人工智能 on 方糖猫Blog

大模型是怎么炼成的？LLM 训练全流程数学拆解（公式 + 演算 + 避坑）

Sat, 08 Aug 2026 11:16:00 +0800

大模型是怎么炼成的？LLM 训练全流程数学拆解

目标读者：学过函数、导数、向量/矩阵基础，想搞清楚 LLM 训练本质的同学。
本文目标：把“炼丹”过程拆成可计算的公式和可复现的例子。

写在前面：LLM 训练其实就是“猜下一个词”

大语言模型（Large Language Model，LLM）看起来很神秘，但核心任务可以概括为一句话：

给定前面的词，预测下一个词。

整个训练流程可以拆成 5 大块：

数据预处理：把互联网上的文本变成模型能吃的“数字串”。
Tokenization：把句子切分成 token，再映射成向量。
Transformer 前向传播：用 Attention 机制捕捉上下文关系。
计算损失：模型猜的下一个词和真实下一个词差多少。
反向传播 + 优化器：用梯度调整权重，让模型越猜越准。

下面每一节都会先讲直觉，再给公式、例子、图解和踩坑经验。

一、训练全景图：从原始文本到可用模型

1.1 一句话理解

LLM 的训练就像教一个小孩学说话：先给他看大量书（预训练），再教他怎么礼貌回答（SFT），最后告诉他哪些回答更好（RLHF）。

1.2 三阶段训练流程

flowchart LR
    subgraph 数据
        D1["原始文本（网页、书籍、代码）"]
        D2["清洗 / 去重 / 过滤"]
        D3["Token 序列"]
    end

    subgraph 训练阶段
        P["① 预训练 Pre-training"]
        S["② 监督微调 SFT"]
        R["③ 强化学习 RLHF / DPO"]
    end

    subgraph 输出
        M["基础大模型"]
        C["对话模型"]
        A["对齐模型"]
    end

    D1 --> D2 --> D3 --> P --> M
    M --> S --> C
    C --> R --> A

1.3 每个阶段在优化什么？

阶段	输入	目标	损失函数
预训练	海量无标注文本	学会语言结构和知识	下一个 token 的交叉熵
SFT	（ prompt, answer ）配对	学会按人类习惯回答问题	监督式交叉熵
RLHF	prompt + 多条回答 + 人类排序	学会生成更受欢迎的回答	PPO / DPO 奖励模型

二、数据预处理与 Tokenization

2.1 一句话理解

模型看不懂汉字或英文，只能看数字。Tokenization 就是把文本切成最小单元，再查表换成整数 ID。

2.2 BPE 编码例子

BPE（Byte Pair Encoding）是 LLM 最常用的分词方法，核心思想：把出现频率高的子词合并成一个 token。

假设语料里经常出现：

low, lower, lowest, high, higher, highest

初始把每个字符当做一个 token：

l, o, w, e, r, h, i, g

发现 er 出现很多次，合并成新 token er；发现 est 出现很多次，合并成 est。最后得到词表：

low, lower, lowest, high, higher, highest, er, est

2.3 从文本到 ID 的例子

假设词表（vocabulary）有 10000 个 token，其中：

文本	Token ID
北京	1024
是	7
中国	2048
的	3
首都	4096

句子：

北京 是 中国 的 首都

变成 token ID 序列：

$$ \mathbf{x} = [1024,\ 7,\ 2048,\ 3,\ 4096] $$

2.4 Embedding：把 ID 变成向量

每个 token ID 会查一张 Embedding 表，得到长度为 $d$ 的向量。假设 $d=4$，词表大小 $V=10000$：

$$ \mathbf{E} \in \mathbb{R}^{10000 \times 4} $$

对 token ID $1024$，取第 $1024$ 行：

$$ \mathbf{e}_{1024} = \mathbf{E}[1024] \in \mathbb{R}^4 $$

整个句子就变成矩阵：

$$ \mathbf{X} = \begin{bmatrix} \mathbf{e}_{1024}^\top \\ \mathbf{e}_{7}^\top \\ \mathbf{e}_{2048}^\top \\ \mathbf{e}_{3}^\top \\ \mathbf{e}_{4096}^\top \end{bmatrix} \in \mathbb{R}^{5 \times 4} $$

