这里既有AI，又有生活大道理，无数渺小的思考填满了一生。
上一专题搭建了一套GMM-HMM系统，来识别连续0123456789的英文语音。
但若不是仅针对数字，而是所有普通词汇，可能达到十几万个词，解码过程将非常复杂，识别结果组合太多，识别结果不会理想。因此只有声学模型是完全不够的，需要引入语言模型来约束识别结果。让“今天天气很好”的概率高于“今天天汽很好”的概率，得到声学模型概率高，又符合表达的句子。
1 语言模型
真面目
定义：对于语言序列词ω1,ω2,ω3,…,ωn,语言模型就是计算该词序列的概率，即P(ω1,ω2,ω3,…,ωn)。
本质：语言模型是对语句的概率分布建模。
通俗：语言模型用来计算一个句子出现的概率，也是判断一句话是否合理的概率。
公式：给定一个词序列S=(w1,w2,w3…wn)，它的概率表示为：
其中：
例子：给定一个词序列S=(无数渺小的思考填满了一生)
其中：
问题：
自由参数问题：模型的自由参数是随着字符串长度的增加而指数级暴增的，这使我们几乎不可能正确的估计出这些参数；
零概率问题(OOV问题)：每一个w都具有V种取值，这样构造出了非常多的词对，但实际中训练语料是不会出现这么多种组合的，那么依据最大似然估计，最终得到的概率实际是很可能是0。
2 N-gram语言模型
近似
为了解决自由参数数目过多的问题，引入了马尔科夫假设：随意一个词出现的概率只与它前面出现的有限的n-1个词有关。基于上述假设的统计语言模型被称为N-gram语言模型。
即用前N-1个词作为历史,估计当前(第N个)词。
公式：给定一个词序列S=(w1,w2,w3…wn)，它的概率表示为：
其中：
一般用和来标记开头结尾，没有在vocabulary中的词(OOV, out of vocabulary)，标记为。
当n=1时，即一个词的出现与它周围的词是独立，称为unigram。
当n=2时，即一个词的出现仅与它前面的一个词有关时，称为bigram。
当n=3时，即一个词的出现仅与它前面的两个词有关，称为trigram。
自由参数的数量级是n取值的指数倍。
从模型的效果来看，理论上n的取值越大，效果越好。但随着n取值的增加，效果提升的幅度是在下降的。同时还涉及到一个可靠性和可区别性的问题，参数越多，可区别性越好，但同时单个参数的实例变少从而降低了可靠性。
3 数据平滑算法
为了解决零概率问题，即由于语料的稀疏性，有些词序列找不到，需要对数据进行平滑。
（1）加一平滑（Add-one Smoothing）
**思想：**将每个计数加一，从而使得任何词序列都有计数，这样的话就可以把本来概率为0结果变为一个很小的值。为了保证所有实例的概率总和为1，将分母增加实例的种类数；即：
**优点：**算法简单，解决了概率为0的问题
**缺点：**Add-one给训练语料中没有出现过的 N-grams 分配了太多的概率空间，认为所有未出现的N-grams概率相等也有点不合理。
（2）古德-图灵平滑（Good-turing Smoothing）
思想：用你看见过一次的事情(Seen Once)估计你未看见的事件(Unseen Events)，并依次类推，用看见过两次的事情估计看见过一次的事情等等。
对于任何一个发生r次的n-gram，都假设它发生r*次，即：
则在样本中出现r事件的概率为：
（3）回退平滑（Katz smoothing）
思想：又称为Back-off 回退，是对古德图灵模型的改进。若N阶语言模型存在，直接使用打折后的概率(常使用Good-turing算法进行打折)；若高阶语言模型不存在，将打折节省出的概率量，依照N-1阶的语言模型概率进行分配，依此类推。
（4）插值平滑（Jelinek-Mercer smoothing）
思想：用线性差值把不同阶的 N-gram 结合起来，这里结合了 trigram，bigram 和 unigram。用 lambda 进行加权。
其中，
（5）Witten-Bell smoothing
思想：如果在训练语料中对应的n元文法出现次数大于1，则使用高阶模型；否则，后退到低阶模型。
（6）Kneser-Ney Smoothing
思想：对于一个词,如果它在语料库中出现更多种不同上下文(context) 时,它可能应该有更高的概率。
为了刻画这种想法，定义接续概率(continuation probability):
4 困惑度
PPL
N-gram语言模型与评价方法:
实用方法:通过查看该模型在实际应用（如拼写检查、机器翻译）中的表现来评价，优点是直观、实用，缺点是缺乏针对性、不够客观。
理论方法：困惑度（preplexity），其基本思想是给测试集的句子赋予较高概率值的语言模型较好。
Perplexity另一种表达：
理解：句子越好（概率大），困惑度越小，也就是模型对句子越不困惑。
