更好地理解这一强大的图像处理工具。卷积神经网络是一种深度学习模型，广泛应用于图像识别和处理任务。CNN通过卷积层、池化层和全连接层等结构，能够有效提取图像中的特征信息，从而实现分类、检测等任务。
在深度学习的探索旅程中，我们从模拟人类神经网络结构的多层感知器（MLP）开始，逐步探索了非线性预测的实现。通过逻辑回归模型的组合，构建了能够处理复杂预测任务的庞大网络。通过实践我们了解了MLP在图像识别任务中的应用，特别是在处理MNIST数据集时的有效性。但是，面对更高分辨率的图像，MLP模型的局限性就显现出来，因为所需的参数数量巨大，导致计算量大增。为解决这一问题，引入了卷积神经网络（CNN）。
通过MLP实现手写数字识别是一个经典案例，mnist 是keras自带的一个用于手写数字识别的数据集，它的图像的分辨率是 $28 * 28$，也就是有784个像素点，它的训练集是60000个手写体图片及对应标签，测试集是10000个手写体图片及对应标签。本例中：输入层784个单元，两个隐藏层都是392个神经元，最后输出层10个单元：
之前主要学习了常见的机器学习算法，现在开始进入另一个环节：深度学习。首先就是多层感知机模型，Multi-Layer Perception（简称MLP）是标准的全连接神经网络模型，它由节点层组成，其中每个节点连接到上一层的所有输出，每个节点的输出连接到下一层节点的所有输入。本节会从一个简单的分类任务开始，逐步探讨多层感知机的工作原理。
通过酶活性预测实战来体验体验模型从欠拟合到过拟合、再到拟合的过程。选择模型从线性回归 -> 多项式回归。通过进行异常检测，帮助找到了潜在的异常数据点，进行主成分分析，判断是否需要降低数据维度，然后通过数据分离，即使未提供测试样本，也能从训练数据中分离出测试数据。然后计算得到混淆矩阵，实现模型更全面的评估。最后通过调整KNN核心参数让模型在训练数据和测试数据上均得到了好的表现。