实际 LLM 中 $d$ 通常是 768、1024、4096、8192 等。

2.5 流程图

flowchart LR
    T["原始文本"] --> B["BPE / SentencePiece 分词"]
    B --> I["Token ID 序列"]
    I --> E["Embedding 查表"]
    E --> X["输入向量矩阵 X ∈ R^(T×d)"]

2.6 使用注意点 / 避坑

坑	现象	处理
词表太小	很多词被切成很多 token，序列变长、效率低	词表一般设 32k-200k
词表太大	稀疏 token 训练不充分，Embedding 质量差	平衡词表大小和数据量
中英文混合	中文常按字切，导致同样内容 token 数比英文多	训练中文专用 BPE
特殊符号处理	数字、代码、表情被切得很碎	预处理时统一格式，保留代码结构

2.7 异常场景处理

OOV（Out of Vocabulary）：现代 BPE 会把未知字符拆成 <unk> 或字节级子词，基本不会出现完全无法表示的情况。出现 <unk> 过多时，检查清洗流程。
序列超长： truncation 截断或滑动窗口切分，不要硬塞。
标签泄漏：预训练数据里混入了测试集内容，会导致评估指标虚高。要严格去重、划分数据。

三、Transformer 架构：Attention + FFN

3.1 一句话理解

Transformer 就像一个“全连接阅读器”：每个词都能直接看到其他所有词，并通过 Attention 机制决定该关注谁。

3.2 结构图

flowchart TD
    subgraph TransformerBlock["Transformer Block"]
        X["输入 X"] --> LN1["LayerNorm"]
        LN1 --> A["Multi-Head Self-Attention"]
        A --> Add1["X + Attention(X)"]
        Add1 --> LN2["LayerNorm"]
        LN2 --> F["Feed Forward Network"]
        F --> Add2["+ 残差连接"]
    end
    Add2 --> OUT["输出"]

堆叠很多个这样的 Block，再接一个输出层，就是 GPT 系列的结构。

3.3 Attention 的数学公式

对于某个输入序列，先通过三个权重矩阵算出 Query、Key、Value：

$$ \begin{aligned} \mathbf{Q} &= \mathbf{X} \mathbf{W}^Q \\ \mathbf{K} &= \mathbf{X} \mathbf{W}^K \\ \mathbf{V} &= \mathbf{X} \mathbf{W}^V \end{aligned} $$

然后计算 Scaled Dot-Product Attention：

$$ \text{Attention}(\mathbf{Q}, \mathbf{K}, \mathbf{V}) = \text{softmax}\left( \frac{\mathbf{Q}\mathbf{K}^\top}{\sqrt{d_k}} \right) \mathbf{V} $$

其中：

$d_k$：每个 head 的 Key/Query 维度。
除以 $\sqrt{d_k}$ 是为了防止点积结果太大，导致 softmax 梯度消失。
softmax 把分数变成概率分布（每行之和为 1）。

3.4 计算例子：Attention 到底在算什么？

假设输入序列有 3 个 token，每个 token 的向量维度 $d=4$。为了演示，简化为 $d_k = 2$。

输入矩阵：

$$ \mathbf{X} = \begin{bmatrix} 1 & 0 & 1 & 0 \\ 0 & 1 & 0 & 1 \\ 1 & 1 & 0 & 0 \end{bmatrix} $$

假设已经学过权重（实际训练中得到）：

$$ \mathbf{W}^Q = \begin{bmatrix} 1 & 0 \\ 0 & 1 \\ 0 & 0 \\ 0 & 0 \end{bmatrix}, \quad \mathbf{W}^K = \begin{bmatrix} 0 & 1 \\ 1 & 0 \\ 0 & 0 \\ 0 & 0 \end{bmatrix} $$

