作為一名程序員，我們習慣于去了解所使用工具、中間件的底層原理，本文則旨在幫助大家了解 AI 模型的底層機制，讓大家在學習或應用各種大模型時更加得心應手，更加適合沒有 AI 基礎的小伙伴們。

一、GPT 與神經網絡的關系

GPT 想必大家已經耳熟能詳，當我們與它進行對話時，通常只需關注自己問出的問題（輸入）以及 GPT 給出的答案（輸出），對于輸出內容是如何產生的，我們一無所知，它就像一個神秘的黑盒子。?

??

GPT 是一種基于神經網絡的自然語言處理（NLP）模型，使用大量數據輸入神經網絡對模型進行訓練，直到模型的輸出在一定程度上符合我們的預期，訓練成熟的模型就可以接收用戶的輸入，并針對輸入中的關鍵信息給出經過 “思考” 后的答案。想要弄明白 GPT 究竟是如何 “思考” 的，或許我們可以從神經網絡出發。

二、什么是神經網絡

那么，神經網絡到底是什么呢？或者說，為什么是神經網絡？ 高中的生物學告訴我們，人類的神經系統由數以億計的神經元連接而成，它們是生物學上的細胞，有細胞體、樹突、軸突等主要結構，不同神經元之間的樹突與軸突通過突觸與其他神經元相互連接，形成復雜的人腦神經網絡。?

??人工智能為了使機器獲得接近人類的智力，嘗試效仿人腦的思考過程，創造出了一種模仿人腦神經元之間相互連接的計算模型 —— 神經網絡。它由多層神經元組成，每個神經元接收輸入并產生相應的輸出。根據上述定義，圖 1 中黑盒子的內部結構已初具輪廓，下圖中的每個圓圈都代表一個神經元，神經元具有計算能力，可以將計算出來的結果傳遞到下一個神經元。?

??

在生物學中，大腦的結構越簡單，智力也就越低；相應地，神經系統越復雜，能處理的問題越多，智力也就越高。人工神經網絡也是如此，越復雜的網絡結構計算能力越強大，這也是為什么發展出了深度神經網絡。之所以被稱為 "深度"，是因為它具有多個隱藏層（即上圖中縱向神經元的層數），相對于傳統的淺層神經網絡，深度神經網絡具有更多的層級結構。

訓練深度神經網絡的過程就叫做深度學習。構建好深度神經網絡之后，我們只需要將訓練數據輸入到神經網絡中，它就會自發地學習數據中的特征。比如說我們想要訓練一個深度神經網絡來識別貓，只需要將大量不同種類、不同姿勢、不同外觀的貓的圖片輸入到神經網絡中讓它學習。訓練成功后，我們將一張任意的圖片輸入到神經網絡中，它會告訴我們里面是否有貓。

三、神經網絡是如何計算的

現在，我們已經知道了什么是神經網絡以及它的基本結構，那么神經網絡中的神經元是如何對輸入數據進行計算的呢？ 在此之前，我們要解決一個問題：數據是如何輸入到神經網絡中的？下面以圖像和文本類型的數據為例講解。

數據是如何輸入到神經網絡中的

1、圖像輸入處理

想象一個畫面：當我們把一張圖片放大到一定程度時，可以看到一格一格的小方塊。這個小方塊就稱為像素點，一張圖片的像素點越多，說明像素越高，圖片越清晰。每個像素點僅由一種顏色構成，光學中的三原色包含紅色、綠色、藍色，通過不同程度地混合這三種顏色可以產生出所有其他顏色。在 RGB 模型中，每種顏色的強度可以用一個數值來表示，通常在 0 到 255 之間。紅色的強度值為 0 表示沒有紅色光，255 表示最大強度的紅色光；綠色和藍色的強度值也是類似的。 為了存儲一張圖像，計算機要存儲三個獨立的矩陣，這三個矩陣分別與圖像的紅色、綠色和藍色的強度相對應。如果圖像的大小是 256 * 256 個像素，那么在計算機中使用三個 256 * 256 的矩陣（二維數組）就能表示這張圖像。可以想象將三個矩陣表示的顏色重疊堆放在一起，便可顯現出圖像的原始樣貌。

現在我們得到了圖像在計算機中的表示方式，那么如何將它輸入到神經網絡呢？ 通常我們會把上述三個矩陣轉化為一個向量，向量可以理解成 1 * n（行向量）或 n * 1（列向量）的數組。那么這個向量的總維數就是 256 * 256 * 3，結果是 196608。在人工智能領域中，每一個輸入到神經網絡的數據都被叫做一個特征，那么上面的這張圖像中就有 196608 個特征。這個 196608 維的向量也被叫做特征向量。神經網絡接收這個特征向量作為輸入，并進行預測，然后給出相應的結果。

2、文本輸入處理

文本是由一系列字符組成的，首先需要將文本劃分成有意義的單詞，這個過程稱為分詞。在分詞后，構建一個由出現的所有單詞或部分高頻單詞組成的詞匯表（也可以使用已有的詞匯表）。詞匯表中的每個單詞都會被分配一個唯一索引，這樣可以將文本轉換為離散的符號序列，方便神經網絡進行處理。在輸入神經網絡之前，通常會將文本的符號序列轉換為密集的向量表示。 以文本 “How does neural network works?” 為例：

分詞：["how", "does", "neural", "network", "works"]

構建詞匯表：{"how": 0, "does": 1, "neural": 2, "network": 3, "works": 4}

序列化文本數據：["how", "does", "neural", "network", "works"] -->[0, 1, 2, 3, 4]

