本博客是对b站上，李宏毅大模型课程的简单记录。
大模型入门到进阶，一套全解决！

第1讲：生成式AI是什么？

• ChatGPT【Chat Generative Pre-trained Transformer】每一步都是文字接龙，其实就是分类问题
  文字接龙指的就是：人类的问题作为模型输入，模型预测下一个字是什么。下一个字有可能有100种，每个字有不同的概率，通过掷骰子来决定下一个字是啥
• 按先后顺序：预训练、微调、增强式学习（RLHF）

  • 预训练：即自监督学习，模型通过大量的无标签模型自己学习

  • 真正的训练【微调】：监督学习，使用带标签的数据告诉他哪些答案是正确的。

    在多重语言上做预训练后，只要教某一个语言的某一个任务，模型会自动学习其他语言的同样任务。

  • 增强式学习（Reinforcement Learning from Human Feedback，RLHF）
    两个步骤：①使用人类的反馈来训练一个“奖励模型”，使其能够量化输出的质量
    ②通过强化学习优化模型的行为，利用“奖励模型”的反馈来调整生成策略

第2讲：今日的生成式人工智能厉害在哪

• Prompt engineering：prompt是给模型的指令【而上下文学习，是给模型信息】
  

• 训练自己的模型
  

第3.4.5讲：你可以训练你自己

• 上下文学习：指的是模型根据输入的上下文（即前文和当前文本信息）来生成更准确和相关的回答。上下文学习未进行任何训练
• RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了信息检索和文本生成的模型架构

第6讲：大型语言模型修炼史 — 第一阶段- 自我学习，累积实力

• 这个过程就是预训练，自监督学习。这个过程只是学了很多资料，但不知道哪些是正确的
• GPT的各个版本

第7讲：大型语言模型修炼史 — 第二阶段_ 名师指点，发挥潜力

• 这个过程就是微调(fine-tuning)，需要人工标注。
  预训练的参数作为初始参数，通过人工标注数据，对初始参数进行调整，调整后的参数和初始参数差的不太多，所以叫微调。但这个过程需要对所有的参数进行调整，负担大

• 因此有了“adaptor”的概念，它是一种结构上相对简单的神经网络模块，通常插入在预训练模型的某些层之间，在微调时只用更新这些模块即可，预训练的参数不用调整。

• 微调一开始是走训练专才的路线，现在是训练全才

• LLaMA把预训练的模型开源了，世界直接疯狂

第8讲：大型语言模型修炼史 — 第三阶段- 参与实战，打磨技巧

• 这个阶段就是带有人工反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF）
• 人觉得好的答案，就提高出现的概率，不好的答案，就降低概率
• 微调是只问过程【只管文字接龙对不对】，不问结果；
  RLHF是只问结果，不问过程
• RLHF有两个步骤：
  ①使用人类的反馈来训练一个“奖励模型”，使其能够量化输出的质量
  ②通过强化学习优化模型的行为，利用“奖励模型”的反馈来调整生成策略
• RLAIF(带有 AI 反馈的强化学习)，使用AI模型作为“奖励模型”
• RLHF和RLAIF的难点在于，如何评价模型回答的答案是好还是坏

第9讲：以大型语言模型打造的AI Agent

• AI Agent是一种能够“感知环境”、“进行决策”，“做出行动”，“完成特定目标”的智能体
• 现有常见的AI agent
  

第10讲：今日的语言模型是如何做文字接龙的 — 浅谈Transformer

• Transformer的大致流程
  

  • 步骤一：把文字变成Token
    

  • 步骤二：理解每个Token，把Token转成embedding。在transformer里有一个token和embedding对应的列表。那这个列表如何获得呢？是需要学习的。下面这个图介绍的是在语意层面，如何将token转成embedding
    
    除了语意层面，还有位置嵌入，把语意嵌入和位置嵌入进行相加即可。注意，“位置嵌入”的对应关系，一开始是由人设定，现在也可以用学习的方法得到
    

  • 步骤三：考虑上下文。“苹果电脑”中的苹果和“来吃苹果”中的苹果完全不一样，因此需要通过注意力机制，考虑上下文。通过attention后，会输出下一个token的概率
    

    在transformer中考虑的是多头注意力，因为token之间的相关性不止一种
    

第11讲：大型语言模型在「想」什么呢？ — 浅谈大型语言模型的可解释性"

• 对模型背后的神经网络进行分析
• 直接让模型提供解释，问他为什么输出这个答案

第12讲：浅谈评估大型语言模型能力的各种方式

• 评估大模型的性能，问他有标准答案的问题，例如选择题
  
  但是连选择题都有问题
  
  翻译和摘要是语义层面做比较：
  
  大模型价格方面的差异：
  

第13.14讲：浅谈大型语言模型相关的安全性议题

我认为这里不重要

第15讲：为什么语言模型用文字接龙，图片生成不用像素接龙呢？

• 文字由token构成，以Llama2为例，它的词汇表中共有32k个token，用接龙的方式预测下一个token
  

• 图片由像素组成
  

• 声音由取样点构成
  

• 生成式人工智能的本质：文→文（token）；文→图（pixel）；文→声（采样点）
  

  • 关于文→文的策略：就是文字接龙，给定一个输入，产生第一个token，然后第一个token和原本的输入合并作为新的输入，生成下一个token。接龙的方式在学术上被称为 Autoregressive Generation（自回归策略

