【小白教程】一文讲清楚大模型中8个关键词及原理：LLM、Transformer、GPT、Bert、预训练、微调、深度学习、Token

什么是大模型你是不是脑子里浮现的是 OpenAI、ChatGPT、DeepSeek还有各式各样能跳个舞、可以翻个跟头的机器人再深入点的还能说出训练与推理。有没有一种感觉就是身边的信息都在声嘶力竭的鼓吹大模型正在改变世界恍惚自己再不学习下大模型就马上会被世界所抛弃的感觉如果你有这种感觉那就对了。因为我曾经也有这个感觉所以在某个时间、某个瞬间我就下定决心要躬身入局弄清楚它的概念与原理。所以就有了这篇文章弄懂了它们就已经超过了很多人如果还明白了其原理就达到了“砖家”级别。即使是跟别人吹牛时也不致于内心发虚。专业词汇阅读与理解时肯定没有娱乐新闻有趣希望我们一起能沉下心来完整阅读与理解时间不会辜负每个努力学习的人下面我们一起进步。深度学习【人工智能】的英文单词是 artificial intelligence即我们常说的 AI。跟它相关的还有两个专业词汇一个是深度学习一个是机器学习。【深度学习】英文单词是 deep learning【机器学习】的英文单词是 machine learning。深度学习是机器学习和人工智能领域的一个重要分支主要聚焦于神经网络的研究。深度学习的发展使得大语言模型能够利用海量的文本数据进行训练从而相比于以往的方法能够捕获更深层次的上下文信息和人类语言的细微之处。因此大语言模型在文本翻译、情感分析、问答等各类自然语言处理任务中都有显著的性能提升。大语言模型的成功一方面得益于为其提供支撑的Transformer 架构另一方面得益于用于训练这些模型的海量数据。这使得它们能够捕捉到语言中的各类细微差别、上下文信息和模式规律而这些都是手动编码难以实现的。LLM大语言模型large language modelLLM简称大模型是一种用于理解、生成和响应类似人类语言文本的神经网络。这类模型属于深度神经网络(deep neural network)通过大规模文本数据训练而成其训练资料甚至可能涵盖了互联网上大部分公开的文本。大语言模型在理解、生成和解释人类语言方面拥有出色的能力。当我们谈论语言模型的“理解”能力时实际上是指它们能够处理和生成看似连贯且符合语境的文本而这并不意味着它们真的拥有像人类一样的意识或理解能力。“大语言模型”这一名称中的“大”字既体现了模型训练时所依赖的庞大数据集也反映了模型本身庞大的参数规模。这类模型通常拥有数百亿甚至数千亿个参数(parameter)。这些参数是神经网络中的可调整权重在训练过程中不断被优化以预测文本序列中的下一个词。下一单词预测(next-word prediction)任务合理地利用了语言本身具有顺序这一特性来训练模型使得模型能够理解文本中的上下文、结构和各种关系。由于大语言模型能够生成文本因此它们通常也被归类为生成式人工智能generative artificial intelligence简称 generative AI 或GenAI。如今大多数大语言模型是使用 PyTorch 深度学习库实现的针对特定领域或任务量身打造的大语言模型在性能上往往优于 ChatGPT 等为多种应用场景而设计的通用大语言模型。这样的例子包括专用于金融领域的模型和专用于医学问答的大语言模型。使用定制的大语言模型具有多个优势尤其是在数据隐私方面。例如出于机密性考虑公司可能不愿将敏感数据共享给像 OpenAI 这样的第三方大语言模型提供商。此外如果开发较小的定制的大语言模型那么就可以将其直接部署到客户设备笔记本电脑和智能手机上。这也是大模型企业落地正在探索的方向。本地部署可以显著减少延迟并降低与服务器相关的成本。【预训练】与【微调】此外定制的大语言模型使开发者拥有完全的自主权能够根据需要控制模型的更新和修改。大语言模型的构建通常包括预训练(pre-training)和微调(fine-tuning)两个阶段。预训练定义预训练是利用大规模通用数据对模型进行初步训练使其学习数据中的通用特征和规律为后续特定任务学习奠定基础的过程。“预训练”中的“预”表明它是模型训练的初始阶段此时模型会在大规模、多样化的数据集上进行训练以形成全面的语言理解能力。以预训练模型为基础微调阶段会在规模较小的特定任务或领域数据集上对模型进行针对性训练以进一步提升其特定能力。请点击图片放大仔细理解其完整过程预训练是大语言模型的第一个训练阶段预训练后的大语言模型通常称为基础模型(foundation model)。一个典型例子是 ChatGPT的前身——GPT-3这个模型能够完成文本补全任务即根据用户的前半句话将句子补全。此外它还展现了有限的少样本学习能力这意味着它可以在没有大量训练数据的情况下基于少量示例来学习并执行新任务。【微调】的定义微调是在预训练模型基础上通过少量特定领域数据对模型参数进行针对性优化使其更适配具体任务的过程。微调大语言模型最流行的两种方法是【指令微调】和【分类任务微调】。在指令微调(instruction fine-tuning)中标注数据集由“指令−答案”对比如翻译任务中的“原文−正确翻译文本”组成。在分类任务微调(classification fine-tuning)中标注数据集由文本及其类别标签比如已被标记为“垃圾邮件”或“非垃圾邮件”的电子邮件文本组成。Transformer 架构该架构是在谷歌于 2017年发表的论文“Attention Is All You Need”中首次提出的。Transformer 最初是为机器翻译任务比如将英文翻译成德语和法语开发的。Transformer 架构由两个子模块构成编码器和解码器。编码器(encoder)模块负责处理输入文本将其编码为一系列数值表示或向量以捕捉输入的上下文信息。