人工智能与大模型

Transformer概述 什么是Transformer Transformer模型是由谷歌公司提出的一种基于自注意力机制的神经网络模型，用于处理序列数据。相比于传统的循环神经网络模型，Transfo

想要体系化的学习一项有前景的项目或事物，我们需要从多个维度去了解it并总结分析，我们的最终目标是达到能举一反三，碰到相应的问题，可以有对策。笔者深感之前的几个文章过于简洁，本文是笔者无意间看到，很是感

深度学习经典模型-Deep Learning Classic Model-RNN_LSTM_Seq2Seq

机器学习与深度学习的之模型训练_模型评估指标，包括分类模型与回归模型。作为机器学习模型训练必须掌握的内容。

什么是优化器 优化器就是在深度学习反向传播过程中，指引损失函数（目标函数）的各个参数往正确的方向更新合适的大小，使得更新后的各个参数让损失函数（目标函数）值不断逼近全局最小 。 优化器不计算梯度，它只

对于初入AI的初学者很有用，主要内容有：学习率 - Learning Rate，Batch Size，激活函数，损失函数等概念、用途、常用库等说明。

笔者正在参加培训，这是培训的内容之一。机器学习与深度学之模型训练流程的主要流程，现在只有几个关键的图，后面展开说明。

明确任务 —— 确认任务与模型选择 先分析任务，比如有一个情况分类的任务，针对用户评论做情感分类； 根据业务类型，选择模型（比如分类，早些时间可选Google Ber或T5，现在可选LLM) 准备数据

定义 分类任务定义 简单理解就是，分类任务是对”离散值"进行预测，根据每个样本的值/特征预测该样本属于类型A、类型B还是类型C，例如情感分类，内容审核，相当于学习了一个分类边界（决策边界），用分类边界

有监督学习 监督学习利用大量的标注数据来训练模型，对模型的预测值和数据的真实标签计算损失，然后将误差进行反向传播（计算梯度、更新参数），通过不断的学习，最终可以获得识别新样本的能力。 每条数据都有正确

样本、特征、特征向量、标签（label)/真实值、数据集(dataset)、训练集(train)、模型相关、误差/损失、预测值等

LLM与ChatGPT实战之预习资料笔记： 手把手PyTorch + anaconda3+pycharm_入门工程，《Python+PyTorch+Anaconda安装配置》的姐妹篇

学习大模型与chatGPT实战的预习资料:Anaconda+PyTorch+PyCharm之安装配置

前置复习资料之一：Pycharm vs Python Console vs Jupyter的工作经比较，以后三者混用。—— 重新做了修改与补充

大语言模型实战前置储备-预习资料汇总，包含python，pytorch，机器学习与深度学习的基础教学汇总。

ChatGPT与LLM技术现状 LLM的主要手段 模型：Transformer拥有强大的表示能力，能对具有组合性(compositinality)的语言进行很好的表示和学习。 预训练（pre-trai

指令 + 背景 + 任务 + 输出引导 例1 - 网红笔记 指令：帮我写一篇引爆'掘金'的技术文章 背景：应对职业PUA 要求：字数2000字以内，开头分析现状并提出问题，内容按序层层递进，结尾升华引