创意广告设计案例

青海新闻网

创意广告设计案例：如何打造出有吸引力的广告

现在市场竞争激烈，广告已经成为每一家企业必不可少的营销方式。但是，如何打造出有吸引力的广告，吸引消费者的目光，让他们主动选择你的产品或服务呢？本文将围绕创意广告设计案例，为你分享一些经验与技巧。

1. 突出重点

在设计广告时，一定要突出产品或服务的重点。例如，如果你的产品具有特别的功能或特点，一定要在广告中展现出来。同时，广告语也要简洁明了，能够让消费者一眼看到产品或服务的核心卖点。

2. 制造情感共鸣

人们更容易被情感所感染。因此，在广告设计中，制造情感共鸣可以更好地吸引消费者。例如，可以通过广告中清晰的画面、动人的音乐、生动的故事情节等手段，让消费者感受到产品或服务所带来的美好体验。

3. 合理运用色彩

色彩对于广告设计来说非常重要。不同的颜色可以传达不同的情感和意义。例如，红色代表热情、活力和挑战，蓝色代表稳重、冷静和信任，黄色代表快乐、温暖和乐观。因此，在广告设计中，合理运用色彩可以更好地引发消费者的共鸣。

通过以上三点，你能够更好地理解如何打造出有吸引力的广告。当然，在实践中，广告设计还需要不断地探索和创新。希望本文能够给你带来一些启发和帮助，让你的广告设计更加出彩！

结论

广告设计是一门艺术，更是一门技术。只有不断地尝试、创新和突破，才能够打造出更有吸引力的广告，吸引更多的消费者。希望本文能够为广告设计者提供一些参考和启示，让你的广告设计更加出彩！

创意广告设计案例特色

1、多样化的地图场景带给你新鲜不重样的滑行体验。

2、基金从业资格考试2019最新智能、可视化题库

3、数据记录步数卡路里，智能全记录。

4、各类兴趣玩法等着你，比网易星球更有趣哦

5、更多趣味各类周月活动，更有投币支持作者。

创意广告设计案例亮点

1、三国时期的名将出现在游戏中，供您收集和选择。

2、玩家需要快速突破各种防御线才能到达一楼。

3、专注于本地新闻展示，更多当地实时动态一手掌握；

4、超高爆魔幻传奇之战，高爆率战斗等你体验。

5、视频课直播+录播全方位精讲新版教材。

duoyanghuadedituchangjingdaigeinixinxianbuzhongyangdehuaxingtiyan。jijincongyezigekaoshi2019zuixinzhineng、keshihuatikushujujilubushukaluli，zhinengquanjilu。geleixingquwanfadengzheni，biwangyixingqiugengyouquogengduoquweigeleizhouyuehuodong，gengyoutoubizhichizuozhe。真(zhen)·從(cong)零(ling)復(fu)刻(ke)ChatGPT！斯(si)坦(tan)福(fu)等(deng)開(kai)啟(qi)「紅(hong)睡(shui)衣(yi)」計(ji)劃(hua)，先(xian)开源(yuan)1.2萬(wan)億(yi)token訓(xun)練(lian)集(ji)

新(xin)智(zhi)元(yuan)報(bao)道(dao)

編(bian)輯(ji)：LRS

【新智元導(dao)讀(du)】从零打(da)造(zao)ChatGPT，AI从業(ye)者(zhe)大(da)團(tuan)結(jie)！

Meta AI开源的(de)大羊(yang)駝(tuo)LLaMA模(mo)型(xing)徹(che)底(di)點(dian)燃(ran)了(le)开源社(she)區(qu)的熱(re)情(qing)，並(bing)在(zai)此(ci)基(ji)礎(chu)上(shang)相(xiang)繼(ji)开發(fa)出(chu)了各(ge)種(zhong)類(lei)ChatGPT的羊驼Alpaca, Vicuna等。

