深度学习

以电商客服助手为例，通过链式调用语言模型，结合多个Prompt实现复杂的问答与推理功能。 一，基础知识了解 1.1 语言模型 大语言模型（LLM）是通过预测下一个词的监督学习方式进行训练的。具体来说，

一，什么是Prompt 在人工智能领域，Prompt指的是用户给大型语言模型发出的指令。作用是引导模型生成符合预期主题或内容的文本，从而控制生成结果的方向和内容。 大模型是根据用户提出的问题来输出下文

自2022年，ChatGPT发布之后，大语言模型（Large Language Model），简称LLM掀起了一波狂潮。作为学习理解LLM的开始，先来整体的理解一下大语言模型 一，发展历史 大语言模型

一，什么是分词 分词就是指将文本数据转换为一个个的单词，是中文自然语言处理的基础，将连续的中文文本切分成一个一个的词语或字的过程 像借用思知的分词工具，实例如下 分词就是通过某种技术将连续的文本分割成

一，RNN 在BP神经网络和CNN中，输入输出都是互相独立的，但是在实际应用中有些场景输出内容和之前的内容是由关联的，比较典型的就是在处理序列信息的时候。 循环神经网络，在全连接神经网络的基础上增加了

卷积神经网络可以有效地处理空间信息， 循环神经网络就是专门为更好地处理序列信息而生，如时间等。循环神经网络通过引入状态变量存储过去的信息和当前的输入，从而可以确定当前的输出。 一，什么是循环神经网络

在之前已经介绍了卷积神经网络的基本原理，这一节主要介绍一下现代的现代卷积神经网络模型，包括 AlexNet。它是第一个在大规模视觉竞赛中击败传统计算机视觉模型的大型神经网络； 使用重复块的网络（VGG

一，基础介绍 在前面的内容中，所有的包括函数、各种层的封装都是我们自己手动码出来的，在实际的工程应用中，其实有很多东西是可以重复利用的，所以有些大佬就将其封装了起来，方便使用 深度学习框架的主要功能有

一，整体结构 卷积神经网络，英文为Convolutional Neural Network，所以也被简称为CNN CNN和之前介绍的神经网络一样，也可以通过组装层来构建，只是在CNN中新出现了卷积层和

通过组装已经实现的层来构建神经网络。 神经网络学习的步骤如下所示： 1，从训练数据中随机选择一部分数据。 2，计算损失函数关于各个权重参数的梯度。 3，将权重参数沿梯度方向进行微小的更新。 4，重复步

在四中，采取了数值微分的方式求损失函数关于权重参数的梯度，但是比较耗时间，这一节讲一个能够高效计算权重参数的梯度的方法——误差反向传播法。 一，计算图 计算图指的就是将计算过程用图形表示出来。 计算图

在之前神经网络的学习基础上，来试着解决实际问题。 进行手写数字图像的分类。假设学习已经全部结束，我们使用学习到的参数，先实现神经网络的“推理处理”。这个推理处理也称为神经网络的前向传播。 一，MNIS

在之前的感知机中，虽然它有着理论上能表示很多复杂函数的可能，但是设定权重等都是人工进行的。 而神经网络的出现就是为了解决这个问题，神经网络是可以自动地从数据中学习到合适的权重参数。 一，从感知机到神经

感知机是作为神经网络的起源算法，因此，学习感知机的构造也是很有帮助的。 一，感知机是什么 感知机接收多个输入信号，输出一个信号。信号只有0和1两种取值。 如下是一个接收两个输入信号的感知机 图中，$x