深度学习:深度学习前沿

差别

这里会显示出您选择的修订版和当前版本之间的差别。

到此差别页面的链接

深度学习:深度学习前沿 [2026/03/02 20:32] – 创建 张叶安深度学习:深度学习前沿 [2026/03/03 13:24] (当前版本) – 张叶安
行 22: 行 22:
  
 **GPT架构演进**： **GPT架构演进**：
-- **GPT-1**（2018，1.17亿参数）：证明预训练+微调的通用范式 +  - **GPT-1**（2018，1.17亿参数）：证明预训练+微调的通用范式 
-- **GPT-2**（2019，15亿参数）：展现零样本能力，提出"无监督多任务学习" +  - **GPT-2**（2019，15亿参数）：展现零样本能力，提出"无监督多任务学习" 
-- **GPT-3**（2020，1750亿参数）：开启大模型时代，展现惊人的少样本学习能力 +  - **GPT-3**（2020，1750亿参数）：开启大模型时代，展现惊人的少样本学习能力 
-- **GPT-4**（2023，估计万亿级参数）：多模态能力，接近人类水平的通用智能+  - **GPT-4**（2023，估计万亿级参数）：多模态能力，接近人类水平的通用智能
  
 **自回归语言建模**的目标是最大化序列的联合概率： **自回归语言建模**的目标是最大化序列的联合概率：
行 34: 行 34:
  
 **上下文学习（In-Context Learning）**是大语言模型的革命性能力。通过在提示（Prompt）中提供示例，模型无需参数更新就能学习任务。包括： **上下文学习（In-Context Learning）**是大语言模型的革命性能力。通过在提示（Prompt）中提供示例，模型无需参数更新就能学习任务。包括：
-- **零样本（Zero-shot）**：直接描述任务，无示例 +  - **零样本（Zero-shot）**：直接描述任务，无示例 
-- **少样本（Few-shot）**：提供少量示例（通常3-10个） +  - **少样本（Few-shot）**：提供少量示例（通常3-10个） 
-- **思维链（Chain-of-Thought）**：引导模型展示推理过程+  - **思维链（Chain-of-Thought）**：引导模型展示推理过程
  
 ==== 14.1.3 对齐技术与RLHF ==== ==== 14.1.3 对齐技术与RLHF ====
行 45: 行 45:
  
 **阶段1：监督微调（SFT）** **阶段1：监督微调（SFT）**
 +
 收集高质量的指令-响应对，对预训练模型进行监督微调。这使模型学习遵循指令的格式和风格。 收集高质量的指令-响应对，对预训练模型进行监督微调。这使模型学习遵循指令的格式和风格。
  
 **阶段2：奖励模型训练** **阶段2：奖励模型训练**
 +
 训练一个奖励模型（Reward Model, RM）来评估响应质量。收集人类偏好数据：对于同一输入的两个不同响应，标注者选择更好的一个。奖励模型学习预测人类偏好： 训练一个奖励模型（Reward Model, RM）来评估响应质量。收集人类偏好数据：对于同一输入的两个不同响应，标注者选择更好的一个。奖励模型学习预测人类偏好：
  
行 55: 行 57:
  
 **阶段3：强化学习优化** **阶段3：强化学习优化**
 +
 使用PPO算法优化语言模型策略，最大化奖励模型的评分： 使用PPO算法优化语言模型策略，最大化奖励模型的评分：
  
行 62: 行 65:
  
 **RLHF的改进方向**： **RLHF的改进方向**：
-- **DPO（Direct Preference Optimization）**：直接优化策略，无需显式训练奖励模型 +  - **DPO（Direct Preference Optimization）**：直接优化策略，无需显式训练奖励模型 
-- **RLAIF（RL from AI Feedback）**：使用AI而非人类生成偏好数据 +  - **RLAIF（RL from AI Feedback）**：使用AI而非人类生成偏好数据 
-- **Constitutional AI**：让AI根据原则自我修正+  - **Constitutional AI**：让AI根据原则自我修正
  
 ==== 14.1.4 多模态大模型 ==== ==== 14.1.4 多模态大模型 ====
行 71: 行 74:
  
 **视觉-语言模型**： **视觉-语言模型**：
-- **CLIP**（Contrastive Language-Image Pre-training）：通过对比学习将图像和文本映射到共享嵌入空间 +  - **CLIP**（Contrastive Language-Image Pre-training）：通过对比学习将图像和文本映射到共享嵌入空间 
-- **DALL-E系列**：文本到图像生成，DALL-E 3结合ChatGPT实现精确控制 +  - **DALL-E系列**：文本到图像生成，DALL-E 3结合ChatGPT实现精确控制 
-- **GPT-4V**：具备视觉理解能力的大语言模型 +  - **GPT-4V**：具备视觉理解能力的大语言模型 
-- **LLaVA、MiniGPT-4**：开源视觉-语言助手+  - **LLaVA、MiniGPT-4**：开源视觉-语言助手
  