向量化：

#此處以one-hot向量表示法為例:
[[1, 0, 0, 0, 0]
 [0, 1, 0, 0, 0]
 [0, 0, 1, 0, 0]
 [0, 0, 0, 1, 0]
 [0, 0, 0, 0, 1]]

神經網絡是如何進行預測的

首先明確模型訓練和預測的區別：訓練是指通過使用已知的數據集來調整模型的參數，使其能夠學習到輸入和輸出之間的關系；預測是指使用訓練好的模型來對新的輸入數據進行預測。

神經網絡的預測其實是基于一個很簡單的線性變換公式：



其中，x?表示特征向量，w?是特征向量的權重，表示每個輸入特征的重要程度，b?表示閾值，用于影響預測結果。公式中的 dot () 函數表示將w?和x?進行向量相乘。

舉例：如果一個輸入數據有i?個特征，代入公式計算結果為：



??

??如何理解這個公式呢？假設你需要決策周末是否去公園劃船，你對此猶豫不決，需要神經網絡幫你做決定。決定是否去劃船有三個因素：天氣是否晴朗溫暖、地點是否遠近適中、同行玩伴是否合心意。實際情況是出行那天天氣為陰且偶有陣風、地點在 20km 外的偏遠郊區、同行玩伴是心儀已久的大帥哥。這三個因素即為輸入數據的特征向量 x=[x1, x2, x3]，我們需要根據特征對結果的影響來設置特征值，如 “天氣不好” 和 “地點偏遠” 對結果具有負向的影響，我們可以把它設為 - 1，“同行玩伴是心儀已久的大帥哥” 顯然對結果有大大的正向影響，可以把它設為 1，即特征向量 x=[-1, -1, 1]。接下來，需要根據你的偏好來設置三個特征的權重，也就是每個因素對你最終決策的影響程度。如果你不在乎天氣和地點，只要與大帥哥同行便風雨無阻，那么可以將權重設置為 w=[1, 1, 5]；如果你是個懶狗，那你可能會設置權重為 w=[2, 6, 3]；總之，權重是根據對應特征的重要程度來確定的。

我們選擇第一組權重 w=[1, 1, 5]，特征向量為 x=[-1, -1, 1]， 并設置閾值 b=1，假設結果 z ≥ 0 表示去，z < 0 表示不去，計算預測結果 z = (x1w1 + x2w2 + x3*w3) + b = 4 > 0，因此神經網絡給出的預測結果是：去公園劃船。

上面使用的公式

?本質上是一種邏輯回歸，用于將輸入數據映射到二分類的概率輸出。邏輯回歸通常使用一個特定的激活函數來實現將z?值到 [0, 1] 的映射關系，即 Sigmoid 函數，它將線性變換的結果通過非線性映射轉化為概率值。通常，大于等于 0.5 的概率值被視為正類，小于 0.5 的概率值被視為負類。

Sigmoid 函數的公式和圖像如下所示：

??除了能將結果輸出范圍控制在 0 到 1 之間，Sigmoid 函數（或其他激活函數）另外一個重要作用就是將線性變換的結果進行非線性映射，使神經網絡可以學習和表示更加復雜的非線性關系。如果沒有激活函數，神經網絡只能解決簡單的線性問題；加入激活函數之后，只要層數足夠多，神經網絡就能解決所有問題，因此激活函數是必不可少的。

神經網絡是如何進行學習的

得到預測結果后，神經網絡會通過損失函數判斷預測結果是否準確，如果不夠準確，神經網絡會進行自我調整，這就是學習的過程。

損失函數用于衡量模型的預測結果與真實標簽之間的誤差。通過將預測值與真實值進行比較，損失函數提供了一個數值指標，反映了模型當前的預測性能。較小的損失值表示模型的預測結果與真實標簽更接近，而較大的損失值表示預測誤差較大。下面介紹一個常用于二分類問題的損失函數（對數損失）：

神經網絡學習的目的，就是通過調整模型的參數使損失函數達到最小值，從而改善模型的預測性能，這個過程也稱為模型的訓練。梯度下降算法可以解決這一問題，通過該算法找到合適的* w*?（特征的權重）和b（閾值），梯度下降算法會一步一步地改變w和b?的值，使損失函數的結果越來越小，也就是使預測結果更精準。

??這里需要注意的是，如果學習率設置過小，則需要多次梯度下降才能到達最低點，浪費機器運行資源；如果設置過大，則可能錯過最低點直接到了圖中左側的點位，因此需要根據實際情況選擇一個正確的學習率。

神經網絡的計算過程主要有兩個步驟：正向傳播和反向傳播。正向傳播用于計算神經元的輸出，也就是上述對輸入特征進行加權求和、并通過激活函數進行非線性變換的過程；反向傳播用于更新優化模型參數，通過計算損失函數關于模型參數的梯度，從輸出層向輸入層反向傳播梯度的過程（反向傳播涉及大量的數學計算，感興趣的讀者可以深入了解）。

四、綜述

綜上所述，神經網絡訓練和學習的過程其實就是對模型參數進行不斷調優、減少預測損失值過程。經過充分訓練后，模型能夠從輸入數據中學習到有效的特征表示和權重分配，從而能夠對未見過的數據進行準確的預測。訓練完成的神經網絡模型可以應用于各種實際問題。比如，在圖像分類任務中，卷積神經網絡可以根據輸入圖像的特征自動識別物體或圖案；在自然語言處理任務中，循環神經網絡可以理解和生成文本；在推薦系統中，多層感知機神經網絡可以根據用戶的歷史行為進行個性化推薦。





審核編輯：劉清