计算 Q 和 K：

$$ \mathbf{Q} = \mathbf{X}\mathbf{W}^Q = \begin{bmatrix} 1 & 0 \\ 0 & 1 \\ 1 & 1 \end{bmatrix}, \quad \mathbf{K} = \mathbf{X}\mathbf{W}^K = \begin{bmatrix} 0 & 1 \\ 1 & 0 \\ 1 & 1 \end{bmatrix} $$

计算 $\mathbf{Q}\mathbf{K}^\top$：

$$ \begin{aligned} \mathbf{Q}\mathbf{K}^\top &= \begin{bmatrix} 1 & 0 \\ 0 & 1 \\ 1 & 1 \end{bmatrix} \begin{bmatrix} 0 & 1 & 1 \\ 1 & 0 & 1 \end{bmatrix} \\ &= \begin{bmatrix} 0 & 1 & 1 \\ 1 & 0 & 1 \\ 1 & 1 & 2 \end{bmatrix} \end{aligned} $$

除以 $\sqrt{d_k} = \sqrt{2} \approx 1.414$：

$$ \frac{\mathbf{Q}\mathbf{K}^\top}{\sqrt{2}} \approx \begin{bmatrix} 0 & 0.707 & 0.707 \\ 0.707 & 0 & 0.707 \\ 0.707 & 0.707 & 1.414 \end{bmatrix} $$

对每一行做 softmax（以第一行为例）：

$$ \text{softmax}([0,\ 0.707,\ 0.707]) = \left[ \frac{e^0}{Z},\ \frac{e^{0.707}}{Z},\ \frac{e^{0.707}}{Z} \right] $$

其中 $Z = e^0 + e^{0.707} + e^{0.707} \approx 1 + 2.028 + 2.028 = 5.056$。

所以第一行：

$$ [0.198,\ 0.401,\ 0.401] $$

含义：第一个 token 更关注第二个和第三个 token。

3.5 为什么需要 Masked Attention？

训练语言模型时，模型只能看到当前位置及之前的 token，不能偷看答案。所以要用一个上三角为 $-\infty$ 的 Mask：

0   -∞  -∞
0    0  -∞
0    0   0

这样 softmax 之后，当前位置看不到后面的词。

3.6 使用注意点 / 避坑

坑	现象	处理
$d_k$ 算错	Attention 分数尺度异常，训练不稳定	检查 head 维度 = 总维度 / head 数
忘记 Mask	模型作弊，直接看到未来 token，loss 特别低但推理崩溃	训练时加 causal mask
Softmax 数值溢出	$e^{1000}$ 变成 Inf	实现时先做 `x - max(x)` 再 exp
注意力权重全一样	Q/K 初始化或学习率问题	检查初始化、LayerNorm 位置

3.7 异常场景处理

Attention 权重集中在某一个位置：可能是某个 token 的 Key 向量特别大，检查是否没做 scale，或 LayerNorm 失效。
Loss 很低但生成质量差：可能是 mask 写错，训练时模型偷看了未来词，推理时却没有未来词可用。
Multi-Head Attention 输出震荡：不同 head 学到的模式冲突，适当增加 warmup 轮数。

四、前向传播：从输入到预测概率

4.1 一句话理解

前向传播就是数据从输入层一直流到输出层，最后得到“下一个词是词表里每个词的概率”。

4.2 计算图

flowchart LR
    X["输入 Token IDs"] --> E["Embedding"]
    E --> PE["+ 位置编码 Positional Encoding"]
    PE --> TB["Transformer Blocks × N"]
    TB --> LN["Final LayerNorm"]
    LN --> LM["线性层 Linear"]
    LM --> Soft["Softmax"]
    Soft --> P["概率分布 P(next token | previous)"]

4.3 输出层公式

Transformer 最后一层的输出 $\mathbf{H} \in \mathbb{R}^{T \times d}$，乘以输出权重矩阵 $\mathbf{W}_{\text{out}} \in \mathbb{R}^{d \times V}$，得到 logits：

$$ \mathbf{Z} = \mathbf{H} \mathbf{W}_{\text{out}} + \mathbf{b}_{\text{out}} \in \mathbb{R}^{T \times V} $$

