企业官网建设流程全解析

国外网站做网上生意哪个好,企业展馆策划公司,电子产品玩具东莞网站建设,微信公众平台可以导入wordpress之前我们探讨了 词嵌入#xff08;Word Embedding#xff09; #xff0c;它根据词嵌入矩阵将文本序列转换为数值向量#xff0c;使得计算机能够理解和处理自然语言。现在#xff0c;让我们进一步了解位置嵌入#xff08;Positional Embedding#xff09;#xff0c;这…之前我们探讨了 词嵌入Word Embedding 它根据词嵌入矩阵将文本序列转换为数值向量使得计算机能够理解和处理自然语言。现在让我们进一步了解位置嵌入Positional Embedding这是让 Transformer 模型“知晓”词语顺序的关键。1. 位置嵌入的作用想象一下如果我们只用词嵌入那么无论一个词出现在句子的开头还是结尾它的表示都是相同的。然而在自然语言中词语的位置往往影响其意义。例如“苹果”在“我吃了一个苹果”和“苹果公司发布了新产品”这两个句子中的含义截然不同。因此我们需要一种机制来告诉模型这些信息这就是位置嵌入的作用。位置嵌入通过给每个词赋予一个与它在句子中位置相关的独特向量使得模型不仅能够捕捉到词语的语义还能理解它们之间的相对顺序从而更好地建模句子结构和依赖关系。2. 位置嵌入的原理为了让模型能够学习到位置信息最直接的方法是为每个位置分配一个固定的、预定义的向量。在原始的 Transformer 模型中位置嵌入是由正弦和余弦函数组成的这样设计的原因在于它具有周期性可以帮助模型处理比训练时更长的序列同时保持一定的泛化能力。具体来说对于模型维度 *d*、位置 *pos*和维度 *i*位置嵌入 *PE(pos, 2i)*偶数维和 *PE(pos, 2i1)*奇数维分别由以下公式计算下面是位置嵌入计算的 Python 代码实现importtorchimporttorch.nnasnnimportmath classPositionalEncoding(nn.Module):def__init__(self,d_model,max_len5000):super(PositionalEncoding,self).__init__()# 创建一个位置编码矩阵 [max_len, d_model]petorch.zeros(max_len,d_model)positiontorch.arange(0,max_len,dtypetorch.float).unsqueeze(1)# [max_len, 1]div_termtorch.exp(torch.arange(0,d_model,2).float()*(-math.log(10000.0)/d_model))# [d_model/2]pe[:,0::2]torch.sin(position*div_term)# 偶数维pe[:,1::2]torch.cos(position*div_term)# 奇数维pepe.unsqueeze(0)# [1, max_len, d_model]self.register_buffer(pe,pe)# 不作为模型参数更新defforward(self, x):seq_lenx.size(1)xxself.pe[:,:seq_len,:]returnx这段代码创建了一个PositionalEncoding类用于生成位置嵌入并将其添加到输入的词嵌入上。d_model是模型的维度而max_len则是可以处理的最大序列长度。3. 词嵌入和位置嵌入的作用为了更好地理解词嵌入和位置嵌入是如何协作的我们以一句简单的英语句子为例“The cat sat on the mat.”。首先我们会将每个词转换成对应的词嵌入向量然后为每个词添加与其位置相关的位置嵌入最后我们将两者相加得到最终的隐藏层输入向量。特别注意为了方便演示老牛同学此处简化为2 维实际预训练模型的隐藏层远不止 2 维如Qwen2.5 有 1536 维。同时我们把 Token 简化为单词实际使用的分词算法如BPE 分词算法Token 可能并不一定与单词相同。步骤一词嵌入首先我们需要将句子中的每个词转换为词嵌入假设我们得到了如下简化版的词嵌入向量实际预训练模型的维度远高于此W{The} [0.1, 0.2] W{cat} [0.3, 0.4] W{sat} [0.5, 0.6] W{on} [0.7, 0.8] W{the} [0.9, 1.0] W{mat} [1.1, 1.2]步骤二位置嵌入接下来我们需要为每个词添加位置嵌入。我们可以根据上述公式计算出每个位置的嵌入向量。假设我们得到了如下位置嵌入向量同样简化为2 维P_0 [0.0, 1.0] P_1 [0.8, 0.6] P_2 [0.5, 0.8] P_3 [0.2, 0.9] P_4 [0.9, 0.4] P_5 [0.7, 0.2]步骤三词嵌入 位置嵌入现在我们将词嵌入和位置嵌入相加得到最终的输入向量。这一步操作使得每个词的表示不仅包含了其语义信息还包含了它在句子中的位置信息。具体来说我们有X{The} W{The} P_0 [0.1, 0.2] [0.0, 1.0] [0.1, 1.2] X{cat} W{cat} P_1 [0.3, 0.4] [0.8, 0.6] [1.1, 1.0] X{sat} W{sat} P_2 [0.5, 0.6] [0.5, 0.8] [1.0, 1.4] X{on} W{on} P_3 [0.7, 0.8] [0.2, 0.9] [0.9, 1.7] X{the} W{the} P_4 [0.9, 1.0] [0.9, 0.4] [1.8, 1.4] X{mat} W{mat} P_5 [1.1, 1.2] [0.7, 0.2] [1.8, 1.4]词嵌入位置嵌入步骤四隐藏层的输入最终这些带有位置信息的词嵌入向量XThe,Xcat,Xsat,Xon,Xthe,Xmat将作为 Transformer 模型的隐藏层的输入。通过这种方式模型不仅能够理解每个词的语义还能捕捉到它们在句子中的相对位置从而更好地建模句子的结构和依赖关系。总结位置嵌入是现代 NLP 模型中不可或缺的一部分它使得模型能够理解词语的顺序进而提升对文本的理解能力。通过引入位置嵌入Transformer 架构克服了传统自注意力机制对词序“不可知”的局限为各种自然语言处理任务提供了强有力的支持。普通人如何抓住AI大模型的风口领取方式在文末为什么要学习大模型目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 大模型作为其中的重要组成部分 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 为各行各业带来了革命性的改变和机遇 。目前开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景其中应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。随着AI大模型技术的迅速发展相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议最后只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌02适学人群应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。vx扫描下方二维码即可本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发