但(dan)Meta只(zhi)是(shi)开源了LLaMA的權(quan)重(zhong)，训练用(yong)到(dao)的數(shu)據(ju)集并沒(mei)有(you)开源出來(lai)，對(dui)於(yu)那(na)些(xie)想(xiang)从頭(tou)开始(shi)训练LLaMA的从业者来說(shuo)，目(mu)前(qian)還(hai)没有开源方(fang)案(an)。

最(zui)近(jin)，由(you)Ontocord.AI，蘇(su)黎(li)世(shi)聯(lian)邦(bang)理(li)工(gong)學(xue)院(yuan)DS3Lab，斯坦福CRFM，斯坦福Hazy Research 和(he)蒙(meng)特(te)利(li)爾(er)学習(xi)算(suan)法(fa)研(yan)究(jiu)所(suo)的宣(xuan)布(bu)开启「红睡衣」（RedPajama）计划，旨(zhi)在生(sheng)成(cheng)可(ke)复現(xian)、完(wan)全(quan)开放(fang)、最先進(jin)的語(yu)言(yan)模型，即(ji)从零壹(yi)直(zhi)开源到ChatGPT！

下(xia)載(zai)地(di)址(zhi)：

https://huggingface.co/datasets/togethercomputer/RedPajama-Data-1T

預(yu)處(chu)理倉(cang)庫(ku)：https://github.com/togethercomputer/RedPajama-Data

「红睡衣」开源计划總(zong)共(gong)包(bao)括(kuo)三(san)部(bu)分(fen)：

1. 高(gao)質(zhi)量(liang)、大規(gui)模、高覆(fu)蓋(gai)度(du)的预训练数据集；

2. 在预训练数据集上训练出的基础模型；

3. 指(zhi)令(ling)調(tiao)優(you)数据集和模型，比(bi)基本(ben)模型更(geng)安(an)全、可靠(kao)。

目前红睡衣计划中(zhong)的第(di)一部分，即预训练数据集RedPajama-Data-1T已(yi)开源，包括七(qi)個(ge)子(zi)集，經(jing)過(guo)预处理後(hou)得(de)到的token数量大致(zhi)可以(yi)匹(pi)配(pei)Meta在原(yuan)始LLaMA論(lun)文(wen)中报告(gao)的数量，并且(qie)数据预处理相關(guan)腳(jiao)本也(ye)已开源。

完整(zheng)的RedPajama-Data-1T数据集需(xu)要(yao)的存(cun)儲(chu)容(rong)量為(wei)壓(ya)縮(suo)后3TB，解(jie)压后5TB，有條(tiao)件(jian)、有網(wang)速(su)的小(xiao)夥(huo)伴(ban)可以开始搞(gao)起(qi)来了！

目前开发团隊(dui)正(zheng)在橡(xiang)樹(shu)嶺(ling)領(ling)导计算設(she)施(shi)(OLCF)的支(zhi)持(chi)下开始训练模型，预计幾(ji)周(zhou)后即可开源。

通(tong)过OpenChatKit，研究人(ren)員(yuan)已经收(shou)到了数十(shi)万条高质量的自(zi)然(ran)用戶(hu)指令，將(jiang)用于发布 RedPajama 模型的指令优化(hua)版(ban)本。

复刻LLaMA

2023年(nian)2月(yue)27日(ri)，Meta推(tui)出LLaMa并发布了相关论文。

论文鏈(lian)接(jie)：https://arxiv.org/pdf/2302.13971.pdf

LLaMa實(shi)際(ji)上是一組(zu)基础语言模型的統(tong)稱(cheng)，其(qi)參(can)数範(fan)圍(wei)从70亿到650亿不(bu)等，其中LLaMA-13B（130亿参数）版本甚(shen)至(zhi)在大多(duo)数基準(zhun)測(ce)試(shi)中都(dou)优于1750亿参数的GPT-3；最大的LLaMA-65B和Chinchilla-70B和PaLM-540B相比也不落(luo)下風(feng)。

和之(zhi)前的大模型不同(tong)的是，LLaMa完全使(shi)用「公(gong)开数据集」就(jiu)達(da)到了SOTA，并不存在其他(ta)模型中「不可告人」的秘(mi)密(mi)，無(wu)需使用專(zhuan)用或(huo)只存在于虛(xu)空(kong)中的数据集。