对 logits 做 softmax，得到概率：

$$ P(w_t = j \mid w_{<t}) = \frac{e^{z_{t,j}}}{\sum_{k=1}^{V} e^{z_{t,k}}} $$

4.4 计算例子

假设词表大小 $V=5$，某一步的 logits：

$$ \mathbf{z} = [2.0,\ 1.0,\ 0.5,\ 0.1,\ -1.0] $$

先求 $e^{z_i}$：

$$ e^{2.0} \approx 7.389,\ e^{1.0} \approx 2.718,\ e^{0.5} \approx 1.649,\ e^{0.1} \approx 1.105,\ e^{-1.0} \approx 0.368 $$

求和：

$$ Z = 7.389 + 2.718 + 1.649 + 1.105 + 0.368 = 13.229 $$

概率分布：

$$ \mathbf{p} = [0.558,\ 0.205,\ 0.125,\ 0.084,\ 0.028] $$

模型认为第一个词概率最大，为 55.8%。

4.5 使用注意点 / 避坑

logits 尺度影响 softmax：如果 logits 都很大，softmax 会接近 one-hot，梯度变小；温度参数 $T$ 可以调整：

$$ P_i = \frac{e^{z_i / T}}{\sum_j e^{z_j / T}} $$

输出层权重共享（Weight Tying）：很多 LLM 把 Embedding 矩阵和输出层矩阵共享，减少参数并提升效果。
推理时不要复用训练时的 dropout：切换到 eval 模式，否则结果不稳定。

4.6 异常场景处理

Softmax 输出全 0 或 NaN：检查 logits 是否 overflow，实现时减去最大值。
生成结果重复同一个 token：可能是温度太低、top-k/top-p 设置不当，或训练数据里该模式重复过多。
概率分布太平：模型不自信，增加训练或检查标签是否正确。

五、损失函数：Cross Entropy Loss

5.1 一句话理解

Cross Entropy 衡量“模型预测的分布”和“真实分布”之间的距离。预测越准，loss 越小。

5.2 数学公式

对于下一个 token 的真实标签是第 $c$ 个词（one-hot 向量 $\mathbf{y}$），模型预测概率为 $\mathbf{p}$：

$$ \mathcal{L} = -\sum_{j=1}^{V} y_j \log(p_j) = -\log(p_c) $$

因为只有真实位置 $c$ 的 $y_c=1$，其他为 0，所以 loss 简化为 负对数似然。

5.3 计算例子

真实下一个词是第 1 个（从 0 开始数也是第 1 个），模型预测概率：

$$ \mathbf{p} = [0.558,\ 0.205,\ 0.125,\ 0.084,\ 0.028] $$

真实标签 $c=1$，所以 $p_c = 0.205$：

$$ \mathcal{L} = -\log(0.205) \approx 1.585 $$

如果模型完全猜对，$p_c = 0.999$：

$$ \mathcal{L} = -\log(0.999) \approx 0.001 $$

如果完全猜错，$p_c = 0.001$：

$$ \mathcal{L} = -\log(0.001) \approx 6.908 $$

loss 越小，模型对真实下一个词的预测概率越高。

5.4 一个 batch 的平均 loss

训练时一个 batch 有 $B$ 个样本，每个样本有 $T$ 个 token 位置参与预测，平均 loss：

$$ \mathcal{L}_{\text{batch}} = -\frac{1}{B \cdot T} \sum_{b=1}^{B} \sum_{t=1}^{T} \log p\left(w_t^{(b)} \mid w_{<t}^{(b)}\right) $$

5.5 使用注意点 / 避坑

坑	现象	处理
标签 smoothing 过度	模型变得不自信，输出模糊	label smoothing 一般 0.1 左右
忽略 padding	padding 位置也参与 loss 计算，污染梯度	用 mask 屏蔽 padding
loss 为负	对数定义域问题或实现 bug	检查 softmax 前是否减了最大值
z-loss 没加	MoE 模型路由不稳定	加 auxiliary loss 约束专家负载

