深入理解 Embedding 和向量：AI 应用中的核心技术.

程序员丸子

于 2024-07-30 09:51:40 发布

阅读量677

点赞数 12

文章标签：人工智能 embedding 深度学习语言模型大模型自然语言处理 AI

本文链接：https://blog.csdn.net/lyy2017175913/article/details/140788977

版权

前言

随着 AI 应用的持续火热，许多并不了解 AI 技术的人可能会被众多专业术语搞得一头雾水。相信大家经常会听到「嵌入（embedding）」和「向量（Vector）」这几个词。那么，这些术语到底是什么意思呢？在与我的产品经理交流时，我发现他对这些概念仍然处于似懂非懂的状态。本文将深入探讨这些概念，帮助大家更好地理解它们在 AI 应用中的重要性。

什么是 Embedding 和向量？

Embedding

Embedding 是一种将高维数据（如文本、图像等）映射到低维空间的技术。具体来说，embedding 是将文本嵌入到向量空间中，用向量来表示文本的含义。通过这种方式，我们可以将复杂的文本数据转换为固定长度的向量，使其更易于处理和分析。

向量

向量是一种表示有大小和方向的量的工具。如果把向量想象成一支箭头，那箭头的长度代表了大小，箭头的指向就代表了方向。在大模型中，向量的元素表示单词的语法角色、语义特性以及与其他单词的关联程度，因此可以使用多维度的向量来表示不同语境下的文本。我们通过向量嵌入模型（Embedding）将文本创建一个多维的向量数组，将所有维度的数据装在一起。

向量在大模型中的应用

在大模型中，向量的应用非常广泛。以下是一个简单的示例，展示了如何使用向量嵌入模型将文本转换为向量：

const apple = await ollamaEmbeddings.embedQuery('苹果');

// 利用 ollamaEmbeddings - llama3 的向量模型，对 ’苹果‘ 进行向量化。得到一个 4096 的高维向量
(4096) [-0.07958430796861649, 0.6035313010215759, 0.03968646004796028, 
-0.08149561285972595, 0.1804697960615158, -0.4402042031288147, -0.12610526382923126, 
-0.37151840329170227, 0.4065650403499603, -0.6496384739875793, -0.8483172655105591, 
1.2612190246582031, 0.510674774646759, -1.1137826442718506, -0.7686999440193176, 
1.8895138502120972, -0.489030122756958, -0.3428537845611572, 0.05110445246100426, 
0.9295482635498047, -0.2418692708015442, 0.5137919783592224, -0.7852306962013245, 
2.859959125518799, 1.6850849390029907, -0.30744242668151855, -0.5165977478027344, 
0.463218092918396, -0.2514533996582031, 0.7475588321685791, -1.4715372323989868, 
1.1312615871429443, -0.25702232122421265, 0.003858691081404686, 0.18920007348060608, 
1.802188754081726, 0.010296303778886795, -0.509368896484375, 0.5087011456489563, 
-1.0624116659164429, …]

在这个示例中，我们使用了 Ollama 的向量模型对“苹果”进行向量化，得到了一个 4096 维的高维向量。这个向量包含了文本“苹果”的 语义信息，使得我们可以在向量空间中进行各种操作，如相似度计算、聚类分析等。

相似度计算

当我们获得一个文本的向量数据时，它能被用来做什么呢？

相似度计算是向量在实际应用中的一个重要方面。我们可以使用一个叫做“余弦相似度”的算法来比较两个向量，发现它们两个的向量比较相似。以下是一个示例，展示了如何使用余弦相似度计算不同文本之间的相似度：

// 利用 阿里通义的向量模型 进行向量化
export const run = async () => {
  const apple = await tongyiEmbeddings.embedQuery('苹果');
  const pear = await tongyiEmbeddings.embedQuery('梨子');
  const computer = await tongyiEmbeddings.embedQuery('电脑');
  const rice = await tongyiEmbeddings.embedQuery('大米');

  const appleAndPear = cosineSimilarity(apple, pear);
  const appleAndComputer = cosineSimilarity(apple, computer);
  const pearAndComputer = cosineSimilarity(pear, computer);
  const pearAndRice = cosineSimilarity(pear, rice);

  console.log('苹果和梨子的余弦相似度', appleAndPear);
  console.log('苹果和电脑的余弦相似度', appleAndComputer);
  console.log('梨子和电脑的余弦相似度', pearAndComputer);
  console.log('梨子和大米的余弦相似度', pearAndRice);
};

run();
/**
 * 苹果和梨子的余弦相似度 0.5542435314938957
 * 苹果和电脑的余弦相似度 0.6076870305288236
 * 梨子和电脑的余弦相似度 0.2819349656432386
 * 梨子和大米的余弦相似度 0.4218836435690608
 */

