【《大语言模型应用指南》阅读体验】+ 基础篇

今天开始学习《大语言模型应用指南》第一篇——基础篇，对于人工智能相关专业威廉希尔官方网站 人员应该可以轻松加愉快的完成此篇阅读，但对于我还是有许多的知识点、专业术语比较陌生，需要网上搜索学习更多的资料才能理解书中的内容，阅读虽慢，但在这一学习过程中也掌握了许多新知识，为后续章节的阅读打下基础，这是一个快乐的学习过程。

基础篇从人工智能的起源讲起，提出了机器能否思考的疑问，引入了图灵机这一神奇的机器。

1.2章节介绍了机器学习，从方法论上来看，机器学习属于归纳推理；从开发设计方式来看，机器学习属于自动编程。我们平时使用各种计算机高级语言编写程序代码，这属于人工编程的范畴；机器学习则由算法自动产生程序，因此这个程序不需要程序员编写，而是由计算机自动生成。因此，人工编程方法依赖程序员思考的规则，而自动编程是计算机算法通过分析数据自行创建规则。

作者通过类比学生准备高考的过程来说明机器学习的过程，如下图：

此章节最后总结了机器学习的分类：有监督学习、无监督学习、半监督学习、自监督学习和强化学习。

1.3章节依次介绍了神经网络的历史、神经网络基础知识、神经网络三要素。对神经网络的核心概念、专业术语定义进行讲解，包括偏置、权重、激活函数；三要素包括网络结构、损失函数和优化方法。章节最后总结了神经网络参数学习的关键步骤。

1.4章节描述了自然语言处理的相关知识点，包括什么是自然语言处理、文本的向量化和自监督学习方法。其中文本向量化中的三种编码方式：独热编码、静态编码和动态编码，这些概念描述是需要时间仔细研究理解的。

1.5章节终于开始讲解大语言模型了，这也是基础篇的最后一章节，占据了基础篇的一半篇幅。首先结合ChatGPT的4次迭代升级介绍了什么是大语言模型，大语言模型的特点：参数多、通用性强；之后用较大的篇幅详细讲解了自然语言处理中的最小处理单位——词元（token），使用了大量的示例帮助读者理解token；

紧随token之后，作者讲解了基于自回归模型的字符预测方法以及文本生成原理，这些知识对我来说有些晦涩难懂，如果要熟练掌握是需要一些时间的，只能后续抽空仔细研读，暂且跳过继续阅读，后面的章节包括统一自然语言任务、大语言模型的训练过程和局限性分析，阅读还算顺利。

至此，基础篇只能算是浏览完成，因为部分原理方法并没有吃透，但尽管如此也是收获颇丰，因为我了解了大语言模型的基础知识和应用过程。