有了大模型的运行阅历之后 再谈对大模型的了解

​ “大模型的实质就是一段有输入和输入，并能经常使用某种算法到达某种目标得计算机程序”

在刚开局接触大模型时，基本不明确大模型是个什么玩意，看着他人给出的定义一脸懵逼。

不论是业内还是网上的文章，对大模型的广泛定义都是领有渺小参数量和复杂计算的机器学习模型/深度学习模型。

从定义中能够看出哪些物品？

渺小参数量，复杂计算，机器/深度学习模型。

说句瞎话，对大局部人来说看了这玩意有什么用，有谁能用自己的话说明确什么是大模型。

所以，对刚开局学习大模型技术的人来说，即使通知他大模型的作用，概念和成功原理，但对他来说还是七窍通了六窍，就剩下无所不通。

为什么会产生这种状况？

要素就在于概念和定义是他人在事物的基础之上，加上自己的了解所下的定义；但你又不了解，因此看了他人的定义也不会真正明确；这就像情理大家都懂，但真正能了解情理的却没几个。

基于运行了解大模型

在刚开局学习大模型的时刻，作者不时在尝试了解大模型的定义，原理，以及训练和微调的步骤和流程。

而后因为大模型须要庞大的算力允许，而自己又没有那么多钱来撑持自己购置GPU等算力工具；因此就感觉大模型好牛逼，好复杂。而后就感觉搞大模型好难啊，没有足够的资金和技术基本玩不转。

但经过这段期间从事大模型的运行开发，并随着期间的推移，遇到的事件也越来越多；而后对大模型的了解也愈加的深化，这时才发现大模型原来没有构想中的那么复杂；当然也没构想中的那么便捷。

首先，咱们不要适度神话大模型，大模型并不是神仙，它还做不到无所不能；其次，大模型是一种技术，实质上是一个工具，其体现的是一种才干。

比如说，文字，视频，图片生成才干，也就是AIGC的才干，有些模型你只有要输入文字，它就可以依据你的要求生成一张图片或视频。

既然大模型是人工制作的自动体，既然人都无法做到无所不能；因此，大模型就更无法能做到无所不能了，所以不同的大模型就会像不同的人一样，长于不同的畛域。

比如有些大模型长于内容生成，比如有些长于生成古风的图片，有些长于生成二次元图片等；而有些模型或许更长于推理布局，还有的模型长于回答疑问等。

要素是什么？

要素就是不同的大模型驳回不同的技术和训练数据，间接造成它们长于不同的畛域；就像人一样，不同的人选用不同的专业，长于的物品也不一样。

这就是在之前的文章中所讲的大模型的才干疑问——你对大模型认知的开局——大模型的才干疑问；不同的大模型具有不同的才干。

ok如今咱们知道了不同大模型领有不同的才干，那怎样了解大模型的训练和微调？大模型为什么须要训练？

严厉来说大模型的训练叫做学习，大模型的成功原理就是模拟人类的学习才干，让机器能够经过学习的模式取得自动——这个环节叫做机器学习，而随着技术的开展，技术人员开局经过模拟人类的大脑神经元的模式来模拟人类的学习环节——这个环节叫做深度学习。

而对于学习，学习的模式多种多样，比如说去学校学习，自己自学等；大模型也是如此。

所谓的监视学习就是通知大模型一些疑问，而后再给它一份答案，让它自己去观察和总结其中的原理；而无监视学习就是间接扔给大模型一堆疑问，而后让它自己看，自己学，而后去寻觅其中的一些法令，而后下次再碰到相似的疑问就知道怎样做了。

这就是大模型训练的环节，也是学习的环节；只不过这些环节都须要人类协助机器去成功，而且为了成功这些环节还须要参与很多辅佐性的工程，比如损失计算，经过损失函数来让大模型知道自己的学习成果。

ok ，那如今再来了解什么是大模型，以及大模型的参数？

所谓的大模型，其实就是一个计算机程序，而后这个程序能够读取数据，并经常使用某种模式来对这些数据启动剖析，而后总结出关系的法令，并记载上去。

而其中剖析数据的模式叫做算法，记载上去的法令叫做参数；而因为要在复杂的数据环境中找到法令，因此要记载很多法令点，所以才造成大模型领有庞大的系统参数。

这也是为什么大模型被称为渺小参数量的机器学习模型，从实质过去说它只是一个机器学习模型或许说是深度学习模型；只不过它要学习复杂的数据，因此须要少量的参数启动标识，才造成它成为了一个渺小参数量的机器学习模型。

如今明确了什么是大模型，以及大模型的参数，那么假设让你成功一个模型应该怎样做？

首先，你要明确这个模型是干什么的，也就是说它应该具有哪些才干？比如说画画的才干。

其次，既然知道了模型应该具有画画的才干，那怎样才干让它学会画画呢？

这时就须要去学习和了解计算机视觉关系的常识了，知道图像的原理，怎样生成，怎样保留，而后用那种算法让模型学习绘画的技巧等等。

这时，你再去学习大模型，甚至让你去开发一个模型，你就能做到有地放矢。

原文链接：​ ​​ ​​