然后解码器(decoder)模块接收这些编码向量并据此生成输出文本。以翻译任务为例编码器将源语言的文本编码成向量解码器则解码这些向量以生成目标语言的文本。编码器和解码器都是由多层组成这些层通过自注意力机制连接。Transformer 和大语言模型的一大关键组件是自注意力机制(self-attention mechanism)它允许模型衡量序列中不同单词或词元之间的相对重要性。这一机制使得模型能够捕捉到输入数据中长距离的依赖和上下文关系从而提升其生成连贯且上下文相关的输出的能力。并非所有的 Transformer 都是大语言模型因为Transformer 也可用于计算机视觉领域。同样并非所有的大语言模型都基于 Transformer 架构因为还存在基于循环和卷积架构的大语言模型。GPT 与 Bert与原始 Transformer 架构相比GPT的通用架构更为简洁。请点击图片放大仔细理解其完整过程它只包含解码器部分并不包含编码器。由于像 GPT 这样的解码器模型是通过逐词预测生成文本因此它们被认为是一种自回归模型(autoregressive model)。自回归模型将之前的输出作为未来预测的输入。GPT-3 总共有 96 层 Transformer 和 1750 亿个参数虽然原始的 Transformer 模型包含编码器模块和解码器模块专门为语言翻译而设计但 GPT 模型采用了更大且更简单的纯解码器架构旨在预测下一个词并且它们也能执行翻译任务。模型能够完成未经明确训练的任务的能力称为涌现(emergence)。这种能力并非模型在训练期间被明确教授所得而是其广泛接触大量多语言数据和各种上下文的自然结果。GPT 则侧重于原始 Transformer 架构的解码器部分主要用于处理生成文本的任务包括机器翻译、文本摘要、小说写作、代码编写等。零样本学习(zero-shot learning)是指在没有任何特定示例的情况下泛化到从未见过的任务而少样本学习(few-shot learning)是指从用户提供的少量示例中进行学习。BERT 基于原始 Transformer的编码器模块构建其训练方法与GPT 不同。GPT 主要用于生成任务而 BERT 及其变体专注于掩码预测(masked word prediction)即预测给定句子中被掩码的词。请点击图片放大仔细理解其完整过程总而言之GPT 是 Transformer的解码器部分Bert 是 Transformer 的编码器部分。Token词元(token)是模型读取文本的基本单位。数据集中的词元数量大致等同于文本中的单词和标点符号的数量。分词即将文本转换为词元的过程。预训练 GPT-3的云计算费用成本估计高达 460 万美元。该模型仅在 3000 亿个词元上进行了训练。好消息是许多预训练的大语言模型是开源模型可以作为通用工具用于写作、摘要和编辑那些未包含在训练数据中的文本。同时这些大语言模型可以使用相对较小的数据集对特定任务进行微调这不仅减少了模型所需的计算资源还提升了它们在特定任务上的性能。下一单词预测任务采用的是自监督学习(self-supervised learning)模式这是一种自我标记的方法。这意味着我们不需要专门为训练数据收集标签而是可以利用数据本身的结构。也就是说我们可以使用句子或文档中的下一个词作为模型的预测标签。由于该任务允许“动态”创建标签因此我们可以利用大量的无标注文本数据集来训练大语言模型。请点击图片放大仔细理解其完整过程关键点总结LLM大语言模型基于深度学习构建的超大规模语言模型能理解、生成自然语言并执行复杂任务。Transformer一种基于自注意力机制的深度学习架构是当前主流大模型如 GPT、BERT的核心框架。GPT生成式预训练 Transformer基于 Transformer 的生成式预训练模型擅长自然语言生成如文本创作、对话交互。Bert双向编码器表示来自 Transformer基于 Transformer 的双向预训练模型侧重自然语言理解常用于文本分类、命名实体识别等任务。预训练在大规模无标注数据上训练模型使其学习通用语言特征为下游任务提供基础能力。微调FineTuning在预训练模型基础上使用特定任务标注数据进一步训练使其适配具体应用场景。深度学习通过多层神经网络自动学习数据特征的机器学习领域是当前大模型技术的基础Token自然语言处理中对文本的最小处理单元如词语、子词或字符用于将文本转换为模型可处理的数字序列。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了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全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 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】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲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。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含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。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 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】