编码器和解码器会将语言中的符号和发音转化为向量表示,提取并处理其中的语义关系,以便在生成输出时更好地理解和表达语言内容。
tokenizer 和 one-hot 编码为基础的语义单元(token)进行数字化。
- Tokenizer:将 token 投影到一维坐标轴上。
- One-hot 编码:为每个 token 分配一个单独的维度。
-
独热编码:
- 空间维度过于高。
- token 之间的语义关系完全靠维度之间的关系进行体现,无法充分利用空间中的长度关系。
-
分词器:
- 把所有的语义问题转换为了长度问题。
- 完全没有利用维度关系去表示语义关系。
- 需要找一个==合适的空间==(潜空间)来完成编解码工作。
- 潜空间:数据经过变换后所在的低维空间,通常维度低于原始数据空间。捕捉了数据的主要特征或模式。
- 潜在空间:也称为隐空间(Latent Space)。
- 降维:降低数据维度,使计算更高效,同时保留主要信息。
- 特征提取:提取数据的主要特征,去除噪声和冗余信息。
- 可视化:将高维数据投影到低维空间,便于理解数据结构。
-
基于分词后的 ID 进行维度提升:
- Embedding:将离散的词 ID 映射到连续的低维向量空间。
- 例子:NLP中的词嵌入(如 Word2Vec、GloVe)将词表示为低维向量。
-
基于独热编码进行维度降低:
- PCA(主成分分析):线性降维技术,将高维数据映射到低维潜空间。
- 自编码器(Autoencoder):神经网络,通过压缩和解压缩学习数据的低维表示。
-
NLP中的词嵌入:
- 原始空间:词的独热编码表示,维度等于词汇表大小。
- 潜空间:通过词嵌入,将词映射到低维向量表示。
-
图像处理中的自编码器:
- 原始空间:图像像素值的高维空间。
- 潜空间:通过自编码器将图像压缩到低维潜空间,保留主要特征。
- 潜空间是数据经过变换后的低维空间,捕捉了数据的主要特征。
- 实现方法:嵌入、降维技术(如 PCA)或神经网络(如自编码器)。
潜空间用于更高效的数据处理和分析。
- 矩阵 ( A ):看作输入的数据(向量集合)。
- 矩阵 ( B ):看作一个函数(代表一系列操作)。
- 矩阵乘法 ( A \times B ):表示函数 ( B ) 作用于输入数据 ( A )。
- 顺序解释:
- ( A \times B ):对数据 ( A ) 应用操作 ( B )。
- ( B \times A ):对操作 ( A ) 应用数据 ( B ),这种顺序在实际操作中是无意义的。
- 假设有两个函数 ( f ) 和 ( g ):
- 先应用 ( g ) 再应用 ( f ) 得到 ( f(g(x)) )。
- 先应用 ( f ) 再应用 ( g ) 得到 ( g(f(x)) )。
- 由于函数复合不满足交换律,所以矩阵乘法也不满足交换律。
- 给定矩阵 ( A ) 和 ( B ): [ A = \begin{pmatrix} a & b \ c & d \end{pmatrix}, \quad B = \begin{pmatrix} e & f \ g & h \end{pmatrix} ]
- 计算: [ A \times B = \begin{pmatrix} ae+bg & af+bh \ ce+dg & cf+dh \end{pmatrix} ] [ B \times A = \begin{pmatrix} ea+fc & eb+fd \ ga+hc & gb+hd \end{pmatrix} ]
- 结果不同,说明 ( A \times B \neq B \times A )。
- 矩阵乘法没有交换律,因为对数据应用操作与对操作应用数据的顺序不同,结果也不同。
空间中的某个对象会按照一个或一组函数关系映射到另一个空间中。
若这一组函数关系都是线性变换的话,那就是线性变换。
矩阵的秩可以理解为要表示矩阵中所有向量所需的最小维度的空间。它表示了矩阵的行向量或列向量的线性无关性,反映了矩阵的“维度”。
对原数据实现==非线性变换==
为什么增加更多的神经元会让神经网络的学习能力更强?
有多少神经元就可以把数据升到多少维,升到合适的维度后就可以找到超平面对数据进行划分。
输入层和输出层之间的 layers 都称其为隐藏层,隐藏层可以理解为对上一层的传入的数据进行抽象。==隐藏层越深,抽象程度越高==。
编码就是把文本中的 token 变为独热码并进行降维,相当于把输入的一句话根据语义投射到潜空间中(嵌入矩阵)。
目的是得出嵌入矩阵(潜空间),而无需激活函数(因为没有非线性需求,只需要单纯进行矩阵运算即可)
分为 CBOW 和 Skip-gram(自监督学习)
注意力机制需要它来==识别那些因为上下文关联而对词典中原本客观的语义进行调整和改变的幅度==。
输入一组词向量(已经具备了基础语义信息)