大模型系列：什么是Embedding，非常详细收藏这一篇就够！

一、什么是Embedding

大模型（Large Language Models, LLMs）正以前所未有的速度改变着人类与机器交互的方式。而这些模型能够理解自然语言、生成创意内容，甚至进行复杂的推理决策，其背后就是一项核心技术——Embedding（嵌入）。它扮演着“神经中枢”的角色，像一座桥梁，将人类世界的离散符号（如文字、图像）转化为机器能够理解的连续向量，使大模型得以“思考”和“创作”。

最简单的理解，Embedding就是大模型自己的语言，任何需要跟大模型沟通的文字、图像、视频都需要转换为大模型所能理解的语言：Embedding，它才能处理。处理完成后，它再翻译成人类能理解的文字、图像等。这也是大模型最强大的核心能力之一，多模态处理能力。

二、Embedding的起源与发展：从语言学理论到深度学习革命

1. 语言学根基：分布式语义理论的提出

Embedding的思想最早可追溯至1954年，语言学家Zellig Harris提出的分布式语义理论。该理论认为，单词的语义由其上下文分布决定——“You shall know a word by the company it keeps”（通过单词的上下文可以推断其含义）。例如，“猫”和“狗”经常出现在“宠物”“喂食”等相似上下文中，因此它们的语义应相近。这一理论为通过统计词频捕捉语义关系奠定了基础。    

2. 深度学习突破：Word2Vec的崛起

2013年，Mikolov团队提出的Word2Vec算法成为Embedding发展的里程碑。它通过神经网络训练词向量，将每个单词映射为一个低维稠密向量，使语义相似的词在向量空间中距离接近。例如，“国王 - 男人 + 女人 ≈ 女王”的向量运算，直观体现了语义关系的捕捉。Word2Vec的开源实现推动了工业界对词嵌入技术的重视，开启了NLP任务的新纪元。 

3. 动态嵌入的兴起：BERT与GPT的上下文感知

静态词嵌入（如Word2Vec）无法解决一词多义问题（如“银行”既指金融机构，也指河岸）。2018年，BERT模型通过双向Transformer架构，生成上下文相关的Embedding，根据句子动态调整词向量。例如，在“我用苹果手机支付”和“我吃苹果”中，“苹果”的向量会因上下文不同而区分。这种动态嵌入显著提升了语义理解能力，成为大模型的标准配置。

4. 多模态扩展：图像、语音与图结构的嵌入

随着深度学习的发展，Embedding从文本扩展到多模态数据。例如： 

图像嵌入：ResNet等模型将图像映射为向量，实现图像分类与检索。

语音嵌入：Wav2Vec 2.0将语音波形转换为语义向量，支持语音识别。

图嵌入：Node2Vec、DeepWalk等算法将社交网络中的节点（如用户）表示为向量，用于推荐系统。

三、常见的Embedding模型：

已经有很多成熟的Embedding模型，下面是一些比较常见的模型： 

四、进一步解读

从核心上来说，嵌入（embedding）是一种映射，它将诸如单词、图像甚至整篇文档等离散对象映射到连续向量空间中的点。嵌入的主要目的是将非数值数据转换为神经网络能够处理的格式。

虽然词嵌入（word embeddings）是最常见的文本嵌入形式，但还存在针对句子、段落或整篇文档的嵌入。句子或段落嵌入是检索增强生成（retrieval-augmented generation）的流行选择。检索增强生成将生成（如生成文本）与检索（如搜索外部知识库）相结合，以便在生成文本时提取相关信息。    

当选择的embeddings为二维的时候，就是将词汇投影到二维空间，这时可以进行可视化绘制，从而观测出最直观的现象：相似的术语会聚集在一起。

*如果词嵌入是二维的，将它们绘制成二维散点图以便可视化。在使用词嵌入技术（如Word2Vec）时，对应相似概念的单词在嵌入空间中通常会彼此靠近。例如，不同类型的动物在嵌入空间中彼此之间的距离，比它们与国家或城市之间的距离更近。词嵌入的维度可以从一维到数千维不等。更高的维度可能会捕捉到更细微的关系，但会牺牲计算效率。

*高维Embedding对可视化提出了挑战，因为感官感知和常见的图形表示本质上局限于三维或更少，这就是为什么在二维散点图中展示二维嵌入的原因。然而，在使用LLMs时，我们通常会使用维度高得多的嵌入。对于GPT-2和GPT-3，Embedding大小（通常称为模型隐藏状态的维度）因模型的具体变种和大小而异。这是性能与效率之间的权衡。最小的GPT-2模型（117M和125M参数）使用768维的嵌入大小来提供具体的示例。最大的GPT-3模型（175B参数）使用12288维的嵌入大小。

              

五、大模型处理的高阶流程

图中所示的步骤是使用Transformer作为语言翻译的典型流程图。

1. 待翻译的文字；

2. 在进入Encoder前的预处理；

3. Encoder对文字进行Encoding处理；

4. Embeddings就是Encoder的结果，是原来文字的向量化表示；

5. Decoder的部分输出，每次执行翻译一个单词；

6. Decoder一次仅生成一次翻译；

7. 最后翻译的结果。

总结下来，就只有两个关键步骤：

1. 使用Encoder将输入转换为Embeddings；    

2. 使用Decoder对Embeddings进行处理，并将Embeddings表示的结果转换为输出结果。

六、一个示例：将文本转换为Embedding

这里给出一个最简单的Embedding示例，不采用任何已有的Embedding模型框架。其主体流程如下：

*这里加入了位置Embeddings，这是LLM自注意力机制的关键点之一，这里不对此展开。

示例代码：    

test_text="这是一段示例文字"print(test_text)import retest_text_arr = re.split(r'(\s)', test_text)print(test_text_arr)##进行TOKEN化test_text_arr = re.split(r'([,.，。\w]|\s)', test_text)print(test_text_arr) preprocessed = [item.strip() for item in test_text_arr if item.strip()]print(preprocessed)##将拆分后的单词进行去重all_words = sorted(set(preprocessed))vocab_size = len(all_words)    print(vocab_size)##为每一个Token生成一个唯一IDvocab = {token:integer for integer,token in enumerate(all_words)}for i, item in enumerate(vocab.items()): print(item)import torchfrom torch.utils.data import Dataset, DataLoader ##生成3维的embeddingoutput_dim = 3##使用制定的种子，确保可以复现torch.manual_seed(1111)embedding_layer = torch.nn.Embedding(vocab_size, output_dim)print(embedding_layer.weight)#取第2个Token的embedding，python是从0开始。前面每一个TokenID都可以作为下标从而Embedings矩阵中获取。print(embedding_layer(torch.tensor([1])))

七、后记    

每天学习和理解一点点大模型。但是这玩意好难。好好学习，天天向上吧。

        

八、参考资料 

 大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书 

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集***

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