0x01 自然语言处理基础
1.1 基本任务
Part of speech: 词性标注
Named entity recognition: 命名实体的识别
Co-reference: 共指向性(代指)
Basic dependencies: 依存句法–句法理论
Sentiment Analysis: 情感分类
Opinion Mining:意向挖掘
1.2 词表示和语言模型
Word Representation:词表示是为了计算机理解词,两个目标:词相似度计算,词之间语义的关系。
One-hot representation: 任何一个词和词表的一维特别表示,独一无二表示每个词。
Contextual representation: 一个词和其出现的上下文有关,利用词的上下文表示词。
Distributed representation: 低维的向量表示, 比如Word2Vec。
Word Embedding: embedding就是用一个低维的向量表示一个物体,可以是一个词,或是一个商品,或是一个电影等等。
Language Model: 两个目标:一个语言序列能组成有意义的句子(联合概率,语言模型根据前文预测下一个。
1.3 大模型的基础
大模型的发展: 预训练语言模型,参数越来越来大, 对无标注学习后进行少量样本进行学习.
大模型背后的范式: 预训练好的模型, 通过任务相关的数据进行模型调优,得到最后的模型.(基于迁移学习, 比如人基于已有的知识, 在新的任务进行适配)
DEMO: GPT, CodeX, DALL-E-2, WebGPT
1.4 编程环境和GPU服务器
知识储备
购买或租用GPU服务器.
0x02 神经网络基础
2.1 基本组成
下面是一个神经元, 接收多个输入x, 产生一个输出, w表示权重, b为权重. f为激活函数
下面是3个神经元, 输出有3个值, a1 a2 a3, 注意下面的公式 W 从单个神经元的向量变成矩阵, b 从标量变成向量.
下面是多层神经元, 中间隐层表示为 h , 这个计算为前向计算.
激活函数: (避免多层神经网络坍塌), 提升网络的表达能力.
输出层: 线性一般用于回归统计, Sigmod进行二分类,
线性和sigmod
输出层: 多分类输出:
输出结果若干正值, 和为1
2.2 训练过程
首先设定目标, 输入电脑的一些属性x, 预测电脑价格, 属于回归问题.
最小化交叉熵, 情感分类标签,
具体而言, Cross-entropy计算下交叉熵越小0.74, 预测越准确.
神经网络中我们通常使用梯度下降法, 每次缩小损失函数
对于上面的m个神经元, 我们可以按照梯度下降得到下面这个Jacobin矩阵:
计算图:
反向传播: 通过上游矩阵和当前梯度, 得到下游梯度.
2.3 词向量
向量空间近似平行
两种架构
滑动窗口: 滑动窗口的中心是目标词, 其他是context词.
CBOW
Skip-Gram
Nagative Sampling: 负例采样, 越常见的比例更高.
Sub-Sampling: 平衡罕见词语.
2.4 常见神经网络模型
RNN: 处理序列数据产生顺序记忆,递归的进行建模. 变量的输入, 权重共享
GRU(gated recurrent unit) 门控循环单元, 计算更新门和传递门.
LSTM 长短期间记忆网络
双向RNN:
2.5 CNN卷积神经网络
0x03 注意力机制
- 解决信息瓶颈,关注所有信息;
- 缓解梯度消失;
- 提供可解释性
0x04 Transformer
一个两层的RNN模型
Transformer由encoder-decoder组成, 输入做了BPE(byte pair encoding)对文本切分和每个token做Position Encoding.
4.1 输入层
BPE(byte pair encoding): 一种全新的分词方式, 不再按照空格分词. 解决OOV方式, 将没见过的单词切分更小的单词.
PE(position encoding): 基于三角函数
4.2 Encoding
基于点积的注意力机制,
4.3 Decoder
Masked 多头
如何学习AI大模型 ?
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓
对于0基础小白入门:
如果你是零基础小白,想快速入门大模型是可以考虑的。
一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
😝有需要的小伙伴,可以VX扫描下方二维码免费领取🆓
👉1.大模型入门学习思维导图👈
要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。
对于从来没有接触过AI大模型的同学,我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。(全套教程文末领取哈)
👉2.AGI大模型配套视频👈
很多朋友都不喜欢晦涩的文字,我也为大家准备了视频教程,每个章节都是当前板块的精华浓缩。
👉3.大模型实际应用报告合集👈
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(全套教程文末领取哈)
👉4.大模型落地应用案例PPT👈
光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。(全套教程文末领取哈)
👉5.大模型经典学习电子书👈
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。(全套教程文末领取哈)
👉6.大模型面试题&答案👈
截至目前大模型已经超过200个,在大模型纵横的时代,不仅大模型技术越来越卷,就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道,我总结了大模型常考的面试题。(全套教程文末领取哈)
👉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
这份完整版的 AI 大模型学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