如何从零学习

了解AI基本概念：首先，建议阅读「[从这里启程](https://waytoagi.feishu.cn/wiki/PFXnwBTsEiGwGGk2QQFcdTWrnlb?table=blkjooAlLFNtvKJ2)」部分，熟悉AI的术语和基础概念。了解什么是人工智能，它的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。浏览入门文章，这些文章通常会介绍AI的历史、当前的应用和未来的发展趋势。开始AI学习之旅：在「[入门：AI学习路径](https://waytoagi.feishu.cn/wiki/ZYtkwJQSJiLa5rkMF5scEN4Onhd?table=tblWqPFOvA24Jv6X&view=veweFm2l9w)」中，你将找到一系列为初学者设计的课程。这些课程将引导你了解生成式AI等基础知识，特别推荐李宏毅老师的课程。通过在线教育平台（如Coursera、edX、Udacity）上的课程，你可以按照自己的节奏学习，并有机会获得证书。选择感兴趣的模块深入学习：AI领域广泛（比如图像、音乐、视频等），你可以根据自己的兴趣选择特定的模块进行深入学习。我建议你一定要掌握提示词的技巧，它上手容易且很有用。实践和尝试：理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出你的作品。在知识库提供了很多大家实践后的作品、文章分享，欢迎你实践后的分享。体验AI产品：与现有的AI产品进行互动是学习AI的另一种有效方式。尝试使用如ChatGPT、Kimi Chat、智谱、文心一言等AI聊天机器人，了解它们的工作原理和交互方式。通过与这些AI产品的对话，你可以获得对AI在实际应用中表现的第一手体验，并激发你对AI潜力的认识。

LLM最有用的能力之一是它们可以从提示词中学习。这就是所谓的零样本学习能力。以下示例取自“通过上下文学习教授算法推理”[3]的附录，其中列表的奇偶性定义被以示例的形式提供。“以下是一个如何计算列表Q的奇偶性的示例：列表a=[1,1,0,1,0]的奇偶性是什么？A:我们初始化s=a=[1,1,0,1,0]。a的第一个元素是1，所以b=1。s=s+b=0+1=1。s=1。a=[1,0,1,0]。a的第一个元素是1，所以b=1。s=s+b=1+1=0。s=0。a=[0,1,0]。a的第一个元素是0，所以b=0。s=s+b=0+0=0。s=0。a=[1,0]。a的第一个元素是1，所以b=1。s=s+b=0+1=1。s=1。a=[0]。a的第一个元素是0，所以b=0。s=s+b=1+0=1。s=1。a=[]为空。由于列表a为空，我们有s=1，所以奇偶性是1。给定这个定义，这个其他列表b=[0,1,1,0,0,0,0,0]的奇偶性是什么？”请参见图13的结果。[heading3]3.9提示词和示例的顺序[content]值得注意的是，像GPT这样的LLM只向前读取，实际上是在完成文本。这意味着以正确的顺序提示词它们是值得的。已经发现，在示例之前给出指令是有帮助的。此外，甚至给出示例的顺序也有所不同（参见Lu等人[4]）。记住这一点，并尝试不同的提示词和示例顺序。

学习Stable Diffusion的提示词是一个系统性的过程，需要理论知识和实践经验的相互结合。以下是一些建议的步骤：1.学习基本概念-了解Stable Diffusion的工作原理和模型架构-理解提示词如何影响生成结果-掌握提示词的组成部分（主题词、修饰词、反面词等）2.研究官方文档和教程-通读Stable Diffusion官方文档，了解提示词相关指南-研究来自开发团队和专家的教程和技巧分享3.学习常见术语和范例-熟悉UI、艺术、摄影等相关领域的专业术语和概念-研究优秀的图像标题和描述，作为提示词范例4.掌握关键技巧-学习如何组合多个词条来精确描述想要的效果-掌握使用"（）"、""等符号来控制生成权重的技巧-了解如何处理抽象概念、情感等无形事物的描述5.实践和反馈-使用不同的提示词尝试生成各种风格和主题的图像-对比提示词和实际结果，分析原因，总结经验教训-在社区内分享结果，请教高手，获取反馈和建议6.创建提示词库-根据主题、风格等维度，建立自己的高质量提示词库-将成功案例和总结记录在案，方便后续参考和复用7.持续跟进前沿-关注Stable Diffusion的最新更新和社区分享-及时掌握提示词的新技术、新范式、新趋势