5.6 异常场景处理

Loss 一开始很大然后骤降：正常现象，说明模型快速学习简单模式。
Loss 一直不下降：检查学习率、数据质量、标签是否正确。
Loss 变成 NaN：通常是学习率过大、梯度爆炸或出现了 $\log(0)$，加 epsilon 或做梯度裁剪。

六、反向传播：从损失回到每个权重

6.1 一句话理解

反向传播就是用链式法则，从输出层的 loss 倒推，算出每个权重对 loss 的贡献。

6.2 链式法则回顾

复合函数求导：

$$ \frac{\partial \mathcal{L}}{\partial w} = \frac{\partial \mathcal{L}}{\partial a} \cdot \frac{\partial a}{\partial z} \cdot \frac{\partial z}{\partial w} $$

神经网络就是很多层复合函数套在一起，反向传播只是系统化地算一遍。

6.3 计算例子：一个简单的输出层权重

假设模型最后一层只有一个神经元，简化为：

$$ \begin{aligned} z &= w \cdot h + b \\ p &= \sigma(z) \\ \mathcal{L} &= -y \log(p) - (1-y)\log(1-p) \end{aligned} $$

其中 $h$ 是 Transformer 最后一层的某个隐藏状态，$y$ 是真实标签（0 或 1）。

已知：$h=2.0$，$w=0.5$，$b=-1.0$，$y=1$。

前向：

$$ \begin{aligned} z &= 0.5 \times 2.0 + (-1.0) = 0 \\ p &= \sigma(0) = 0.5 \\ \mathcal{L} &= -\log(0.5) \approx 0.693 \end{aligned} $$

反向：

$$ \frac{\partial \mathcal{L}}{\partial z} = p - y = 0.5 - 1 = -0.5 $$

然后：

$$ \begin{aligned} \frac{\partial \mathcal{L}}{\partial w} &= \frac{\partial \mathcal{L}}{\partial z} \cdot \frac{\partial z}{\partial w} = -0.5 \times 2.0 = -1.0 \\ \frac{\partial \mathcal{L}}{\partial b} &= \frac{\partial \mathcal{L}}{\partial z} \cdot \frac{\partial z}{\partial b} = -0.5 \times 1 = -0.5 \end{aligned} $$

更新（学习率 $\eta = 0.1$）：

$$ \begin{aligned} w_{\text{new}} &= 0.5 - 0.1 \times (-1.0) = 0.6 \\ b_{\text{new}} &= -1.0 - 0.1 \times (-0.5) = -0.95 \end{aligned} $$

再算一次前向，$z = 0.6 \times 2.0 - 0.95 = 0.25$，$p = \sigma(0.25) \approx 0.562$，loss 变小。

6.4 Transformer 里的反向传播

flowchart TD
    L["Loss"] --> O["输出层梯度"]
    O --> TB["Transformer Block N"]
    TB --> TB2["Transformer Block N-1"]
    TB2 --> DOTS["..."]
    DOTS --> E["Embedding 层"]
    E --> G["所有权重梯度"]

6.5 使用注意点 / 避坑

坑	现象	处理
梯度消失	深层网络前面层梯度接近 0，学不动	残差连接、LayerNorm、更好的初始化
梯度爆炸	loss 突然变成 NaN，权重更新巨大	梯度裁剪、减小学习率、混合精度检查
激活函数死区	ReLU 神经元永久输出 0	用 GeLU/SiLU，或用 SwiGLU
checkpoint 丢失梯度	梯度检查点实现错误	验证 checkpoint 前后梯度一致

6.6 异常场景处理

某些层梯度全 0：检查激活函数是否全部死亡，或该层是否被 freeze。
不同层梯度差 1000 倍：深层网络不稳定，加梯度裁剪或 LayerNorm。
Loss 反升：学习率过大或数据里有异常样本，先降学习率再查数据。

