印刻君

要想理解 AI 训练过程, 关键在于要理解其背后的数学语言. 今天我将为你介绍 AI 训练中的 8 个数学概念, 帮助你更好地理解 AI 训练

函数, 向量, 矩阵与神经网络之间到底是什么关系? 今天, 我们就从最基础的概念出发, 一步步把这些知识点串联起来.

大家好, 我是印刻君. 今天我们来聊注意力 (Attention) , 这个 Transfromer 架构的核心. 不少科普文章, 在介绍到注意力时, 都会刻意绕过数学公式, 单纯靠比喻来解释注意力.

矩阵是 AI 背后的数学工具, 图像识别时会用到它, 同类推荐时会用到它, 大模型训练也会用到它. 它让 AI 能够批量处理数据. 如果我们想了解 AI 原理, 了解矩阵很有必要.

像 ChatGPT、DeepSeek 这样的大模型, 是如何一步步生成出连贯的句子和答案的. 答案就在一篇 AI 经典论文《Attention is All You Need》中.

大模型世界里只有数字, 它是怎么知道 “狼” 和 “狗” 差异明显, “狗” 和 “犬” 意思相近的呢? 今天我们不谈复杂的句子理解, 只聚焦语言最基础的单元: 单个词.

在 AI 遍地开花的今天, Token (词元) 绝对是你绕不开的核心概念你是否曾深入思考：这些 Token 究竟是怎么从文本里 “变” 出来的

最近在学习 AI 相关知识时, 我发现向量 (Vector) 是理解这一切的基础 很多同学一看到数学公式就打退堂鼓，其实真的不用怕！我把自己从“懵圈”到“开窍”的过程整理成这篇指南

本文将用通俗易懂的语言，为你拆解大语言模型(LLM)背后的核心工作流程。大模型处理问题主要包含五个关键环节，分别是：分词 、词嵌入、位置编码、自注意力机制和自回归生成。