 **统一架构**： **统一架构**：
 +
 多模态模型通常采用**编码器-投影器-LLM**架构： 多模态模型通常采用**编码器-投影器-LLM**架构：
 +
 1. 使用专门的编码器（如ViT用于图像）提取模态特征 1. 使用专门的编码器（如ViT用于图像）提取模态特征
 +
 2. 通过投影层（线性层或轻量级网络）将特征对齐到语言空间 2. 通过投影层（线性层或轻量级网络）将特征对齐到语言空间
 +
 3. 大语言模型进行统一的理解和生成 3. 大语言模型进行统一的理解和生成
  
行 89: 行 96:
  
 **知识蒸馏（Knowledge Distillation）**： **知识蒸馏（Knowledge Distillation）**：
 +
 让小模型（学生）学习大模型（教师）的行为。不仅学习硬标签，还学习软标签（概率分布）： 让小模型（学生）学习大模型（教师）的行为。不仅学习硬标签，还学习软标签（概率分布）：
  
行 96: 行 104:
  
 **量化（Quantization）**： **量化（Quantization）**：
 +
 将浮点权重转换为低精度表示（如INT8、INT4）。量化方法包括： 将浮点权重转换为低精度表示（如INT8、INT4）。量化方法包括：
-- **训练后量化（PTQ）**：直接对训练好的模型量化 +  - **训练后量化（PTQ）**：直接对训练好的模型量化 
-- **量化感知训练（QAT）**：在训练中模拟量化效应 +  - **量化感知训练（QAT）**：在训练中模拟量化效应 
-- **LLM.int8()、GPTQ**：针对大模型的专用量化方法+  - **LLM.int8()、GPTQ**：针对大模型的专用量化方法
  
 **剪枝（Pruning）**： **剪枝（Pruning）**：
 +
 移除不重要的权重或神经元。分为： 移除不重要的权重或神经元。分为：
-- **非结构化剪枝**：移除单个权重，需要硬件支持 +  - **非结构化剪枝**：移除单个权重，需要硬件支持 
-- **结构化剪枝**：移除整个通道或层，更易部署+  - **结构化剪枝**：移除整个通道或层，更易部署
  
 ==== 14.2.2 高效注意力机制 ==== ==== 14.2.2 高效注意力机制 ====
行 111: 行 121:
  
 **稀疏注意力**： **稀疏注意力**：
-- **局部注意力（Local Attention）**：只关注邻近位置 +  - **局部注意力（Local Attention）**：只关注邻近位置 
-- **稀疏模式（Sparse Patterns）**：固定稀疏模式如Longformer的"全局+滑动窗口" +  - **稀疏模式（Sparse Patterns）**：固定稀疏模式如Longformer的"全局+滑动窗口" 
-- **随机注意力（Random Attention）**：随机选择部分位置关注+  - **随机注意力（Random Attention）**：随机选择部分位置关注
  
 **线性注意力**： **线性注意力**：
 +
 将注意力复杂度降至$O(n)$。核心思想是用核技巧近似softmax： 将注意力复杂度降至$O(n)$。核心思想是用核技巧近似softmax：
  
行 123: 行 134:
  
 **硬件感知注意力**： **硬件感知注意力**：
-- **FlashAttention**：通过IO感知的分块计算，减少GPU内存访问 +  - **FlashAttention**：通过IO感知的分块计算，减少GPU内存访问 
-- **FlashAttention-2**：进一步优化warps级并行+  - **FlashAttention-2**：进一步优化warps级并行
  
 ==== 14.2.3 状态空间模型与RNN复兴 ==== ==== 14.2.3 状态空间模型与RNN复兴 ====
行 131: 行 142:
  
 **S4（Structured State Space for Sequence Modeling）**： **S4（Structured State Space for Sequence Modeling）**：
 +
 将序列建模视为连续系统的离散化： 将序列建模视为连续系统的离散化：
  
行 142: 行 154:
  
 **Mamba**： **Mamba**：
 +
 选择性状态空间模型，引入输入依赖的选择机制： 选择性状态空间模型，引入输入依赖的选择机制：
  
行 153: 行 166:
  
 **MoE层结构**： **MoE层结构**：
-- 多个专家网络（通常是FFN） +  - 多个专家网络（通常是FFN） 
-- 门控网络（Gating Network）决定激活哪些专家+  - 门控网络（Gating Network）决定激活哪些专家
  
 $$y = \sum_{i=1}^{N} G(x)_i \cdot E_i(x)$$ $$y = \sum_{i=1}^{N} G(x)_i \cdot E_i(x)$$
行 161: 行 174:
  