  • ）。

    文字也可以用NAR的方式，首先让模型预测有多少个token，然后，不同的位置分别预测下一个token
    也可以给他设置一个固定长度的token，每个位置去预测token是什么，把end之后的都丢掉
    

  • 文→图：图片如果也用Autoregressive Generation，就会存在一个问题，生成一个1024*1024的图片，约有100万个像素点，需要逐步做100万次接龙，时间太长。因此采用Non-Autoregressive Generation的方式，NAR不依赖于先前生成，模型的目标是并行生成所有像素，但生成的质量可能会受到影响，因为每个像素的生成是独立的，位置一和位置二生成时可能是完全相反的东西，例如生成狗的图片，位置一是想生成的白狗，位置二想生成黑狗，就会造成生成的图片一团糟。
    如何解决这个问题呢？

    • 方法一：让所有位置都脑补一样的内容，告诉模型具体的描述
      
      具体来说就是图像生成模型，在生成图像时，是需要给定一个向量的，这个向量用于模型脑补
      
    • 方法二：Autoregressive Generation（自回归策略)与NAR结合。先用AR策略生成一个精简版本，这个精简版本可以是人类看不懂的东西【有点像语义昂】
      
      如何产生精简版本呢？就是通过一个encoder将图片压缩，decoder能恢复即可。16×16像素能压缩到1×1，色彩从成千上万可以压缩到1024
      
      具体来说就是让一个模型充当encoder，这个过程是AR策略；另一个模型充当decoder，这个过程是NAR策略
      
    • 方法三：改进NAR质量的方法，就是多次使用NAR。把生成步骤拆解成很多个阶段，每个阶段都是NAR，逐阶段生成。
      
      
      方法二中的AR+NAR，AR策略生成时耗费时间很多，因此可以把encoder替换成多个阶段的NAR。现阶段常见的图像生成模型，都是这种方式
      

第16讲：可以加速所有语言模型生成速度的神奇外挂 — Speculative decoding

• 设计一个预言家预测下一个token是什么。预言家可以用NAR策略
  

第17讲：有关影像的生成式AI (上) — AI 如何产生图片和影片

• 影像有关的生成式AI
  输入视频或者图片，生成文本等
  另一种是，输入一段文本，生成一段视频或者图片【本视频专注于此】
  

  • 以文字作为condition：Sora
    
  • 图片生成图片
    
  • talking head：给一张照片，给一段话，让这个人张嘴说话
    

• 原理：图片由像素组成，视频由一系列图片组成，FPS就是每秒有多少帧图。玩游戏得60FPS

  图像生成说白了就是生成patch，然后生成的patch经过decoder得到图片。用的不是接龙的方式，而是NAR，一次性生成所有的patch。生成过程中虽然是NAR，并行生成，但是transformer会计算每个patch之间的关联性，但这种方式也无法保证生成的准确性
  
  文字生视频，就是一下生成所有的patch，但有个严重的问题就是，transformer中，需要计算每个patch之间的相关性，那对于视频而言，计算量就太大了
  
  因此，提出一种策略，对于某帧，只计算该帧内部每个patch的相似性【Spatial attention 2d】；帧之间，计算同一位置，不同帧之间的相似性【temporal attention 1d】
  
  如何评价生成效果？把文字和生成的图片扔给clip，让clip评价好坏
  

第18讲：有关影像的生成式AI (下) — 快速导读经典影像生成方法

• 如何处理模型的脑补问题？让他生成一直奔跑的狗，可能会生成哈士奇，也可能会生成柴犬。解决这个问题需要给模型更多的信息，需要训练一个“资讯抽取” 模型
  

那么如何训练这个“资讯抽取”模型呢?

让“资讯抽取模型”和“图片生成模型”一块训练，“资讯抽取模型”抽取出来什么不重要，人可能也看不懂。但“资讯抽取模型”和“图片生成模型”有一个共同目标，输入一张图片，经过“资讯抽取模型”和“图片生成模型”后输出的图片和输入的图片越接近越好，这样就能一下子训练两个模型了。这个架构就叫做auto-encoder

• 上述介绍的是训练的时候，那在图片生成的时候具体如何操作呢？生成的时候只有decoder，decoder的输入包括两部分，一个描述，以及需要脑补的资讯。而脑补的资讯需要随机生成
  

• 上面介绍的这个流程其实就是VAE。一个encoder抽取出来信息，然后decoder将信息进行恢复
  

• flow-based method。和VAE很像，但是这篇论文认为，decoder和encoder干的事情是相反的，因此encoder可以当成decoder的反函数。抽取出来的信息叫做noise，虽然叫这个名字，但是其中包含很多信息。
  

• diffusion，该模型denoise model（也就是decoder）的输入也是noise和一个描述。通过decoder得到去噪后的图片，然后把这个图片和描述再输入到decoder中，以此类推，直到生成清晰的图片。

  现阶段的研究主要集中在，如何用较少次数，恢复出清晰的图片。
  
  那么问题来了，数据集中都是清晰的图片，如何得到这个带noise的图呢？其实就是逐步加噪声
  
  现在Sora中用到的就是 diffusion transformer，左边的就是传统的transformer，用NAR策略，并行预测每个patch是多少；右边是 diffusion transformer，逐步预测每个patch是多少
  

• VAE、flow-based、diffusion的对比