七、优化器：AdamW + 学习率调度

7.1 一句话理解

AdamW 是 Adam 的改进版，它在更新权重的同时做真正的权重衰减（Weight Decay），让模型参数不要太大，防止过拟合。

7.2 Adam 更新公式

对于参数 $\theta$ 和梯度 $g_t$：

$$ \begin{aligned} m_t &= \beta_1 m_{t-1} + (1 - \beta_1) g_t \\ v_t &= \beta_2 v_{t-1} + (1 - \beta_2) g_t^2 \\ \hat{m}_t &= \frac{m_t}{1 - \beta_1^t} \\ \hat{v}_t &= \frac{v_t}{1 - \beta_2^t} \\ \theta_t &= \theta_{t-1} - \eta \cdot \frac{\hat{m}_t}{\sqrt{\hat{v}_t} + \epsilon} \end{aligned} $$

$m_t$：一阶动量（梯度的指数移动平均）。
$v_t$：二阶动量（梯度平方的指数移动平均）。
$\beta_1=0.9$，$\beta_2=0.999$，$\epsilon=10^{-8}$ 是常用默认值。

7.3 AdamW 的权重衰减

AdamW 把权重衰减放在梯度更新之外：

$$ \theta_t = \theta_{t-1} - \eta \cdot \frac{\hat{m}_t}{\sqrt{\hat{v}_t} + \epsilon} - \eta \lambda \theta_{t-1} $$

其中 $\lambda$ 是 weight decay 系数，常见值 $0.01$。

7.4 计算例子

假设参数 $\theta_{t-1} = 1.0$，梯度 $g_t = -2.0$，学习率 $\eta = 0.1$，$\lambda = 0.01$。

为了简化，假设 $m_t \approx g_t = -2.0$，$v_t \approx g_t^2 = 4.0$（已经稳定）。

Adam 部分：

$$ \Delta \theta_{\text{Adam}} = -\eta \cdot \frac{g_t}{\sqrt{g_t^2} + \epsilon} = -0.1 \cdot \frac{-2.0}{2.0 + 10^{-8}} \approx 0.1 $$

Weight Decay 部分：

$$ \Delta \theta_{\text{WD}} = -\eta \lambda \theta_{t-1} = -0.1 \times 0.01 \times 1.0 = -0.001 $$

最终更新：

$$ \theta_t = 1.0 + 0.1 - 0.001 = 1.099 $$

没有 weight decay 时 $\theta_t = 1.1$，AdamW 让它稍微小一点。

7.5 学习率调度

LLM 训练通常用 warmup + cosine decay：

flowchart LR
    A["lr = 0"] --> B["Warmup 线性上升"]
    B --> C["Cosine Decay 下降"]
    C --> D["最小学习率保持"]

公式：

$$ \eta_t = \begin{cases} \eta_{\max} \cdot \frac{t}{t_{\text{warmup}}}, & t < t_{\text{warmup}} \\ \eta_{\min} + \frac{1}{2}(\eta_{\max} - \eta_{\min}) \left(1 + \cos\left(\frac{t - t_{\text{warmup}}}{t_{\max} - t_{\text{warmup}}} \pi\right)\right), & t \ge t_{\text{warmup}} \end{cases} $$

7.6 使用注意点 / 避坑

坑	现象	处理
Weight decay 太大	参数被压得太小，欠拟合	常见 0.01，小模型可 0.1
Warmup 太短	早期梯度爆炸，loss 变成 NaN	warmup 步数设总步数的 1%-3%
学习率衰减太快	还没收敛就降到 0	调整 cosine 周期或最小学习率
AdamW β 参数写错	训练异常	β1=0.9，β2=0.999，不要混淆

7.7 异常场景处理

Loss 在 warmup 阶段就 NaN：说明峰值学习率太高，或 warmup 太短，降低 $\eta_{\max}$。
Loss 降到一定程度后停滞：可能是学习率太小，检查 cosine 是否已经进入尾部。
验证 loss 比训练 loss 高很多：过拟合，增大 weight decay 或加 dropout。

八、从预训练到 RLHF：三阶段训练

8.1 预训练：让模型“博览群书”

