大模型开发 - 一文搞懂Embedding工作原理

一、Text Embedding工作原理

文本向量化（Text Embedding）：将文本数据（词、句子、文档）表示成向量的方法。

词向量化将词转为二进制或高维实数向量，句子和文档向量化则将句子或文档转为数值向量，通过平均、神经网络或主题模型实现。

• 词向量化：将单个词转换为数值向量。
  • 独热编码（One-Hot Encoding）：为每个词分配一个唯一的二进制向量，其中只有一个位置是1，其余位置是0。
  • 词嵌入（Word Embeddings）：如Word2Vec, GloVe, FastText等，将每个词映射到一个高维实数向量，这些向量在语义上是相关的。

• 句子向量化：将整个句子转换为一个数值向量。
  • 简单平均/加权平均：对句子中的词向量进行平均或根据词频进行加权平均。
  • 递归神经网络（RNN）：通过递归地处理句子中的每个词来生成句子表示。
  • 卷积神经网络（CNN）：使用卷积层来捕捉句子中的局部特征，然后生成句子表示。
  • 自注意力机制（如Transformer）：如BERT模型，通过对句子中的每个词进行自注意力计算来生成句子表示。

• 文档向量化：将整个文档（如一篇文章或一组句子）转换为一个数值向量。
  • 简单平均/加权平均：对文档中的句子向量进行平均或加权平均。

统计方法用TF-IDF和N-gram统计生成文本向量，而神经网络方法如Word2Vec、GloVe等通过深度学习学习文本向量。

• 基于统计的方法
• TF-IDF：通过统计词频和逆文档频率来生成词向量或文档向量。
• N-gram：基于统计的n个连续词的频率来生成向量。

基于神经网络的方法

词嵌入：

Word2Vec：通过预测词的上下文来学习词向量。
    GloVe：通过全局词共现统计来学习词向量。
    FastText：考虑词的n-gram特征来学习词向量。

句子嵌入：

RNN：包括LSTM和GRU，可以处理变长句子并生成句子向量。
    Transformer：使用自注意力机制和位置编码来处理句子，生成句子向量。

文档嵌入：

  Doc2Vec：扩展了Word2Vec，可以生成整个文档的向量表示。
    BERT：基于Transformer的预训练模型，可以生成句子或短文档的向量表示。

工作原理：将离散的文字信息（如单词）转换成连续的向量数据。这样，语义相似的词在向量空间中位置相近，并通过高维度捕捉语言的复杂性。

• 将离散信息（如单词、符号）转换为分布式连续值数据（向量）。
• 相似的项目（如语义上相近的单词）在向量空间中被映射到相近的位置。
• 提供了更多的维度（如1536个维度）来表示人类语言的复杂度。

举例来讲，这里有三句话：

• “The cat chases the mouse” 猫追逐老鼠。
• “The kitten hunts rodents” 小猫捕猎老鼠。
• “I like ham sandwiches” 我喜欢火腿三明治。

人类能理解句子1和句子2含义相近，尽管它们只有“The”这个单词相同。但计算机需要Embedding技术来理解这种关系。Embedding将单词转换为向量，使得语义相似的句子在向量空间中位置相近。这样，即使句子1和句子2没有很多共同词汇，计算机也能理解它们的相关性。

如果是人类来理解，句子 1 和句子 2 几乎是同样的含义，而句子 3 却完全不同。但我们看到句子 1 和句子 2 只有“The”是相同的，没有其他相同词汇。计算机该如何理解前两个句子的相关性？

Embedding将单词转换为向量，使得语义相似的句子在向量空间中位置相近。这样，即使句子1和句子2没有很多共同词汇，计算机也能理解它们的相关性。

二、Image Embedding工作原理

图像向量化（Image Embedding）：将图像数据转换为向量的过程。

卷积神经网络和自编码器都是用于图像向量化的有效工具，前者通过训练提取图像特征并转换为向量，后者则学习图像的压缩编码以生成低维向量表示。

• 卷积神经网络（CNN）：通过训练卷积神经网络模型，我们可以从原始图像数据中提取特征，并将其表示为向量。例如，使用预训练的模型（如VGG16, ResNet）的特定层作为特征提取器。
• 自编码器（Autoencoders）：这是一种无监督的神经网络，用于学习输入数据的有效编码。在图像向量化中，自编码器可以学习从图像到低维向量的映射。

工作原理：通过算法提取图像的关键特征点及其描述符，将这些特征转换为高维向量表示，使得在向量空间中相似的图像具有相近的向量表示，从而便于进行图像检索、分类和识别等任务。

• 特征提取：使用算法（如SIFT、SURF、HOG等）从图像中提取关键特征点及其描述符。
• 高维空间：图像向量通常在高维空间中表示，每个维度对应一个特征或特征描述符。
• 相似度度量：在向量空间中，可以使用距离度量（如欧氏距离、余弦相似度等）来比较不同图像向量的相似度。

三、Vedio Embedding工作原理

视频向量化（Vedio Embedding）：OpenAI的Sora将视觉数据转换为图像块（Turning visual data into patches）。

• 视觉块的引入：为了将视觉数据转换成适合生成模型处理的格式，研究者提出了视觉块嵌入编码（visual patches）的概念。这些视觉块是图像或视频的小部分，类似于文本中的词元。
• 处理高维数据：在处理高维视觉数据时（如视频），首先将其压缩到一个低维潜在空间。这样做可以减少数据的复杂性，同时保留足够的信息供模型学习。

工作原理：Sora 用visual patches 代表被压缩后的视频向量进行训练，每个patches相当于GPT中的一个token。使用patches，可以对视频、音频、文字进行统一的向量化表示，和大模型中的 tokens 类似，Sora用 patches 表示视频，把视频压缩到低维空间（latent space）后表示为Spacetime patches。

OpenAI大模型的核心架构：大力出奇迹。Embedding技术实现文本、图像、视频等数据向量化表示，为大型模型提供了丰富的特征输入。只要模型规模足够大，这些向量化数据就能驱动模型生成各种所需的内容，体现了“万物皆可生成”的能力。

文章转自微信公众号@架构师带你玩转AI