1. 64QAM与16QAM速率对比

64 = 2^6，6bit信息/符号；

16 = 2^4，4bit信息/符号；

6/4 = 1.5倍数

2. 人工智能热点关注（ChatGPT）

GPT “生成性预先训练转换器”(generative pretrained transformer)

百科：

        ChatGPT是一种由OpenAI训练的大型语言模型。它的原理是基于Transformer架构，通过预训练大量文本数据来学习如何生成人类可读的文本，然后通过接受输入并生成输出来实现对话。

ChatGPT的用途非常广泛，可以用于自然语言处理（NLP）任务，它拥有极强的自然语言处理能力，可以用于各种任务，如文本生成、文本分类、问答系统、语言翻译和对话系统等。

        如果你想使用ChatGPT，你可以用它来构建对话机器人，回答问题，生成文本等。它的应用非常广泛，可以用于各种场景，如客服、帮助提供者、教育机构等。

        1. 对话系统：它可以模拟人类对话，并根据上下文生成自然流畅的回答。

                ChatGPT可以被用来构建智能客服系统，与客户进行对话，回答他们的问题，解决他们

                的问题。同时，ChatGPT也可以被用来构建语音助手，如智能家居设备中的语音控制系

                统，以及手机中的智能助手，如Siri和Alexa。

        2. 自然语言生成：它可以生成各种类型的文本，如新闻报道、文章、电子邮件、广告等。

                可以生成高质量文本，可以帮助程序员生成代码完成开发。  

        3. 文本分类

                ChatGPT可以被用来将文本分类到不同的类别中，如垃圾邮件过滤、情感分析等。这些

                应用可以帮助人们更好地管理信息，提高工作效率。

        4. 问答系统：可以被用来构建问答系统，回答用户的问题，提供相关信息。

                ChatGPT可以被用来回答各种文本问题，如搜索、技术支持、咨询等。ChatGPT也可

                以被用来回答语音问题，从而帮助用户更快地获取信息。

        5. 语言翻译：可以被用来作语言翻译系统

        无监督预训练技术是ChatGPT实现对话生成的关键技术，它可以自动地从大量的无标注数据中学习到语言的规律和特征，从而提高模型的泛化能力和表现力。

Tranformer模型：

        规范化层作用：在一定层数后接规范化层进行数值的规范化，使其特征数值在合理范围内.

3. 解决AI模型的泛化能力

【深度学习/AI中的generalization问题，也就是泛化和正则化】

        机器学习方法训练出来一个模型，希望它不仅仅是对于已知的数据(训练集)性能表现良好，对于未知的数据(测试集)也应该表现良好，也就是具有良好的generalization能力，这就是泛化能力。测试集的误差，也被称为泛化误差。

        在机器学习中，泛化能力的好坏，最直观表现出来的就是模型的过拟合(overfitting)与欠拟合(underfitting)。

        减缓过拟合：正则化。正则化，它的目标就是要同时让经验风险和模型复杂度较小。正则化的最终目标: 让网络学的不要太死，否则变成僵硬的书呆子。

        一个机器学习系统，学习的是从输入到输出的关系，只要一个模型足够复杂，它是不是可以记住所有的训练集合样本之间的映射，代价就是模型复杂，带来的副作用就是没见过的只是略有不同的样本可能表现地就很差，就像下面这张图，只是更改了一个像素，预测就从Dog变成了Cat。

        正则化方法：

                1.经验正则化：提前终止 / 模型集成

                提前终止：训练曲线随着不断迭代训练误差不断减少，但是泛化误差减少后开始增长。

                                  假如我们在泛化误差指标不再提升后，提前结束训练，也是一种正则化方

                                  法，这大概是最简单的方法了。

                模型集成：模型集成(ensemable)，也就是通过训练多个模型来完成该任务，它可以是不

                                  同网络结构，不同的初始化方法，不同的数据集训练的模型，也可以是用不

                                  同的测试图片处理方法，总之，采用多个模型进行投票的策略。

                                Dropout一种重要方法：它在训练过程中，随机的丢弃一部分输入，此时丢弃

                                                                        部分对应的参数不会更新。

                                        因为dropout降低了模型的性能，所以对于原本需要容量为N的网络才能

                                        解决的问题，现在需要N/p，p就是保留该节点的概率，这个概率通常在

                                        0.5～0.9之间，p=1就是普通的网络了。

                                        因为dropout相当于增加了噪声，造成梯度的损失，所以需要使用更大的

                                        学习率和动量项。与此同时，对权重进行max-norm等权重约束方法，使

                                        其不超过某个值。

                2. 参数正则化方法：

        数据增强：归一化batch normalization

                现在一般采用批梯度下降方法对深度学习进行优化，这种方法把数据分为若干组，按组来更新参数，一组中的数据共同决定了本次梯度的方向，下降时减少了随机性。另一方面因为批的样本数与整个数据集相比小了很多，计算量也下降了很多。

        Batch Normalization(简称BN)中的batch就是批量数据，即每一次优化时的样本数目，通常BN网络层用在卷积层后，用于重新调整数据分布。假设神经网络某层一个batch的输入为X=[x1,x2,...,xn]，其中xi代表一个样本，n为batch size。

        Batch Normalization归一化优势：

                (1) 减轻了对参数初始化的依赖，这是利于调参的朋友们的。

                (2) 训练更快，可以使用更高的学习率。

                (3) BN一定程度上增加了泛化能力，dropout等技术可以去掉。

两种提高泛化能力的思路：

        第一，在不同的环境中采集多组数据重新模型训练，以此提高模型的泛化能力；第二，不用换环境采集新数据，而是对现有的训练数据合理去噪（或称滤波），用去噪后的强特征数据重新训练模型，以此提高模型的泛化能力。