目标函数：

$$ \mathcal{L}_{\text{PT}} = -\mathbb{E}_{x \sim D_{\text{pretrain}}} \left[ \sum_t \log P(x_t \mid x_{<t}; \theta) \right] $$

数据量通常是万亿级 token，算力消耗最大。

8.2 SFT：监督微调

用人工标注的（prompt, answer）对训练：

$$ \mathcal{L}_{\text{SFT}} = -\mathbb{E}_{(x,y) \sim D_{\text{sft}}} \left[ \sum_t \log P(y_t \mid x, y_{<t}; \theta) \right] $$

注意：通常只计算 answer 部分的 loss，prompt 部分用 mask 屏蔽。

8.3 RLHF：人类反馈强化学习

flowchart TD
    P["Prompt"] --> RM["奖励模型 Reward Model"]
    RM --> R["奖励分数 r"]
    R --> PPO["PPO 优化策略模型"]
    PPO --> M["更新后的模型"]

奖励模型给回答打分，PPO 用策略梯度优化：

$$ \nabla_\theta J = \mathbb{E}_{x,y} \left[ r(x,y) \cdot \nabla_\theta \log P(y \mid x; \theta) \right] - \beta \cdot \text{KL}(P_\theta | P_{\text{ref}}) $$

第二项是 KL 散度约束，防止模型跑得太偏。

8.4 DPO：更简单的对齐方法

DPO（Direct Preference Optimization）不用训练奖励模型，直接用偏好数据优化：

$$ \mathcal{L}_{\text{DPO}} = -\mathbb{E}_{(x, y_w, y_l)} \left[ \log \sigma\left( \beta \log \frac{P(y_w \mid x)}{P_{\text{ref}}(y_w \mid x)} - \beta \log \frac{P(y_l \mid x)}{P_{\text{ref}}(y_l \mid x)} \right) \right] $$

其中 $y_w$ 是人类更喜欢的回答，$y_l$ 是较差的回答。

8.5 使用注意点 / 避坑

坑	现象	处理
SFT 数据太少	模型学会模板但泛化差	SFT 数据通常 10k-1M 条
SFT 只训 answer	prompt 也参与 loss 会干扰	用 label mask 只保留 answer
RLHF 奖励黑客	模型钻奖励模型漏洞，生成无意义高分回答	加 KL 约束、人工抽检
DPO 偏好数据噪声	模型对齐方向乱	严格清洗偏好对

8.6 异常场景处理

SFT 后模型不会遵循指令：检查 prompt 格式是否和预训练一致，增加多轮对话样本。
RLHF 后模型过度讨好：奖励模型可能偏向“长回答”或“道歉”，调整奖励函数。
对齐后模型能力下降：KL 系数太大，模型被锁死；太小，模型跑偏。需要调 $\beta$。

九、PyTorch 实战：一个可运行的 MiniGPT Demo

9.1 一句话理解

前面几节的公式，在 PyTorch 里其实只有几行代码：前向传播是 model(x)，交叉熵是 F.cross_entropy，反向传播是 loss.backward()，AdamW 更新是 optimizer.step()。下面这个约 70 行的脚本可以在 CPU 上直接跑通完整训练流程。

9.2 完整代码（CPU 可运行）

"""MiniGPT：用 PyTorch 跑通 LLM 训练全流程"""
import math
import torch
import torch.nn as nn
import torch.nn.functional as F

torch.manual_seed(42)

# ===== 0. 复现 3.4 节的 Attention 手算例子 =====
X = torch.tensor([[1, 0, 1, 0], [0, 1, 0, 1], [1, 1, 0, 0]], dtype=torch.float32)
WQ = torch.tensor([[1, 0], [0, 1], [0, 0], [0, 0]], dtype=torch.float32)
WK = torch.tensor([[0, 1], [1, 0], [0, 0], [0, 0]], dtype=torch.float32)
Q, K = X @ WQ, X @ WK
attn = torch.softmax(Q @ K.T / math.sqrt(2), dim=-1)
print("Attention 第一行:", attn[0].tolist())  # ≈ [0.198, 0.401, 0.401]，与手算一致