 **负载均衡**： **负载均衡**：
 +
 为避免所有输入都路由到少数专家，引入负载均衡损失： 为避免所有输入都路由到少数专家，引入负载均衡损失：
  
行 168: 行 182:
  
 **代表性模型**： **代表性模型**：
-- Switch Transformer：每个token激活1个专家，简单高效 +  - Switch Transformer：每个token激活1个专家，简单高效 
-- GLaM、PaLM-E：大规模MoE语言模型 +  - GLaM、PaLM-E：大规模MoE语言模型 
-- Mixtral 8x7B：开源MoE模型，性能超越更大稠密模型+  - Mixtral 8x7B：开源MoE模型，性能超越更大稠密模型
  
 ===== 14.3 生成模型新进展 ===== ===== 14.3 生成模型新进展 =====
行 179: 行 193:
  
 **前向扩散过程**： **前向扩散过程**：
 +
 逐步向数据添加高斯噪声，经过$T$步后数据接近纯噪声： 逐步向数据添加高斯噪声，经过$T$步后数据接近纯噪声：
  
行 186: 行 201:
  
 **反向去噪过程**： **反向去噪过程**：
 +
 学习神经网络逆转扩散过程： 学习神经网络逆转扩散过程：
  
行 195: 行 211:
  
 **条件生成**： **条件生成**：
-- 类别条件：通过类别嵌入或分类器引导 +  - 类别条件：通过类别嵌入或分类器引导 
-- 文本条件：使用CLIP或T5编码文本，通过cross-attention注入 +  - 文本条件：使用CLIP或T5编码文本，通过cross-attention注入 
-- Classifier-Free Guidance（CFG）：同时训练条件和无条件生成，推理时插值+  - Classifier-Free Guidance（CFG）：同时训练条件和无条件生成，推理时插值
  
 **代表性模型**： **代表性模型**：
-- DDPM、DDIM：基础扩散模型 +  - DDPM、DDIM：基础扩散模型 
-- Stable Diffusion、DALL-E 2/3、Midjourney：图像生成 +  - Stable Diffusion、DALL-E 2/3、Midjourney：图像生成 
-- Imagen Video、Make-A-Video：视频生成 +  - Imagen Video、Make-A-Video：视频生成 
-- AudioLDM：音频生成+  - AudioLDM：音频生成
  
 ==== 14.3.2 流模型与一致性模型 ==== ==== 14.3.2 流模型与一致性模型 ====
行 210: 行 226:
  
 **连续正规化流（Continuous Normalizing Flows, CNF）**： **连续正规化流（Continuous Normalizing Flows, CNF）**：
 +
 用神经网络参数化的常微分方程描述概率流： 用神经网络参数化的常微分方程描述概率流：
  
行 219: 行 236:
  
 **流匹配（Flow Matching）**： **流匹配（Flow Matching）**：
 +
 直接回归条件概率路径，避免求解ODE。训练目标为： 直接回归条件概率路径，避免求解ODE。训练目标为：
  
行 226: 行 244:
  
 **Rectified Flow**： **Rectified Flow**：
 +
 学习将噪声直接映射到数据的直线路径，实现一步或少步生成。 学习将噪声直接映射到数据的直线路径，实现一步或少步生成。
  
 **一致性模型（Consistency Models）**： **一致性模型（Consistency Models）**：
 +
 学习将任意时间步的噪声直接映射回数据空间，实现单步生成。一致性函数$f_{\theta}$满足： 学习将任意时间步的噪声直接映射回数据空间，实现单步生成。一致性函数$f_{\theta}$满足：
  
行 240: 行 260:
  
 **NeRF表示**： **NeRF表示**：
 +
 场景由MLP参数化，输入3D坐标$\mathbf{x} = (x,y,z)$和视角方向$\mathbf{d} = (\theta, \phi)$，输出体密度$\sigma$和RGB颜色$c$： 场景由MLP参数化，输入3D坐标$\mathbf{x} = (x,y,z)$和视角方向$\mathbf{d} = (\theta, \phi)$，输出体密度$\sigma$和RGB颜色$c$：
  
行 247: 行 268:
  
 **体积渲染**： **体积渲染**：
 + 
 通过沿光线积分计算像素颜色： 通过沿光线积分计算像素颜色：
  
行 254: 行 276:
  
 **3D生成模型**： **3D生成模型**：
-- **DreamFusion、Magic3D**：文本到3D生成，使用分数蒸馏采样（SDS） +  - **DreamFusion、Magic3D**：文本到3D生成，使用分数蒸馏采样（SDS） 
-- **Point-E**：基于点云的文本到3D生成 +  - **Point-E**：基于点云的文本到3D生成 
-- **Gaussian Splatting**：使用3D高斯表示，实现实时渲染+  - **Gaussian Splatting**：使用3D高斯表示，实现实时渲染
  
