llm 多模态通用大模型（nlp/cv）知识讲解
模型算法(最难，模型结构与训练方法)
数据（最耗时，数据与模型效果之间的关系）
算力（GPU显卡+模型量化）
模型参数量、训练数据量：
模型参数量决定 整个模型的理论效果
训练数据量决定 整个模型的实际效果
多模态：用于表示某种信息的模式（图片、文字、语音、视频）
通过各种预训练模型将信息的不同模式，用相近的向量进行表示。
大模型的核心，问答系统（transform 结构）
prompt工程（模型适配）
nlp应用场景：
文本摘要
信息提取
问答
文本分类
对话
代码生成
推理
cv应用领域：
vit（vision transformer），做图像分类
yolo 目标检测------->（置信度，目标，位置）
时间序列问题
文本分类
文本可以一个句子，文档(短文本，若干句子)或篇章(长文本)，因此每段文本的长度都不尽相同。在对文本进行分类时，我们一般会指定一个固定的输入序列/文本长度：该长度可以是最长文本/序列的长度，此时其他所有文本/序列都要进行填充以达到该长度；该长度也可以是训练集中所有文本/序列长度的均值，此时对于过长的文本/序列需要进行截断，过短的文本则进行填充。
文本预处理：
1.中文分词技术
2.英语可以用空格就可以切分单词
（1）基于词表的分词算法
正向最大匹配法，对于输入的一段文本从左至右、以贪心的方式切分出当前位置上长度最大的词。正向最大匹配法是基于词典的分词方法，其分词原理是：单词的颗粒度越大，所能表示的含义越确切。
- 正向最大匹配算法
- 逆向最大匹配算法
- 双向最大匹配算法
（2）基于统计模型的分词算法
基于统计模型的分词算法的主要核心是词是稳定的组合，在上下文中相邻的字如果同时出现的次数越多，那么就越有可能构成一个词。因此字与字相邻出现的概率或者频率能较好地反映成词的可信度。可以对训练文本中相邻出现的各个字的组合的频度进行计算统计，得出它们之间的互现信息。互现信息体现了汉字之间结合关系的紧密程度。当紧密程度高于某一个阈值时，便可以认为此字组可能构成了一个词。该方法又称为无字典分词。
- 基于N-gram语言模型的分词方法
- 基于HMM的分词方法
- 基于CRF的分词方法
常用分词工具（jieba分词）
jieba分词目前在中文分词中被引用的还是比较多的，jieba分词支持三种模式：
- 精确模式，试图将句子最精确地切开，适合文本分析；
- 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快， 但是不能解决歧义；
- 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回 率，适合用于搜索引擎分词；
自定义Jieba分词词典
开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率
词集是修改jieba内部的词集，添加业务中经常使用到的词。
文本特征：
- 对文本分词(作为特征)，比如把这句话“我是天才”分词为“我”“是”“天才”
- 统计各词在句子中是否出现(词集模型）
- 统计各词在句子中出现次数(词袋模型）
- 统计各词在这个文档的TFIDF值（词袋模型+IDF值）
分词提取后，做向量转换：
词向量（中文分词后，做关键词提取（提取出现次数最多的前n个词），再进行wordTorec，转向量，模型采用1维CNN进行分类，textCNN）
字向量（提取固定前n个字，模型采用RNN进行分类，textRNN）
文本分词后，接下来是文本向量化（Word Embedding，词嵌入），即用向量或矩阵的形式表示文本，也可以理解为对文本的数值化处理。文本向量化从数学角度可以解释为映射，即将单词映射到另一个空间，f : A -> B，生成一个在新空间上的表达。
词向量方法：
One-hot Representation
Word2Vec
Distributed Representation
对于nlp的可变输入，不同框架可以对序列进行压缩或者扩充：
在pytorch中，是用的torch.nn.utils.rnn中的 pack_padded_sequence 和 pad_packed_sequence 来处理变长序列，前者可以理解为对 padded 后的 sequence 做pack（打包/压紧），也就是去掉 padding 位，但会记录每个样本的有效长度信息；
后者是逆操作，对 packed 后的 sequence 做 pad，恢复到相同的长度。
seqToseq（序列到序列）
nlp中不定长输入对应不定长输出
输⼊可以是⼀段不定⻓的英语⽂本序列，输出可以是⼀段不定⻓的法语⽂本序列
当输⼊和输出都是不定⻓序列时，我们可以使⽤编码器—解码器（encoder-decoder）或者seq2seq模型。序列到序列模型，简称seq2seq模型。这两个模型本质上都⽤到了两个循环神经⽹络，分别叫做编码器和解码器。编码器⽤来分析输⼊序列，解码器⽤来⽣成输出序列。两 个循环神经网络是共同训练的。
常说的embedding特征其实包含两个意思（其实本质是一样的）：
- 1、基于一些模型比如word2vec、graph embedding方法等产出item、user的embedding作为user维度、item维度的一部分特征传入模型使用。
- 2、深度模型产出的中间结果，比如双塔模型，我们最终算法的user 和 item的余弦相似度，但是会依赖中间产出的user、item embedding；又比如Youtube DNN中会依赖用户的行为序列特征，比如点击序列，但是点击序列是没有办法被网络直接使用的，所以就要借助embedding去实现。
