本文介绍了自然语言处理的基础知识，包括基本任务、词表示和语言模型、大模型的基础等。同时，还详细讲解了神经网络的基础组成、训练过程、词向量、常见的神经网络模型如RNN、GRU、LSTM、双向RNN和CNN等。此外，还介绍了注意力机制和Transformer模型。最后，文章提供了丰富的AI大模型学习资料，包括学习思维导图、视频教程、实战学习等，帮助读者全面了解和掌握AI大模型技术。

---

0x01 自然语言处理基础

1.1 基本任务

Part of speech: 词性标注

Named entity recognition: 命名实体的识别

Co-reference: 共指向性（代指）

Basic dependencies: 依存句法–句法理论

Sentiment Analysis: 情感分类

Opinion Mining：意向挖掘

1.2 词表示和语言模型

Word Representation：词表示是为了计算机理解词，两个目标：词相似度计算，词之间语义的关系。

One-hot representation: 任何一个词和词表的一维特别表示，独一无二表示每个词。

Contextual representation: 一个词和其出现的上下文有关，利用词的上下文表示词。

Distributed representation: 低维的向量表示， 比如Word2Vec。

Word Embedding: embedding就是用一个低维的向量表示一个物体，可以是一个词，或是一个商品，或是一个电影等等。

Language Model: 两个目标：一个语言序列能组成有意义的句子（联合概率，语言模型根据前文预测下一个。

1.3 大模型的基础

大模型的发展: 预训练语言模型,参数越来越来大, 对无标注学习后进行少量样本进行学习.

大模型背后的范式: 预训练好的模型, 通过任务相关的数据进行模型调优,得到最后的模型.(基于迁移学习, 比如人基于已有的知识, 在新的任务进行适配)

DEMO: GPT, CodeX, DALL-E-2, WebGPT

1.4 编程环境和GPU服务器

知识储备

购买或租用GPU服务器.

0x02 神经网络基础

2.1 基本组成

下面是一个神经元, 接收多个输入x, 产生一个输出, w表示权重, b为权重. f为激活函数

下面是3个神经元, 输出有3个值, a1 a2 a3, 注意下面的公式 W 从单个神经元的向量变成矩阵, b 从标量变成向量.

下面是多层神经元, 中间隐层表示为 h , 这个计算为前向计算.

激活函数: (避免多层神经网络坍塌), 提升网络的表达能力.

输出层: 线性一般用于回归统计, Sigmod进行二分类,

线性和sigmod

输出层: 多分类输出:

输出结果若干正值, 和为1

2.2 训练过程

首先设定目标, 输入电脑的一些属性x, 预测电脑价格, 属于回归问题.

最小化交叉熵, 情感分类标签,

具体而言, Cross-entropy计算下交叉熵越小0.74, 预测越准确.

神经网络中我们通常使用梯度下降法, 每次缩小损失函数

对于上面的m个神经元, 我们可以按照梯度下降得到下面这个Jacobin矩阵:

计算图:

反向传播: 通过上游矩阵和当前梯度, 得到下游梯度.

2.3 词向量

向量空间近似平行

两种架构

滑动窗口: 滑动窗口的中心是目标词, 其他是context词.

CBOW

Skip-Gram

Nagative Sampling: 负例采样, 越常见的比例更高.

Sub-Sampling: 平衡罕见词语.

2.4 常见神经网络模型

RNN: 处理序列数据产生顺序记忆,递归的进行建模. 变量的输入, 权重共享

GRU(gated recurrent unit) 门控循环单元, 计算更新门和传递门.

LSTM 长短期间记忆网络

双向RNN:

2.5 CNN卷积神经网络

0x03 注意力机制

• 解决信息瓶颈,关注所有信息;
• 缓解梯度消失;
• 提供可解释性

0x04 Transformer

一个两层的RNN模型

Transformer由encoder-decoder组成, 输入做了BPE(byte pair encoding)对文本切分和每个token做Position Encoding.

4.1 输入层

BPE(byte pair encoding): 一种全新的分词方式, 不再按照空格分词. 解决OOV方式, 将没见过的单词切分更小的单词.

PE(position encoding): 基于三角函数

4.2 Encoding

基于点积的注意力机制,

4.3 Decoder

Masked 多头

假如你从2026年开始学大模型，按这个步骤走准能稳步进阶。

接下来告诉你一条最快的邪修路线，

3个月即可成为模型大师，薪资直接起飞。

阶段1:大模型基础

阶段2:RAG应用开发工程

阶段3:大模型Agent应用架构

阶段4:大模型微调与私有化部署

配套文档资源+全套AI 大模型 学习资料，朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】👇👇

配套文档资源+全套AI 大模型 学习资料，朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】👇👇