 ===== 14.4 可解释性与安全 ===== ===== 14.4 可解释性与安全 =====
行 265: 行 287:
  
 ** mechanistic interpretability（机械可解释性）**： ** mechanistic interpretability（机械可解释性）**：
 +
 试图逆向工程神经网络，理解其内部表示和计算。 试图逆向工程神经网络，理解其内部表示和计算。
  
 **探测（Probing）**： **探测（Probing）**：
 +
 训练简单分类器探测模型内部表示是否包含特定信息： 训练简单分类器探测模型内部表示是否包含特定信息：
  
行 275: 行 299:
  
 **注意力可视化**： **注意力可视化**：
 +
 可视化Transformer的注意力权重，观察模型关注输入的哪些部分。但注意力权重不完全等同于重要性。 可视化Transformer的注意力权重，观察模型关注输入的哪些部分。但注意力权重不完全等同于重要性。
  
 **归因方法**： **归因方法**：
-- **Integrated Gradients**：计算输入特征对输出的积分梯度 +  - **Integrated Gradients**：计算输入特征对输出的积分梯度 
-- **SHAP**：基于博弈论的特征重要性 +  - **SHAP**：基于博弈论的特征重要性 
-- **LIME**：局部线性近似解释+  - **LIME**：局部线性近似解释
  
 ==== 14.4.2 大模型安全与对抗攻击 ==== ==== 14.4.2 大模型安全与对抗攻击 ====
  
 **越狱攻击（Jailbreaking）**： **越狱攻击（Jailbreaking）**：
 +
 通过精心设计的提示绕过模型的安全限制。常见技术： 通过精心设计的提示绕过模型的安全限制。常见技术：
-- **角色扮演**：让模型扮演无道德约束的角色 +  - **角色扮演**：让模型扮演无道德约束的角色 
-- **间接注入**：通过外部内容（如网页）注入恶意指令 +  - **间接注入**：通过外部内容（如网页）注入恶意指令 
-- **编码绕过**：使用Base64、翻译等方式编码有害内容+  - **编码绕过**：使用Base64、翻译等方式编码有害内容
  
 **对抗性攻击**： **对抗性攻击**：
 +
 在输入中添加人眼不可见的扰动，导致模型产生错误输出： 在输入中添加人眼不可见的扰动，导致模型产生错误输出：
  
行 296: 行 323:
  
 **防御技术**： **防御技术**：
-- **对抗训练**：在训练中加入对抗样本 +  - **对抗训练**：在训练中加入对抗样本 
-- **输入净化**：检测并移除对抗扰动 +  - **输入净化**：检测并移除对抗扰动 
-- **红队测试**：系统性寻找模型弱点+  - **红队测试**：系统性寻找模型弱点
  
 ==== 14.4.3 机器学习的因果推理 ==== ==== 14.4.3 机器学习的因果推理 ====
行 305: 行 332:
  
 **因果层次**： **因果层次**：
-- **关联（Association）**：$P(Y|X)$，看到X时Y的概率 +  - **关联（Association）**：$P(Y|X)$，看到X时Y的概率 
-- **干预（Intervention）**：$P(Y|do(X))$，改变X时Y的概率 +  - **干预（Intervention）**：$P(Y|do(X))$，改变X时Y的概率 
-- **反事实（Counterfactual）**：$P(Y_{X=x}|X=x', Y=y')$，如果当初做了不同选择会怎样+  - **反事实（Counterfactual）**：$P(Y_{X=x}|X=x', Y=y')$，如果当初做了不同选择会怎样
  
 **因果发现**： **因果发现**：
 +
 从观测数据中识别因果图结构。常用方法包括： 从观测数据中识别因果图结构。常用方法包括：
-- **PC算法**：基于条件独立性测试 +  - **PC算法**：基于条件独立性测试 
-- **GES（Greedy Equivalence Search）**：基于评分搜索 +  - **GES（Greedy Equivalence Search）**：基于评分搜索 
-- **NOTEARS**：连续优化方法+  - **NOTEARS**：连续优化方法
  
 **因果推断方法**： **因果推断方法**：
-- **工具变量（IV）**：利用外生变量识别因果效应 +  - **工具变量（IV）**：利用外生变量识别因果效应 
-- **双重机器学习**：结合ML与Neyman正交化 +  - **双重机器学习**：结合ML与Neyman正交化 
-- **因果贝叶斯网络**：显式建模因果结构+  - **因果贝叶斯网络**：显式建模因果结构
  
