chatgpt说它有上千亿的参数,是什么意思? |
您所在的位置:网站首页 › 宏参数是什么意思 › chatgpt说它有上千亿的参数,是什么意思? |
最近在捣鼓深度学习,今天突然开窍,对于大模型、上千亿参数的理解顿悟了,所以才有了这篇文章。 一个通俗易懂的模型举例先用一个最简单的例子来说明,例如身高和体重之间是有一定对应的关系的。 如果我们有了非常多身高与体重对应关系的数据,我们就可以运用这些数据得到二元一次方程函数: y=ax+by = ax + by=ax+b这里 aaa 和 bbb 是常数, 经过对方程求解,我们是可以得出 aaa、 bbb 的具体数值。 之后只要输入一个代表 xxx 的身高,就可以得出一个代表体重的 yyy 值,当然这个 yyy 值不是精确的,是一个预测值。 以上就是一个最简单的机器学习模型,即线性回归,这里的 aaa、 bbb 就是模型的参数,但是它太简单,一共就2个参数,所以其能力也必然非常有限。 从编程的角度理解怎么运行模型每一个模型都是在解决某一方面的问题,上边的例子中我们可以看出,这是一个预测体重的数据模型,要解决的问题是,我输入一个身高,会给我一个预测的体重。 我们要运行使用这个模型,从编程的角度大致可以理解: 加载模型文件:其实模型文件里面记录的就是 aaa、bbb 的值,所以有些模型文件是json格式,加载模型的伪代码如下: function loadModule(moduleFile){ let str = fs.readFile(moduleFile) let obj = JSON.parse(str) // 本质上我们就是为了拿到a、b let a = obj.a; let b = obj.b; }运行模型的神经网络架构,模型的参数 aaa、bbb 是运行在这个神经网络里面的,其实也就是把这个公式: y=ax+by = ax + by=ax+b用代码实现出来: function net(x){ // 这里的a、b来自第一步 let a = 1; let b = 2; return a * x + b; }这样经过net函数的计算,就得到了一个预测的结果,从使用者角度来说,我们已经拿到了想要的结果。 模型参数 aaa、bbb 怎么来的你可能还有一个疑问,模型文件里面记录的是参数 aaa、bbb , 那它们怎么来的? 答案是他们是经过训练得到的,什么意思呢? 举个例子,我们已经知道模型的函数如下,这个函数其实是解释了xxx、 yyy之间的关系: y=ax+by = ax + by=ax+b最开始我们肯定不知道 aaa、bbb 的具体值,所以我们才需要通过训练找到 aaa、bbb 的值。 训练的过程如下: 将第一组采样数据传递给这个函数,比如身高170,体重60,很明显,一组采样数据得不到 aaa、bbb 结果,因为 aaa、bbb 有很多个解能够使这个函数成立,但是这一步我们还是需要确定来一个满足采样数据的 aaa、bbb 解,即使 aaa、bbb 的解存在非常多个。 将第二组采样数据传递给这个函数,比如身高160,体重50,很明显,两组数据就能求解 aaa、bbb ,因为一组二元一次方程就能求解方程中的2个未知数,这就不需要再解释为什么吧,小学的数学知识。 至此,我们已经求解出 aaa、bbb,我们将aaa、bbb的值以某种格式保存起来,然后别人使用这个模型的时候,加载这个文件即可,和上一步的流程形成了闭环。 为什么叫做深度学习如果我们继续将第三组采样数据传递给这个函数,就会发生问题,因为上边的方程是一个线性方程,如果训练的第三组数据不满足线性,那么我们就无法求解aaa、bbb,因为二元一次方程无法同时满足3组非线性采样数据。 如果出现这种情况,有很多种解决办法: 修改模型函数,增加方程的未知数,很显然这种办法不具有通用性,因为我们的采样数据数量是不确定的。 增加模型函数的深度,即增加调用层数,用代码说可能比较直观 let deep = 10; let result = x; for(int i = 0; i < deep; i++){ result = net(result) // 还记得之前的net函数的实现么? } 将上一层的计算结果作为当前的参数进行计算,重复这个过程,直到最后一层,这个过程就像剥洋葱一样,我想这也是为啥叫做深度学习的原因吧到这里,我们也能理解为啥会产生多层神经网络了。 对智能涌现的思考模型的预测结果什么样子,完全取决于训练的数据。 实际生活中,我们的采样数据一般都不是线性的,经过我们的训练,训练数据的输入和输出最终都会落在我们设计的神经网络,当我们传递一个新的数据时,当然结果也是落在那条拟合曲线里面。 这里就又牵扯智能涌现,大概就是说当神经网络足够复杂(意思就是参数足够多),结果有时候不会落在这个拟合曲线里面,这里就不展开了,因为我也是门外汉。 神经元为什么是y=ax+b深度学习就像洋葱一样,一层又一层,每一层我们都可以看做一个单元,有点神经元的感觉,我们再仔细观察下这个方程: y=ax+by = ax + by=ax+b这里的 aaa 非常像权重(通俗点说就是占比),bbb 非常像偏置(通俗点说就是偏移),作为一个基础单元,它足够简单却又不失灵活。 就像乐高积木一样,每一块的设计都是非常类似,而且结构简单,但是却能相互连接成网,堆叠成层,组合出非常神奇的作品。 虽然神经元y=ax+b非常简单,这一层虽然只有2个参数,当我们层数非常多的时候,参数都是翻倍增长。 可以大概的说,参数越多,模型的表征能力就越强,包含的知识就越多。 不过你可能发现了输出的结果是一个数值,而我们使用chat-gpt的时候,反馈的结果是自然语言,这里面就牵扯到了自然语言模型,对自然语言的转换,其背后原理是transformer,也是深度学习的结果,不太懂,这里就不再细聊了。 模型里面都存储了什么,能力越强为啥模型文件越大看到这里,相信你也就知道这个问题的答案了 因为模型里面存储的是参数,模型越强悍,模型的参数越多,保存这些参数的文件就越大,模型也就越大。 按照我的理解,参数越多,模型的网络层级就越复杂,消耗的计算资源就越多。 像我们最开始举例的模型,模型文件就2个参数,模型文件估计也就1k,当然能干的事情也非常少! 希望这篇文章能够让你对深度学习有所了解,以上是我个人理解,肯定有错误的理解,欢迎指正,相互交流。 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |