适合人群：
在校学生：如果你是在校学生，对AI有浓厚兴趣，并希望通过学习相关内容增强自己的实践能力，以便在未来的实习或工作中脱颖而出，那么大模型的知识将是你简历上的一大亮点。
职场新人：对于那些刚刚步入职场不久的同学，如果你想通过掌握大模型技术来提升自己的职业竞争力，无论是为了升职加薪还是寻求更好的职业发展机会，这部分内容都将是你的宝贵资产。
追求效率者：如果你希望通过“偷懒”来节省时间，获取整理好的大模型面试资料和信息，以便更高效地准备面试或学习，那么这些资源将是你的得力助手。
经验交流者：渴望与行业内的专业人士近距离交流，汲取更多实战经验，获取第一手行业信息的人群，也将从这些内容中受益匪浅。
不适合人群：
自主学习强者：对于那些已经拥有强大自我学习能力，能够独立完成AI相关知识学习的人来说，这些额外的帮助可能不是必需的。 非AI领域人士：如果你不准备进入AI相关领域，或者对AI学习没有兴趣，那么这部分内容可能并不适合你。
激活函数（Activation Function）：激活函数是在神经网络中用于将神经元的输入映射到输出端的函数。它决定了节点是否应该被激活（即，是否让信息通过该节点继续在网络中向后传播）。
在神经网络中，输入通过加权求和（权重（W）和偏置（b）），然后被一个函数作用，这个函数就是激活函数。
激活函数
激活函数的主要作用如下：
增加非线性：神经网络中，如果只有线性变换，那么无论神经网络有多少层，输出都是输入的线性组合，与没有隐藏层效果相当。引入非线性激活函数，使得神经网络逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。
特征转换：把当前特征空间通过一定的线性映射转换到另一个空间，让数据能够更好地被分类。
常见的激活函数包括：Sigmoid、Tanh、Softmax、ReLU、Leaky ReLU
Sigmoid：将输入的连续实值压缩到0和1之间，特别大的负数映射为0，特别大的正数映射为1。但它存在梯度消失和输出不是以0为中心的问题。
Tanh：将输入的连续实值压缩到-1和1之间，输出以0为中心。但它同样存在梯度消失的问题。
Softmax：常用于多分类问题的输出层，将神经元的输出映射到概率分布上。
ReLU (Rectified Linear Unit)：当输入大于0时，输出等于输入；当输入小于等于0时，输出为0。ReLU解决了梯度消失的问题，但可能会导致神经元“死亡”的问题。
Leaky ReLU：对ReLU进行了改进，当输入小于0时，给予一个很小的斜率，从而避免神经元“死亡”的问题。