 ===== 14.5 例题分析 ===== ===== 14.5 例题分析 =====
行 326: 行 354:
 给定提示模板： 给定提示模板：
  
-"""+<code>
 将以下中文翻译成英文： 将以下中文翻译成英文：
 中文：苹果 中文：苹果
行 336: 行 364:
 中文：橘子 中文：橘子
 英文： 英文：
-"""+</code>
  
 **问题**： **问题**：
 +
 1. 这是哪种上下文学习类型？ 1. 这是哪种上下文学习类型？
 +
 2. 解释为什么大语言模型能够进行上下文学习 2. 解释为什么大语言模型能够进行上下文学习
 +
 3. 与微调相比，上下文学习的优缺点是什么？ 3. 与微调相比，上下文学习的优缺点是什么？
  
行 348: 行 379:
  
 2. **上下文学习机制**： 2. **上下文学习机制**：
-   - **隐式梯度下降**：研究表明，上下文学习在数学上等价于在元层面进行梯度下降 +  - **隐式梯度下降**：研究表明，上下文学习在数学上等价于在元层面进行梯度下降 
-   - **注意力机制**：Transformer的注意力允许模型直接"复制"和"参考"提示中的示例 +  - **注意力机制**：Transformer的注意力允许模型直接"复制"和"参考"提示中的示例 
-   - **预训练任务匹配**：预训练中的语言建模任务要求预测下一个token，与给定示例后预测目标类似 +  - **预训练任务匹配**：预训练中的语言建模任务要求预测下一个token，与给定示例后预测目标类似 
-   - **任务识别**：模型从示例中识别出"翻译"这一任务类型+  - **任务识别**：模型从示例中识别出"翻译"这一任务类型
  
 3. **优缺点分析**： 3. **优缺点分析**：
  
-   | 方面 | 上下文学习 | 微调 | +| 方面 | 上下文学习 | 微调 | 
-   |------|-----------|------| +| 训练成本 | 无需训练，即时适应 | 需要额外训练 | 
-   | 训练成本 | 无需训练，即时适应 | 需要额外训练 | +| 数据需求 | 少量示例即可 | 需要较多标注数据 | 
-   | 数据需求 | 少量示例即可 | 需要较多标注数据 | +| 灵活性 | 任务切换灵活 | 模型专用于特定任务 | 
-   | 灵活性 | 任务切换灵活 | 模型专用于特定任务 | +| 性能 | 通常低于微调 | 通常更高 | 
-   | 性能 | 通常低于微调 | 通常更高 | +| 上下文长度 | 受限于模型窗口 | 无此限制 |
-   | 上下文长度 | 受限于模型窗口 | 无此限制 |+
  
 **例题2：扩散模型的数学推导** **例题2：扩散模型的数学推导**
行 368: 行 398:
  
 **问题**： **问题**：
 +
 1. 推导给定$x_0$时$x_t$的条件分布 1. 推导给定$x_0$时$x_t$的条件分布
 +
 2. 解释为什么$\bar{\alpha}_t$需要设计为递减序列 2. 解释为什么$\bar{\alpha}_t$需要设计为递减序列
 +
 3. 若$\bar{\alpha}_T \approx 0$，说明$x_T$的分布 3. 若$\bar{\alpha}_T \approx 0$，说明$x_T$的分布
 +
  
 **解答**： **解答**：
行 376: 行 410:
 1. **条件分布推导**： 1. **条件分布推导**：
  
-   给定$x_0$，$x_t$是$x_0$的线性变换加上高斯噪声：+给定$x_0$，$x_t$是$x_0$的线性变换加上高斯噪声：
        
-   $$x_t = \sqrt{\bar{\alpha}_t} x_0 + \sqrt{1-\bar{\alpha}_t} \epsilon$$+$$x_t = \sqrt{\bar{\alpha}_t} x_0 + \sqrt{1-\bar{\alpha}_t} \epsilon$$
        
-   这是高斯分布的仿射变换，因此：+这是高斯分布的仿射变换，因此：
        
-   $$q(x_t | x_0) = \mathcal{N}(x_t; \sqrt{\bar{\alpha}_t} x_0, (1-\bar{\alpha}_t)I)$$+$$q(x_t | x_0) = \mathcal{N}(x_t; \sqrt{\bar{\alpha}_t} x_0, (1-\bar{\alpha}_t)I)$$
        
-   均值：$\mathbb{E}[x_t | x_0] = \sqrt{\bar{\alpha}_t} x_0$+均值：$\mathbb{E}[x_t | x_0] = \sqrt{\bar{\alpha}_t} x_0$
        