困惑度->困难度，求出来的困惑度值相当于一个虚拟词典大小，下一个词就从这个虚拟词典中选。值越大，选择就越多，选对就越困难，说明语言模型训练的就越差。值越小，选择就越少，选对的可能性就越大，越简单，说明语言模型训练的越好。
源头：
熵（****entropy）：又称自信息，描述一个随机变量的不确定性的数量，熵越大，不确定性越大，正确估计其值的可能性越小。越不确定的随机变量越需要大的信息量以确定其值。
其中，p(x)表示x的分布概率。
相对熵（relativeentropy）：又称KL距离，Kullback-Leibler divergence。
衡量相同事件空间里两个概率分布相对差距的测度，当p=q的时候，相对熵为0，当p和q差距变大时，交叉熵也变大。
其中，p(x)和q(x)代表x的两种概率分布。
交叉熵（crossentropy）：衡量估计模型和真实概率分布之间的差异。
困惑度（perplexity）：困惑度是交叉熵的指数形式。
5 语言模型搭建
语言模型训练
语言模型训练流程：
系统文件：
步骤一：Witten-Bell smoothing算法与实现
步骤二：实现ngram计数
步骤三：词频统计count
分别对minitrain2.txt和minitrain.txt文件进行count，生成p1a.counts和p1b.counts文件。其中minitrain2.txt和minitrain.txt语料大小不一样，
minitrain2.txt，语料已经分好词，共10个句子，minitrain.txt，语料已经分好词，共100个句子。
步骤四：语言模型训练与测试
平滑算法使用Witten-Bell smoothing。
测试文件使用test2.txt。
训练3-gram模型与测试结果：
6 SRILM
语言模型工具
上面搭建的系统进行了词频统计和n-gram模型训练与测试，针对相同数据使用SRILM语言模型工具包进行对比。
步骤一：词频统计
词频统计的对象是minitrain2.txt，语料已经分好词，共10个句子。
词频统计的对象是minitrain.txt，语料已经分好词，共100个句子。
其中，ngram-count是srilm的命令，词频统计的对象是minitrain2.txt和minitrain.txt，order3表示3-gram语言模型，生成train2.count文件和train.count。
（与搭建的系统统计结果看似不一样，实际上只是排序不一样，上面的系统按照字典里面的词顺序进行排序，使用SRILM进行统计按照文本里面的词顺序进行排序。）
步骤二：语言模型训练
100个句子的****语言模型训练。分别使用Kneser-Ney平滑算法、witten bell平滑算法、Good-Turing平滑算法进行数据平滑。
得到3个模型：
10个句子的****语言模型训练，使用Kneser-Ney平滑算法进行语言模型训练命令：
**问题：**出现error。
原因：其中一个修改后的KneserNey折扣为负，数据集太少，发现高阶n-gram没有出现统计次数。
使用witten bell平滑算法进行语言模型训练命令：
**问题：**3-grams只有9组数据
原因：丢弃281个3-gram，因为折扣为零。
使用Good-Turing平滑算法进行语言模型训练命令：
步骤三：语言模型评价（计算 PPL）
-ppl为对测试集句子进行评分(logP(T)，其中P(T)为所有句子的概率乘积）和计算测试集困惑度的参数。
10个句子的****语言模型，测试文件使用的是 text2.txt文件，测试模型使用witten bell平滑算法训练和Good-Turing平滑算法训练。
100个句子的****语言模型，测试文件使用的是 text2.txt文件，测试模型使用Kneser-Ney平滑算法训练、witten bell平滑算法训练、Good-Turing平滑算法训练。
ppl与ppl1的区别：
ppl考虑词数和句子数(i.e. 考虑); PPL1只考虑词数。
ppl = 10^(-logprob / (words - OOVs + sentences))
ppl1 = 10^(-logprob / (words - OOVs))
步骤四：语言模型剪枝（可选）
用于减小语言模型的大小。
-prune threshold 删除一些ngram，满足删除以后模型的ppl增加值小于threshold，越大剪枝剪得越狠。
7 总结
（RNN语言模型很好，可以对很长的上下文关系进行建模。但是它在语音识别中不常用。因为用RNN语言模型的话，解码出每一个词都得现算语言模型分数，效率不高。它一般用在二次解码rescore中。
N-gram可以编译成加权有限状态转换器，可以看成一种有向图。这样解码就变成了在图中搜索的过程，比较高效。所以语音识别一般用的还是N-gram）
语言模型如何配合声学模型来提高整个识别结果？
这就是解码器所做的事情。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
