关于AI技术相关的分享

以语言大模型应用做为例子，往往一个AI应用包含以下的层 istrat

• 底层大模型 主要负责推理

• 微调 是可选项

• 插件和prompt，主要负责功能的特异化，桥接大模型和用户。

底层大模型主要是国内外开源的模型，一般具有API，可以输入文本或者图像(如果模型支持多模态)数据，模型进行推理，输出文字或者图像。

OpenAI的模型介绍和API介绍：https://beta.openai.com/overview

大模型的试用：https://poe.com/

国内大模型的API调用和申请：https://dashscope.console.aliyun.com/

Chatglm的github: htts://github.com/THUDM/ChatGLM-6B

大模型相关

大模型相关的开发和研究主要是ML（Machine Learning）和DS （Data Scientist）的领域。我对此没有太多的了解和研究。仅知道以下的内容：

底层模型现在主流的是采用BERT（Bidirectional Encoder Representations from Transformers）

BERT是基于Transformer模型的一种预训练语言模型，它在自然语言处理领域中表现出了非常出色的性能。Transformer是一种用于序列到序列（Sequence-to-Sequence）学习的神经网络模型，它在自然语言处理领域中被广泛应用。

BERT模型使用了Transformer编码器（Transformer Encoder）的部分结构，主要包括Self-Attention、Feed-Forward和Layer Normalization等组件。在BERT的预训练过程中，使用了大量的无标注数据来训练模型，使得模型能够有效地学习文本中的语义信息，从而提高了在下游任务中的性能表现。

相关的课程可以看清华大学的公开课：https://www.bilibili.com/video/BV1UG411p7zv/?spm_id_from=333.337.search-card.all.click


微调、Lora和嵌入

模型微调（Fine-tuning）是指在一个预训练好的模型上，针对特定任务或数据集进行进一步的训练，以提高模型在该任务或数据集上的性能。微调通常涉及对模型的最后几层进行调整，称为顶部层，以使其适应新任务或数据集的要求。微调的目的是通过利用预先训练好的模型的通用特征，加速模型在新任务上的学习过程。

Lora（Low-Rank Adaptation of Large Language Models）是一种针对大型语言模型的微调技术，旨在通过降低模型参数的秩（Rank）来提高模型的适应性和泛化能力。

在自然语言处理任务中，大型语言模型（例如BERT、GPT等）通常需要大量的参数来进行训练，以便学习到复杂的语言表征和模式。然而，在实际应用中，这些模型往往需要在特定领域或任务上进行微调，以提高其性能。传统的微调方法通常需要重新训练整个模型，这是非常耗时和计算资源密集的。而Low-Rank Adaptation技术则可以通过对预训练模型进行低秩近似，来实现快速且高效的微调。

具体来说，Low-Rank Adaptation技术通过对预训练模型的参数矩阵进行SVD分解，将其分解为多个低秩矩阵的乘积形式，从而降低参数的秩。这样做的好处是可以减少微调过程中需要更新的参数数量，从而提高微调的速度和效率，并且可以减少过拟合的风险，从而提高模型的泛化能力。

实验结果表明，Low-Rank Adaptation技术在各种自然语言处理任务上均取得了很好的效果，包括文本分类、情感分析、问答等任务。同时，由于其高效性和泛化能力，Low-Rank Adaptation技术也被广泛应用于各种实际应用场景中，如文本摘要、机器翻译、对话系统等。

在自然语言处理中，嵌入（Embedding）是指将离散的文本单元（例如单词、句子）映射到低维度的实数向量空间中的过程。在大语言模型中，嵌入通常用于将输入的文本序列转换为连续的实数向量序列，以便于神经网络的处理。

嵌入主要是在模型中的encoding中使用，同时也可以用于基于知识库的文本问答，基于向量数据库实现，其本质类似于在大语言模型上面增加了一个插件，将于知识库相关的内容提取出来，组合成prompt让大语言模型进行推理。

插件，应用层开发

在微调和Lora上面就是主要的应用层开发，包括一系列的插件开发，应用功能开发等。

其本质是将用户的输入的数据进行特异化，通过应用、脚本、插件等能力生成prompt，再将prompt发送给模型推理，获取推理后的答案，进行封装、二次加工和展示。整个过程很像设计模式中的装饰器模式，在不改变大模型的基础上增加大模型的能力。

相关的学习资料

Langchain的github ： https://github.com/langchain-ai/langchain

llama__index的github ：_https://github.com/jerryjliu/llama_index