-   方差：$\text{Var}[x_t | x_0] = (1-\bar{\alpha}_t)I$+方差：$\text{Var}[x_t | x_0] = (1-\bar{\alpha}_t)I$
  
 2. **$\bar{\alpha}_t$递减的原因**： 2. **$\bar{\alpha}_t$递减的原因**：
        
-   $\bar{\alpha}_t = \prod_{s=1}^{t} (1-\beta_s)$，其中$\beta_s \in (0, 1)$是噪声调度参数。 +$\bar{\alpha}_t = \prod_{s=1}^{t} (1-\beta_s)$，其中$\beta_s \in (0, 1)$是噪声调度参数。 
-    + 
-   - $t=0$：$\bar{\alpha}_0 = 1$，$x_0$是纯数据 +  - $t=0$：$\bar{\alpha}_0 = 1$，$x_0$是纯数据 
-   - $t$增加：$\bar{\alpha}_t$减小，数据信号衰减 +  - $t$增加：$\bar{\alpha}_t$减小，数据信号衰减 
-   - $t=T$：$\bar{\alpha}_T \approx 0$，$x_T$接近纯噪声+  - $t=T$：$\bar{\alpha}_T \approx 0$，$x_T$接近纯噪声
        
    这种设计确保前向过程逐步破坏数据结构，最终达到易采样的先验分布（标准高斯）。    这种设计确保前向过程逐步破坏数据结构，最终达到易采样的先验分布（标准高斯）。
行 400: 行 434:
 3. **$x_T$的分布**： 3. **$x_T$的分布**：
  
-   当$\bar{\alpha}_T \approx 0$：+ 
 +当$\bar{\alpha}_T \approx 0$：
        
-   $$x_T = \sqrt{\bar{\alpha}_T} x_0 + \sqrt{1-\bar{\alpha}_T} \epsilon \approx 0 \cdot x_0 + 1 \cdot \epsilon = \epsilon$$+$$x_T = \sqrt{\bar{\alpha}_T} x_0 + \sqrt{1-\bar{\alpha}_T} \epsilon \approx 0 \cdot x_0 + 1 \cdot \epsilon = \epsilon$$
        
-   因此$x_T \sim \mathcal{N}(0, I)$，与数据分布无关。这保证了反向过程可以从标准高斯噪声开始，逐步恢复数据。+因此$x_T \sim \mathcal{N}(0, I)$，与数据分布无关。这保证了反向过程可以从标准高斯噪声开始，逐步恢复数据。
  
 **例题3：MoE负载均衡分析** **例题3：MoE负载均衡分析**
行 411: 行 446:
  
 **问题**： **问题**：
 +
 1. 在Top-2路由下，各专家被激活的概率是多少？ 1. 在Top-2路由下，各专家被激活的概率是多少？
 +
 2. 若当前批次有100个token，理想负载下每个专家应处理多少token？ 2. 若当前批次有100个token，理想负载下每个专家应处理多少token？
 +
 3. 计算此门控分布的负载不均衡程度 3. 计算此门控分布的负载不均衡程度
  
行 419: 行 457:
 1. **Top-2激活概率**： 1. **Top-2激活概率**：
        
-   Top-2选择专家0和1（概率最高的两个）。+Top-2选择专家0和1（概率最高的两个）。
        
-   归一化门控权重： +归一化门控权重： 
-   - 专家0：$0.4 / (0.4 + 0.3) = 0.4/0.7 \approx 0.57$ + 
-   - 专家1：$0.3 / (0.4 + 0.3) = 0.3/0.7 \approx 0.43$ +  - 专家0：$0.4 / (0.4 + 0.3) = 0.4/0.7 \approx 0.57$ 
-   - 专家2,3：0（不被激活）+  - 专家1：$0.3 / (0.4 + 0.3) = 0.3/0.7 \approx 0.43$ 
 +  - 专家2,3：0（不被激活）
  
 2. **理想负载**： 2. **理想负载**：
        
-   100个token，4个专家，理想情况下每个专家处理$100/4 = 25$个token。+100个token，4个专家，理想情况下每个专家处理$100/4 = 25$个token。
  
 3. **负载不均衡度**： 3. **负载不均衡度**：
  
-   实际token分配（期望）： +实际token分配（期望）： 
-   - 专家0：$100 \times 0.57 = 57$ token +  - 专家0：$100 \times 0.57 = 57$ token 
-   - 专家1：$100 \times 0.43 = 43$ token +  - 专家1：$100 \times 0.43 = 43$ token 
-   - 专家2,3：0 token+  - 专家2,3：0 token
  
-   负载均衡损失（简化版）：+负载均衡损失（简化版）：
        
-   使用变异系数或熵衡量。熵$H = -\sum_i p_i \log p_i$，理想均匀分布的熵为$\log 4 \approx 1.39$。+使用变异系数或熵衡量。熵$H = -\sum_i p_i \log p_i$，理想均匀分布的熵为$\log 4 \approx 1.39$。
        
