“ 向量化是一切大模型技术的基础，大模型中的一切都是向量。”

在之前的文章曾不止一次的讲过向量，向量作为大模型的基础数据格式，其重要性不言而喻；但大部分人对向量还是没有一个深刻的认识。

所以，今天我们就来讨论一个问题，那就是向量化，大模型的入口。‍‍‍‍

向量化

向量的概念这里就不解释了，有问题的可以看之前的文章，或者自己去找一下向量，矩阵的内容看看。

先来讨论第一个问题，为什么要向量化？ ‍‍‍‍‍‍‍

原因在于计算机无法直接处理非数值性计算，所以的计算都需要转换成数值运算才行；但数值计算的方式有很多，为什么会选择向量作为载体？‍‍

原因就在于向量的几个基本特性：‍

• 第一就是向量便于计算机进行处理；
• 第二就是向量能够表示文本，图像等之间的语义关系
• 第三就是使用矩阵来表示向量，计算效率更高

什么是向量化？

简单来说向量化就是把其它格式的数据转换为向量形式，这里的其它格式包括我们常见的一切格式的数据，文本，图像，视频，音频等等；因此，可以直接把向量化理解为一种数据格式转换的技术。‍‍‍‍

在大模型中哪些地方需要进行向量化？‍‍‍‍‍‍

简单来说，任何需要输入到大模型的数据都需要向量化；其次，需要记录语义关系的也都需要向量化，比如RAG，向量数据库等。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

众所周知，大模型是由一个输入层，一个隐藏层，一个输出层组成；而其中隐藏层包括一个或多个神经网络层。其中，输入层需要做的一件事就是把输入数据向量化，只有这样才能被隐藏层接受和处理。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

记住一句话，在大模型中一切都是向量。

那怎么实现向量化？

在不同的技术阶段，向量化的方式也有所不同；以文本向量化来说，文本向量化一般有三种方式：‍‍‍

• one-hot编码‍‍‍
• 词汇映射(Word2Vec)
• Word Embedding(广义上Word2Vec也属于Word Embedding的一种)‍‍‍‍‍

词嵌入是文本向量化的一种常见方式，一般情况下会将一个单词映射到一个高维向量中来代表这个词，这就是词向量。

而文本嵌入层的作用就是，将文本中词汇的数字表示转变为高维的向量表示，旨在高维空间捕捉词汇间的关系。‍‍‍‍‍‍

Embedding 可以说是目前比较常见的一种向量化的方式，各大模型服务商，以及开源社区都发布了大量的Embedding模型来提供给用户使用；而Embedding嵌入就是一种经过专门训练的用来向量化数据的神经网络模型。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

只不过Embedding嵌入模型经过矩阵算法的优化，比传统的向量化方式效率更高，效果更好。

https://cloud.tencent.com/developer/article/1749306

而且，Embedding的应用非常广泛，其不仅是大模型的基础技术之一；事实上，Embedding也是大模型技术的应用场景之一。比如在图像搜索，推荐系统，广告，搜索等业务中，Embedding都发挥着重要的作用。

了解了文本向量化的工具之后，那么思考一下图像和视频是怎么实现向量化的？ ‍‍‍‍‍‍

在图像向量化的过程中，卷积神经网络和自编码器都是用于图像向量化的有效工具；前者通过训练提取图像特征并转换为向量；后者则学习图像的压缩编码以生成低维向量表示。‍‍‍‍‍‍‍

• 卷积神经网络（CNN）：通过训练卷积神经网络模型，我们可以从原始图像数据中提取特征，并将其表示为向量。例如，使用预训练的模型（如VGG16, ResNet）的特定层作为特征提取器。
• 自编码器（Autoencoders）：这是一种无监督的神经网络，用于学习输入数据的有效编码。在图像向量化中，自编码器可以学习从图像到低维向量的映射

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的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。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】