总结一些LLM算法岗遇到的八股

news2024/11/17 5:21:57

总结一些我被问到的题和常见的题目，答案有不对的欢迎指出。

Batch Norm和Layer Norm的定义及区别？

BN 批量归一化：以进行学习时的mini-batch为单位，按mini-batch进行正规化。具体而言，就是进行使数据分布的均值为0、方差为1的正规化。
LN 层归一化是对每个batch（3维）里的每个样本的每行进行标准化，使用layer norm 对应到NLP里就是相当于对每个词向量各自进行标准化
总结：BN是对一个中间层的单个神经元进行归一化操作，LN是对一个中间层的所有神经元进行归一化
batch norm适用于CV，因为计算机视觉喂入的数据都是像素点，可以说数据点与点之间是可以比较的，所以使用batch norm可以有比较好的效果，
而NLP里，每个词的词向量是一组向量表示一个词，一个词向量割裂开来看是没有意义的，因此不同词向量里的数据点是不能混为一谈的，所以batch norm之后可能会使得词损失语义，效果就可能不好了，但是使用layer norm只是让各个词向量进行标准化，就能够有比较理想的效果了。
立方体直观感受：一个（H，W） * C * N的立方体
- BN：把一个batch中同一通道的所有特征视为一个分布（有几个通道就有几个分布），并将其标准化
- LN：把一个样本的所有词义向量视为一个分布（有几个句子就有几个分布），并将其标准化

为什么要normalization层？

总：加速训练、稳定梯度下降、减少模型对初始化和输入分布的依赖，以及提升模型的泛化能力，进而提高整体模型的性能和训练效率。
分：
- 可以使学习快速进行（减小了输入分布的变化，可以增大学习率）。
- 不那么依赖初始值（对于初始值不用那么神经质）。
- 抑制过拟合（降低Dropout等的必要性）

Python的深浅拷贝

都是复制对象，区别在于它们对嵌套对象（例如，列表中的列表或字典中的字典）的处理不同
- 直接赋值： 其实就是对象的引用（别名）。
- 浅拷贝(copy)： 拷贝父对象，不会拷贝对象的内部的子对象。
- 深拷贝(deepcopy)： copy 模块的 deepcopy 方法，完全拷贝了父对象及其子对象。
浅拷贝创建一个新的对象，但在新对象中，它只复制了原对象的引用，而不复制嵌套对象本身。如果原对象中包含对其他对象的引用，那么浅拷贝的新对象将引用相同的嵌套对象。
深拷贝创建一个新的对象，并递归地复制原对象及其所有嵌套对象。这意味着，深拷贝的新对象与原对象完全独立，不共享任何部分。

import copy

original_list = [1, 2, [3, 4]]
shallow_copy_list = copy.copy(original_list)
deep_copy_list = copy.deepcopy(original_list)

# 修改原列表中的嵌套对象
original_list[2][0] = 'a'

print("Original List:", original_list)
# Original List: [1, 2, ['a', 4]] Shallow Copy List: [1, 2, ['a', 4]]
print("Shallow Copy List:", shallow_copy_list)
# Shallow Copy List: [1, 2, ['a', 4]]
print("Deep Copy List:", deep_copy_list)
# Deep Copy List: [1, 2, [3, 4]]

今天的两个算法题

有序数组中查找元素，返回起始结束位置

两数之和，数组无序–>双指针优化

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，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。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