在这个示例中，我们使用了阿里通义的向量模型对不同的文本进行向量化，然后计算它们之间的余弦相似度。结果显示了不同文本之间的相似度。可以很直观地看到，苹果和梨子的余弦相似度较高，这很好理解，因为苹果和梨子都属于水果，词性和语义上有较高的相似性。那么，为什么苹果和电脑的相似度会大于梨子和电脑的相似度呢？这是因为“苹果”不仅指水果，还常常出现在“苹果电脑”这样的组合中，因此在语料库中“苹果”和“电脑”共同出现的频率较高，从而导致它们的向量相似度更大。

余弦相似度的计算原理

在继续深入之前，我们先来了解一下余弦相似度的计算原理。余弦相似度是通过计算两个向量之间的夹角余弦值来衡量它们的相似度。其公式如下：

公式中的 a·b 表示向量的点积，(|a|) 和 (|b|) 分别表示向量的模（即向量的长度）。余弦相似度的值介于 -1 和 1 之间，值越接近 1 表示两个向量越相似，值越接近 -1 表示两个向量越不相似。

其实，不必过于纠结公式的具体含义，就像高中时背诵公式一样，只要在实际应用中知道如何正确套用即可

  y
  |
  |        b
  |       /
  |      /
  |     /
  |    /
  |   /
  |  /
  | / 
  |/________ x
  a

a 和 b 的夹角越小，它们越相似

用 typescript 实现余弦相似度算法

// 使用 余弦相似度 来对比两个向量
export const cosineSimilarity = (a: number[], b: number[]) => {

  let sum = 0;
  for (let i = 0; i < a.length; i++) {
    sum += a[i] * b[i];
  }

  return (
    sum /
    Math.sqrt(a.reduce((sum, x) => sum + x ** 2, 0)) /
    Math.sqrt(b.reduce((sum, x) => sum + x ** 2, 0))
  );
};

实际应用场景

文本分类

在文本分类任务中，我们可以使用向量嵌入技术将文本转换为向量，然后使用余弦相似度等算法进行分类。例如，我们可以将新闻文章嵌入到向量空间中，然后根据其与不同类别的中心向量的相似度来确定其类别。

信息检索

在信息检索系统中，向量嵌入和相似度计算也有广泛的应用。我们可以将用户的查询和文档库中的文档都嵌入到向量空间中，然后通过计算查询向量与文档向量之间的相似度来排序和检索最相关的文档。

实践中的注意事项

向量嵌入模型的选择

不同的向量嵌入模型在性能和效果上可能有很大的差异。例如，llama3 模型和阿里通义的向量模型在不同任务上的表现可能会有所不同。因此，在实际应用中，选择合适的向量嵌入模型非常重要。

// 我们如果用 OllamaEmbeddings - llama3 来实现上面的 Demo

苹果和梨子的余弦相似度 0.14414769744983516
苹果和电脑的余弦相似度 0.9932239256381733
梨子和电脑的余弦相似度 0.14694302240561782
梨子和大米的余弦相似度 0.8811809317050882

结果相差较大的原因在于 llama3 的 中文训练数据较少，因此与实际情况存在 较大差异。

维度选择

向量的维度也是一个需要注意的因素。高维向量可以捕捉更多的语义信息，但也会增加计算复杂度和存储成本。在实际应用中，需要根据具体任务的需求选择合适的向量维度。

相似度算法

除了余弦相似度，还有其他相似度算法可以选择，如欧氏距离、曼哈顿距离等。不同的相似度算法在不同的应用场景中可能会有不同的效果，因此在实际应用中可以根据具体需求选择合适的相似度算法。

总结

本文旨在抛砖引玉，带大家入门。欢迎在评论区讨论交流！

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

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。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝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】🆓
在这里插入图片描述

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

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。

👉大模型实战案例👈

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。

在这里插入图片描述

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
在这里插入图片描述

👉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。

👉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】🆓
在这里插入图片描述

程序员丸子

关注

12
点赞
踩
8

收藏

觉得还不错? 一键收藏
0
评论
深入理解 Embedding 和向量：AI 应用中的核心技术.

随着 AI 应用的持续火热，许多并不了解 AI 技术的人可能会被众多专业术语搞得一头雾水。相信大家经常会听到「嵌入（embedding）」和「向量（Vector）」这几个词。那么，这些术语到底是什么意思呢？在与我的产品经理交流时，我发现他对这些概念仍然处于似懂非懂的状态。本文将深入探讨这些概念，帮助大家更好地理解它们在 AI 应用中的重要性。Embedding 是一种将高维数据（如文本、图像等）映射到低维空间的技术。具体来说，embedding 是将文本嵌入到向量空间中，用向量来表示文本的含义。
复制链接

扫一扫