“ 大模型就相当于厨师，参数就相当于调料。”
在前面的大模型参数的文章中讲了什么是大模型的参数，以及大模型为什么要训练；
不过那个讲的比较抽象，这里就用一个更形象的例子来解释一下大模型的参数到底是什么，以及训练的原理。
01 大模型和厨师
从我们使用者的角度来说，大模型就是一个黑盒，它需要输入，然后给出一个输出。
如下图就是大模型的黑盒模型：
而从我们使用上来看，基本上就是一个聊天框，然后我们输入文字/图片/视频等，然后大模型给我们一个输出。
而这种模式和我们去饭店吃饭一样，我们到饭店之后点菜，然后厨师就会把我们的菜做好，而厨房对我们来说也是一个黑盒。
大模型那么多参数是干什么的呢？厨师又是怎么做菜的呢？
如果把没有训练过的大模型比作一个新东方烹饪学校的学生；那么刚开始这个学生并不会做菜，如果你让他做菜，那么他只能根据自己的感觉乱七八糟的一通操作。
这个就是初始化的大模型，它虽然可以输出结果，但它输出的结果乱七八糟。
所以学生需要去学习怎么做菜；不论会不会做饭的人应该都知道，炒菜需要控制火候与调料，不同的菜需要不同的火候和调料。
火候有大火小火中火，调料有必须的葱姜蒜，还有盐，辣椒，鸡精，麻辣虾，油等等。
做菜的时候，不同的菜需要不同的搭配，而且需要不同的火候和调料；比如，西红柿炒蛋需要有西红柿和鸡蛋，然后调料需要有盐，也可以放葱姜蒜；
而如果做辣椒炒肉，那么就需要有肉和辣椒，然后口味重的人就可以多放一点辣椒和盐，口味清淡的人就可以少放一点。
对比到大模型也是如此，厨师做菜的材料，调料与火候是厨师的参数；而大模型也有自己的参数，比如权重，偏置，卷机网络的卷积核，嵌入矩阵，损失函数参数，激活值，参数梯度，训练轮次等。
从技术等角度来说，大模型的参数就是大模型的一些变量，之所以是变量是因为这些参数的值并不是固定的，而是可以变化的；
就像做菜一样，盐可以多放一点，也可以少放一点；并不是每次必须放多少盐。
02 做菜与大模型的训练
专业的厨师学习做菜时，会测试不同的菜品放不同含量的调料会有什么样的效果，比如放一克盐和放十克盐，放葱姜蒜和不放葱姜蒜在口味上的区别。
然后经过很多次的测试之后，厨师就知道做什么菜需要放多少盐，放多少辣椒，然后口味会是什么样。
而大模型的训练也是如此，大模型是基于神经网络的架构而开发的；而一个大模型有很多神经网络层，每一层又有很多的神经元节点；
那么，不同的神经元节点的权重和偏置，会对其它神经元以及神经层会产生什么样的影响及效果？
不同神经网络的架构的参数又会有什么样的影响？比如卷积神经网络的卷积层的个数，多一层和少一层的区别？如果是循环神经网络呢？
而这些问题都是需要经过大量的数据训练，然后给大模型找到一个最优的参数值。
而具体怎么训练呢？
比如第一次训练，所有神经元的权重都是1，然后生成了一个结果；这就类似于第一次做菜，所有的调料都放1克，然后做出之后尝尝好不好吃。
而因为神经网络是有层的，这样数据在一层一层神经网络之间的传递就叫做正向传播。
当用1克调料把“菜”做出来之后，尝了一下发现盐放少了；这时第二次做菜的时候，就可以把盐多放一点，比如放四克或五克。
而大模型毕竟不是人，所以需要有一个方法来测试它做的“菜”是否合格，而这个东西就是损失差，损失差越大，说明输出效果越差，“菜”做的越差。
而具体的损失差怎么计算，不同的大模型和架构有不同的方法，比如交叉熵损失。
而这时，就需要告诉大模型做的“菜”不好吃，这个告诉的过程就叫做反向传播。
厨师知道菜做的不好吃的时候，就可以直接调整下次放调料的数量和种类；而大模型也有这种类似的功能，这个功能就是优化器，优化器的功能就是去调整大模型的参数，下次把“盐”放多一点，“辣椒”放少一点。
最小二乘法损失函数
而这个盐和辣椒就是大模型中的权重，偏置，损失函数参数等参数。
而训练次数就是厨师锻炼做菜的次数，可能是十次，也可能是一百次，一千次。
所以说，厨师训练是不断的调整其调料的数量和含量；大模型的训练本质上也是在不断的去调整它的参数。
等厨师全部学会之后，还会找一个专业的老师去评价他做的菜；而在大模型里面，这个就是大模型的评估函数，去测试其效果。
当然，大模型并不是参数和训练次数越多越好，最重要的是合适。
这就是大模型的参数以及训练的过程及原理。
既然大模型现在这么火热，各行各业都在开发搭建属于自己企业的私有化大模型，那么势必会需要大量大模型人才，同时也会带来大批量的岗位？“雷军曾说过：站在风口，猪都能飞起来”可以说现在大模型就是当下风口，是一个可以改变自身的机会，就看我们能不能抓住了。
那么，我们该如何学习大模型？
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括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免费分享出来。
一、大模型全套的学习路线
学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。
L1级别:AI大模型时代的华丽登场
L2级别：AI大模型API应用开发工程
L3级别：大模型应用架构进阶实践
L4级别：大模型微调与私有化部署
一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。
以上的AI大模型学习路线，不知道为什么发出来就有点糊，高清版可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
二、640套AI大模型报告合集
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。
三、大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
文章评论