-   实际概率分布（按门控）：$p = [0.4, 0.3, 0.2, 0.1]$+实际概率分布（按门控）：$p = [0.4, 0.3, 0.2, 0.1]$
        
-   $H = -(0.4\log 0.4 + 0.3\log 0.3 + 0.2\log 0.2 + 0.1\log 0.1)$+$H = -(0.4\log 0.4 + 0.3\log 0.3 + 0.2\log 0.2 + 0.1\log 0.1)$
        
-   $= -(0.4 \times -0.92 + 0.3 \times -1.20 + 0.2 \times -1.61 + 0.1 \times -2.30)$+$= -(0.4 \times -0.92 + 0.3 \times -1.20 + 0.2 \times -1.61 + 0.1 \times -2.30)$
        
-   $= 0.37 + 0.36 + 0.32 + 0.23 = 1.28$+$= 0.37 + 0.36 + 0.32 + 0.23 = 1.28$
        
-   相对理想熵的比例：$1.28 / 1.39 \approx 0.92$，说明有轻微不均衡。+相对理想熵的比例：$1.28 / 1.39 \approx 0.92$，说明有轻微不均衡。
  
 ===== 14.6 训练题 ===== ===== 14.6 训练题 =====
行 487: 行 526:
 ==== 14.6.2 填空题 ==== ==== 14.6.2 填空题 ====
  
-1. 规模化定律表明，语言模型性能与模型参数和数据量呈________关系。+1. 规模化定律表明，语言模型性能与模型参数和数据量呈$\_\_\_\_$关系。
  
-2. 在RLHF中，SFT阶段使用________数据进行训练，RL阶段使用________信号优化。+2. 在RLHF中，SFT阶段使用$\_\_\_\_$数据进行训练，RL阶段使用$\_\_\_\_$信号优化。
  
-3. 知识蒸馏中的温度参数$T$用于________概率分布，传递更多类别相似性信息。+3. 知识蒸馏中的温度参数$T$用于$\_\_\_\_$概率分布，传递更多类别相似性信息。
  
-4. 扩散模型的反向过程学习一个________网络，用于逐步去除噪声。+4. 扩散模型的反向过程学习一个$\_\_\_\_$网络，用于逐步去除噪声。
  
-5. 因果推理的三个层次是：关联、________和________。+5. 因果推理的三个层次是：关联、$\_\_\_\_$和$\_\_\_\_$。
  
 ==== 14.6.3 简答题 ==== ==== 14.6.3 简答题 ====
行 541: 行 580:
 1. **扩散模型vs一致性模型**： 1. **扩散模型vs一致性模型**：
        
-   扩散模型通过迭代去噪生成样本，每一步只进行小幅度的噪声去除，需要多步（通常20-1000步）才能从纯噪声生成高质量图像。+扩散模型通过迭代去噪生成样本，每一步只进行小幅度的噪声去除，需要多步（通常20-1000步）才能从纯噪声生成高质量图像。
        
-   一致性模型训练一个直接映射函数，将任意噪声级别的样本直接映射到数据空间。训练时强制不同时间步的映射结果一致，因此推理时可以单步完成，或仅用几步精炼。+一致性模型训练一个直接映射函数，将任意噪声级别的样本直接映射到数据空间。训练时强制不同时间步的映射结果一致，因此推理时可以单步完成，或仅用几步精炼。
  
 2. **CLIP与DALL-E对比**： 2. **CLIP与DALL-E对比**：
 +
 +| 方面 | CLIP | DALL-E |
 +| 方向 | 文本↔图像（对齐） | 文本→图像（生成） |
 +| 架构 | 双编码器（对比学习） | 自回归/扩散生成 |
 +| 输出 | 相似度分数 | 图像 |
 +| 应用 | 检索、分类、作为条件 | 文本到图像生成 |
        
-   | 方面 | CLIP | DALL-E | +CLIP学习共享的文本-图像表示空间，DALL-E学习从文本生成图像。CLIP可用于指导DALL-E的生成（如通过对比损失）。
-   |------|------|--------| +
-   | 方向 | 文本↔图像（对齐） | 文本→图像（生成） | +
-   | 架构 | 双编码器（对比学习） | 自回归/扩散生成 | +
-   | 输出 | 相似度分数 | 图像 | +
-   | 应用 | 检索、分类、作为条件 | 文本到图像生成 | +
-    +
-   CLIP学习共享的文本-图像表示空间，DALL-E学习从文本生成图像。CLIP可用于指导DALL-E的生成（如通过对比损失）。+
  