具(ju)體(ti)使用的数据集和预处理操(cao)作(zuo)如(ru)下。

English CommonCrawl-占(zhan)比67%

使用CCNet pipeline对五(wu)个CommonCrawl dumps（2017-2020年）进行(xing)预处理，刪(shan)除(chu)重复的行，并用fastText線(xian)性(xing)分类器(qi)进行语言分类，去(qu)除非(fei)英(ying)语頁(ye)面(mian)，并用ngram语言模型过濾(lv)低(di)质量內(nei)容。

还训练了一个线性模型来对維(wei)基百(bai)科(ke)中用作参考(kao)文獻(xian)的页面與(yu)隨(sui)機(ji)采(cai)樣(yang)的页面进行分类，并去除未(wei)被(bei)分类为参考文献的页面。

C4-占比15%

在探(tan)索(suo)实驗(yan)中，研究人员觀(guan)察(cha)到使用多样化的预处理CommonCrawl数据集可以提(ti)高性能(neng)，所以将公开的C4数据集納(na)入(ru)我(wo)們(men)的数据。

Github-占比4.5%

使用谷(gu)歌(ge)BigQuery上的GitHub公共数据集，只保(bao)留(liu)在Apache、BSD和MIT許(xu)可下发布的項(xiang)目。

然后用基于行長(chang)或字(zi)母(mu)数字字符(fu)比例(li)的启发式(shi)方法过滤了低质量的文件，并用正則(ze)表(biao)达式删除了HTML boilerplate（如<header>等）。

最后在文件層(ceng)面上对所生成的数据集进行重复计算，并进行精(jing)確(que)匹配。

维基百科-占比4.5%

数据集中添(tian)加(jia)了2022年6月至8月期(qi)間(jian)的维基百科dumps，涵(han)盖20种语言，包括使用拉(la)丁(ding)字母或西(xi)裏(li)尔字母的语言，具体为bg, ca, cs, da, de, en, es, fr, hr, hu, it, nl, pl, pt, ro, ru, sl, sr, sv, uk；然后对数据进行预处理，以去除超(chao)链接、評(ping)论和其他格(ge)式化的html模板(ban)。

Gutenberg and Books3-占比4.5%

训练数据集中包括兩(liang)个書(shu)籍(ji)相关的语料(liao)库，Gutenberg Project为公共领域(yu)的书籍；ThePile中Books3部分是一个用于训练大型语言模型的公开数据集。

预处理操作主(zhu)要是删除重复内容超过90%的书籍。

ArXiv-占比2.5%

通过处理arXiv的Latex文件将科学数据添加到训练数据集中，删除了第一節(jie)之前的所有内容，以及(ji)书目；还删除了.tex文件中的註(zhu)釋(shi)，以及用户寫(xie)的内联擴(kuo)展(zhan)的定(ding)義(yi)和宏(hong)，以提高不同论文的一致性。

Stack Exchange-占比2%

Stack Exchange是一个高质量問(wen)題(ti)和答(da)案的网站(zhan)，涵盖了从计算机科学到化学等不同领域。保留了28个最大网站的数据，删除了文本中的HTML標(biao)簽(qian)，并按(an)分数（从高到低）对答案进行了排(pai)序(xu)。

分詞(ci)器（Tokenizer）

根(gen)据SentencePiece的实现使用字节对编碼(ma)（byte-pair-encoding，BPE）算法对数据进行分词，其中連(lian)續(xu)的数字被分割(ge)成單(dan)个数字。

最終(zhong)整个训练数据集在分词后獲(huo)得了大約(yue)1.4T的tokens，除了维基百科和圖(tu)书数据外(wai)，其他的数据在训练期间只使用一次(ci)，总共进行了约两个epochs

参考資(zi)料：

https://www.together.xyz/blog/redpajama返(fan)回(hui)搜(sou)狐(hu)，查(zha)看(kan)更多

責(ze)任(ren)编辑：