“不同的架构,适合不同的任务”
很多人对人工智能以及大模型都有一定的误解,那就是弄不明白其中各种专业名词,以及关系。甚至很多人认为大模型就是人工智能,人工智能就是大模型。
也有人认为只有transformer架构的才是大模型,因此,今天就来了解一下模型的架构。
大模型的架构及优缺点
首先,人工智能(AI)有多种实现方式,而机器学习是其中的一种;而基于机器学习又延伸出了深度学习,深度学习的思想就是分层,通过多个层的叠加实现对数据的分级表达。
而神经网络又是深度学习的一种表现形式,是由模仿人脑神经元的机制而得名,又由于多层的神经网络具有庞大的参数,因此叫做大模型(庞大参数量的机器学习(神经网络)模型)。
所以,大模型的核心是层次堆叠;因此,为了实现这种效果就有了多种神经网络的大模型架构。
大模型的常用架构主要包括Transformer,BERT,GPT,T5等;每种架构都有其独特的设计理念和应用场景;以下是对这些架构的详细介绍以及它们的优缺点分析。
_Transformer架构_
简介
Transformer是目前大模型的主流架构,由Vaswani等人于2017年提出。它使用了注意力机制替代了传统的RNN和LSTM,能够更好的捕捉长距离依赖关系。
关键组件
自注意力机制:计算序列中各元素之间的相关性,生成每个元素的加权表示。
多头注意力机制:将注意力机制并行化处理,提高模型的表示能力
位置编码:由于模型本身不具备顺序信息,位置编码用于为序列添加位置信息
应用
Transformer本身用于各种自然语言处理认为,如机器翻译,文本分类等。
优点:模型可以并行处理序列,训练效率高,能够很好的捕捉长距离依赖。
缺点:在处理长序列时,计算复杂度高,内存占用大
BERT(Bidirectional Encoder Representations from Transformers)
简介
BERT是一种双向Transformer架构,擅长处理自然语言理解认为。它通过遮盖语言模型,和下一句预测进行训练。
特点
双向性允许BERT同时考虑左侧和右侧的上下文,增强了理解能力。
应用
情感分析,问答系统,文本分类,命名体识别等
优缺点
优点:双向编码器能够更好的理解上下文,尤其适合理解复杂的语言现象
缺点:生成能力较弱,主要适用于理解认为;模型计算成本较高
GPT(Generative Pretrained Transformer)
简介
GPT是一种基于Transformer的自回归模型,专注于文本生成任务,与BERT不同,GPT是单向的,即只使用过去的上下文来预测当前的单词。
关键特点
自回归生成:依次预测下一个单词,适合文本生成任务
Transformer解码器:采用Transformer架构中的解码器部分
应用
对话系统,文本生成,文章撰写,翻译等
优缺点
优点:生成文本时能保持一致性和流畅性,适用于多种生成任务
缺点:由于单向性,在理解复杂等上下文时效果不如BERT
T5(Text-To-Text Transfer Transformer)
简介
T5是一种统一的文本到文本的模型架构,可以将所有任务都转换为文本生成任务;例如翻译任务中的输入是原文,输出是译文;文本分类任务中的输入是句子,输出是类别标签
关键特点
统一框架:所有任务都表示为文本转换任务,简化了模型设计和训练流程
预训练目标:使用多任务预训练,包括翻译,摘要生成等
应用
翻译,摘要生成,文本分类,多任务学习等
优缺点
优点:统一框架便于跨任务的知识迁移,模型更具有通用性
缺点:对生成任务过于依赖,可能不适合一些特定的理解任务
基于Transformer架构的文本处理模型开发的人工智能机器人:
DistilBERT
简介
DistilBERT是BERT的精简版,通过蒸馏技术减小模型规模,同时保留了大部分性能
关键特点
模型蒸馏:通过从大模型中学习,精简模型参数,减少计算需求
应用
与BERT类似的任务,但适用于计算资源有限的场景
优缺点
优点:计算成本低,适合移动设备或实时应用
缺点:精度略低于完整的BERT模型
给大家推荐一本书,以下是一本学习大模型架构的书,里面详细介绍了大模型的核心架构以及实现原理,感兴趣的朋友可以点击购买:
不同架构的优缺点对比
-
BERT vs. GPT:BERT 适合理解任务,如文本分类、问答系统;GPT 适合生成任务,如文本生成、对话系统。BERT 的双向编码使其在理解上下文时更强,而 GPT 在生成流畅自然的文本时更有优势。
-
Transformer vs. RNN/LSTM:Transformer 可以并行处理,提高了训练效率,且更好地捕捉长距离依赖,但在处理超长序列时计算复杂度较高。RNN/LSTM 则天然适合处理序列数据,但容易出现梯度消失问题。
-
T5 vs. BERT/GPT:T5 的统一框架使其在多任务学习中表现出色,但在专门的理解或生成任务中,可能不如专门设计的 BERT 或 GPT。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“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,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,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。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。