 3. **MoE负载均衡**： 3. **MoE负载均衡**：
        
-   **必要性**：没有负载均衡时，门控网络可能将所有token路由到少数"容易"的专家，导致： +**必要性**：没有负载均衡时，门控网络可能将所有token路由到少数"容易"的专家，导致： 
-   - 专家使用不均衡，部分专家过载 +  - 专家使用不均衡，部分专家过载 
-   - 其他专家不被训练，容量浪费 +  - 其他专家不被训练，容量浪费 
-   - 推理时某些专家成为瓶颈+  - 推理时某些专家成为瓶颈
        
-   **实现方法**： +**实现方法**： 
-   - 负载均衡损失：$\mathcal{L}_{balance} = \alpha \sum_i f_i \cdot P_i$，惩罚不均衡分配 +  - 负载均衡损失：$\mathcal{L}_{balance} = \alpha \sum_i f_i \cdot P_i$，惩罚不均衡分配 
-   - 容量限制：限制每个专家处理的token数量 +  - 容量限制：限制每个专家处理的token数量 
-   - 专家选择：使用Top-k和噪声门控+  - 专家选择：使用Top-k和噪声门控
  
 ==== 14.7.4 计算题答案 ==== ==== 14.7.4 计算题答案 ====
行 572: 行 610:
 1. **扩散模型噪声调度计算**： 1. **扩散模型噪声调度计算**：
        
-   给定$\beta_t = 0.02t/T = 0.00002t$+给定$\beta_t = 0.02t/T = 0.00002t$
        
-   $\ln(\bar{\alpha}_t) = \sum_{s=1}^{t} \ln(1-\beta_s) \approx \sum_{s=1}^{t} (-\beta_s) = -0.00002 \sum_{s=1}^{t} s = -0.00002 \cdot \frac{t(t+1)}{2}$+$\ln(\bar{\alpha}_t) = \sum_{s=1}^{t} \ln(1-\beta_s) \approx \sum_{s=1}^{t} (-\beta_s) = -0.00002 \sum_{s=1}^{t} s = -0.00002 \cdot \frac{t(t+1)}{2}$
        
-   当$t=500$： +当$t=500$： 
-   $$\ln(\bar{\alpha}_{500}) \approx -0.00002 \times \frac{500 \times 501}{2} = -0.00002 \times 125250 = -2.505$$ +$$\ln(\bar{\alpha}_{500}) \approx -0.00002 \times \frac{500 \times 501}{2} = -0.00002 \times 125250 = -2.505$$ 
-   $$\bar{\alpha}_{500} \approx e^{-2.505} \approx 0.082$$+$$\bar{\alpha}_{500} \approx e^{-2.505} \approx 0.082$$
        
-   当$t=1000$： +当$t=1000$： 
-   $$\ln(\bar{\alpha}_{1000}) \approx -0.00002 \times \frac{1000 \times 1001}{2} = -0.00002 \times 500500 = -10.01$$ +$$\ln(\bar{\alpha}_{1000}) \approx -0.00002 \times \frac{1000 \times 1001}{2} = -0.00002 \times 500500 = -10.01$$ 
-   $$\bar{\alpha}_{1000} \approx e^{-10.01} \approx 4.5 \times 10^{-5} \approx 0$$+$$\bar{\alpha}_{1000} \approx e^{-10.01} \approx 4.5 \times 10^{-5} \approx 0$$
        
-   **答案**：$\bar{\alpha}_{500} \approx 0.082$，$\bar{\alpha}_{1000} \approx 0$+**答案**：$\bar{\alpha}_{500} \approx 0.082$，$\bar{\alpha}_{1000} \approx 0$
  
 2. **上下文长度计算**： 2. **上下文长度计算**：
        
-   已用token： +已用token： 
-   - 3个示例：$3 \times 20 = 60$ + - 3个示例：$3 \times 20 = 60$ 
-   - 任务描述：$10$ + - 任务描述：$10$ 
-   - 输入问题：$15$ + - 输入问题：$15$ 
-   - 总计：$85$+ - 总计：$85$
        
-   剩余token：$2048 - 85 = 1963$+剩余token：$2048 - 85 = 1963$
        
-   每个新示例约20个token，因此： +每个新示例约20个token，因此： 
-   $$\lfloor 1963 / 20 \rfloor = 98$$+$$\lfloor 1963 / 20 \rfloor = 98$$
        
-   **答案**：最多还能添加98个示例+**答案**：最多还能添加98个示例
Detach Close

该主题尚不存在

您访问的页面并不存在。如果允许，您可以使用创建该页面按钮来创建它。

  • 深度学习/深度学习前沿.txt
  • 最后更改: 2026/03/03 13:24
  • 由 张叶安