【大模型开发】 一文搞懂Embedding工作原理_embedding原理

不懂Embedding,何以懂AI?

本文将从_Text Embedding工作原理Image Embedding工作原理__、Vedio_ _Embedding工作原理_三个方面,带您一文搞懂Embedding工作原理

图片

Embedding可视化

一、**********Text Embedding工作原理**********

**文本向量化__(Text Embedding):**将文本数据(词、句子、文档)表示成向量的方法。

词向量化将词转为二进制或高维实数向量,句子和文档向量化则将句子或文档转为数值向量,通过平均、神经网络或主题模型实现。

  • 词向量化:将单个词转换为数值向量。
    • 独热编码(One-Hot Encoding):为每个词分配一个唯一的二进制向量,其中只有一个位置是1,其余位置是0。

    • 词嵌入(Word Embeddings):如Word2Vec, GloVe, FastText等,将每个词映射到一个高维实数向量,这些向量在语义上是相关的。

图片

词向量化

  • 句子向量化:将整个句子转换为一个数值向量。
    • 简单平均/加权平均:对句子中的词向量进行平均或根据词频进行加权平均。

    • 递归神经网络(RNN):通过递归地处理句子中的每个词来生成句子表示。

    • 卷积神经网络(CNN):使用卷积层来捕捉句子中的局部特征,然后生成句子表示。

    • 自注意力机制(如Transformer):如BERT模型,通过对句子中的每个词进行自注意力计算来生成句子表示。

图片

BERT句子向量化

 文档主题模型(如LDA):通过捕捉文档中的主题分布来生成文档表示。

 层次化模型:如Doc2Vec,它扩展了Word2Vec,可以生成整个文档的向量表示。
  • 文档向量化:将整个文档(如一篇文章或一组句子)转换为一个数值向量。
    • 简单平均/加权平均:对文档中的句子向量进行平均或加权平均。

图片

文档向量化

**统计方法用TF-IDF和N-gram统计生成文本向量,而神经网络方法如Word2Vec、GloVe等通过深度学习学习文本向量。**
  • 基于统计的方法
  • TF-IDF:通过统计词频和逆文档频率来生成词向量或文档向量。

  • N-gram:基于统计的n个连续词的频率来生成向量。

图片

基于神经网络的方法

词嵌入:

Word2Vec:通过预测词的上下文来学习词向量。

GloVe:通过全局词共现统计来学习词向量。

FastText:考虑词的n-gram特征来学习词向量。

句子嵌入:

RNN:包括LSTM和GRU,可以处理变长句子并生成句子向量。

Transformer:使用自注意力机制和位置编码来处理句子,生成句子向量。

文档嵌入:

Doc2Vec:扩展了Word2Vec,可以生成整个文档的向量表示。

BERT:基于Transformer的预训练模型,可以生成句子或短文档的向量表示。

图片

工作原理:将离散的文字信息(如单词)转换成连续的向量数据。这样,语义相似的词在向量空间中位置相近,并通过高维度捕捉语言的复杂性。

  • 将离散信息(如单词、符号)转换为分布式连续值数据(向量)。

  • 相似的项目(如语义上相近的单词)在向量空间中被映射到相近的位置。

  • 提供了更多的维度(如1536个维度)来表示人类语言的复杂度。

举例来讲,这里有三句话:

  • “The cat chases the mouse” 猫追逐老鼠。

  • “The kitten hunts rodents” 小猫捕猎老鼠。

  • “I like ham sandwiches” 我喜欢火腿三明治。

人类能理解句子1和句子2含义相近,尽管它们只有“The”这个单词相同。但计算机需要Embedding技术来理解这种关系。Embedding将单词转换为向量,使得语义相似的句子在向量空间中位置相近。这样,即使句子1和句子2没有很多共同词汇,计算机也能理解它们的相关性。

************如果是人类来理解,句子 1 和句子 2 几乎是同样的含义,而句子 3 却完全不同。************但我们看到句子 1 和句子 2 只有“The”是相同的,没有其他相同词汇。计算机该如何理解前两个句子的相关性?

Embedding将单词转换为向量,使得语义相似的句子在向量空间中位置相近。这样,即使句子1和句子2没有很多共同词汇,计算机也能理解它们的相关性。

图片

向量空间可视化

二、__**_********_**Image Embedding工作原理**_********_**

图像向量化(Image Embedding)将图像数据转换为向量的过程****。****

卷积神经网络和自编码器都是用于图像向量化的有效工具,前者通过训练提取图像特征并转换为向量,后者则学习图像的压缩编码以生成低维向量表示。

  • 卷积神经网络(CNN):通过训练卷积神经网络模型,我们可以从原始图像数据中提取特征,并将其表示为向量。例如,使用预训练的模型(如VGG16, ResNet)的特定层作为特征提取器。

  • 自编码器(Autoencoders):这是一种无监督的神经网络,用于学习输入数据的有效编码。在图像向量化中,自编码器可以学习从图像到低维向量的映射。

图片

CNN

_工作原理:_通过算法提取图像的关键特征点及其描述符,将这些特征转换为高维向量表示,使得在向量空间中相似的图像具有相近的向量表示,从而便于进行图像检索、分类和识别等任务。

  • 特征提取:使用算法(如SIFT、SURF、HOG等)从图像中提取关键特征点及其描述符。

  • 高维空间:图像向量通常在高维空间中表示,每个维度对应一个特征或特征描述符。

  • 相似度度量:在向量空间中,可以使用距离度量(如欧氏距离、余弦相似度等)来比较不同图像向量的相似度。

图片

图像向量化

三、__**Vedio Embedding工作原理**

视频向量化__(Vedio Embedding):OpenAI的Sora将视觉数据转换为图像块(Turning visual data into patches)。

  • **视觉块的引入:**为了将视觉数据转换成适合生成模型处理的格式,研究者提出了视觉块嵌入编码(visual patches)的概念。这些视觉块是图像或视频的小部分,类似于文本中的词元。

  • **处理高维数据:**在处理高维视觉数据时(如视频),首先将其压缩到一个低维潜在空间。这样做可以减少数据的复杂性,同时保留足够的信息供模型学习。

图片

将视觉数据转换为图像块

工作原理:******************************************************************Sora 用visual patches 代表被压缩后的视频向量进行训练,每个patches相当于GPT中的一个token。************************************************************************************************************************************使用patches,可以对视频、音频、文字进行统一的向量化表示,******************************************************************和大模型中的 tokens 类似,Sora用 patches 表示视频,把视频压缩到低维空间(latent space)后表示为Spacetime patches。

**OpenAI大模型的核心架构:大力出奇迹。**Embedding技术实现文本、图像、视频等数据向量化表示,为大型模型提供了丰富的特征输入。只要模型规模足够大,这些向量化数据就能驱动模型生成各种所需的内容,体现了“万物皆可生成”的能力

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
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

  • 15
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值