# ===== 1. 数据预处理与 Tokenization（对应第二节）=====
# 玩具语料：字符级分词，真实 LLM 用的是 BPE
corpus = "北京是中国的首都。北京有天安门。中国的首都是北京。" * 20
chars = sorted(set(corpus))
stoi = {ch: i for i, ch in enumerate(chars)}
itos = {i: ch for ch, i in stoi.items()}
V = len(chars)
data = torch.tensor([stoi[ch] for ch in corpus], dtype=torch.long)

# ===== 2. 模型：Embedding + Transformer Block + 输出层（第三、四节）=====
class MiniGPT(nn.Module):
    def __init__(self, vocab_size, d_model=64, n_head=4, n_layer=2, max_len=32):
        super().__init__()
        self.max_len = max_len
        self.tok_emb = nn.Embedding(vocab_size, d_model)
        self.pos_emb = nn.Embedding(max_len, d_model)
        layer = nn.TransformerEncoderLayer(d_model, n_head, dim_feedforward=4 * d_model,
                                           batch_first=True, norm_first=True)
        self.blocks = nn.TransformerEncoder(layer, num_layers=n_layer)
        self.ln_f = nn.LayerNorm(d_model)
        self.head = nn.Linear(d_model, vocab_size, bias=False)
        self.head.weight = self.tok_emb.weight  # Weight Tying（4.5 节）

    def forward(self, idx):
        T = idx.size(1)
        x = self.tok_emb(idx) + self.pos_emb(torch.arange(T, device=idx.device))
        # causal mask：上三角为 -inf，防止偷看未来 token（3.5 节）
        mask = torch.triu(torch.full((T, T), float("-inf"), device=idx.device), diagonal=1)
        h = self.ln_f(self.blocks(x, mask=mask))
        return self.head(h)  # logits: (B, T, V)

model = MiniGPT(V)

# ===== 3. 取 batch：输入和标签错开一位（预测下一个 token）=====
B, T = 16, 32
def get_batch():
    ix = torch.randint(0, len(data) - T - 1, (B,))
    x = torch.stack([data[i:i + T] for i in ix])
    y = torch.stack([data[i + 1:i + T + 1] for i in ix])  # 标签 = 输入右移一位
    return x, y

# ===== 4. 优化器与学习率调度：AdamW + warmup + cosine（第七节）=====
max_steps, warmup_steps, lr_max, lr_min = 300, 10, 3e-3, 3e-4
optimizer = torch.optim.AdamW(model.parameters(), lr=lr_max, weight_decay=0.01)

def lr_lambda(step):
    if step < warmup_steps:                      # warmup 线性上升
        return step / warmup_steps
    p = (step - warmup_steps) / (max_steps - warmup_steps)
    return lr_min / lr_max + 0.5 * (1 - lr_min / lr_max) * (1 + math.cos(math.pi * p))

scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda)

# ===== 5. 训练循环：前向 → CE loss → 反向传播 → 更新（第四、五、六节）=====
for step in range(max_steps):
    x, y = get_batch()
    logits = model(x)                                        # 前向传播
    loss = F.cross_entropy(logits.view(-1, V), y.view(-1))   # 交叉熵（5.2 节）
    optimizer.zero_grad()
    loss.backward()                                          # 反向传播（链式法则）
    grad_norm = torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)  # 梯度裁剪（6.5 节）
    optimizer.step()                                         # AdamW 更新权重
    scheduler.step()
    if step % 30 == 0 or step == max_steps - 1:
        lr = scheduler.get_last_lr()[0]
        ppl = math.exp(loss.item())                          # perplexity（第十节第 5 条）
        print(f"step {step:4d} | loss {loss.item():.4f} | ppl {ppl:7.2f} | lr {lr:.5f} | grad {grad_norm:.2f}")

# ===== 6. 生成：贪心解码 =====
model.eval()
idx = torch.tensor([[stoi["北"]]], dtype=torch.long)
for _ in range(15):
    logits = model(idx[:, -model.max_len:])
    nxt = logits[0, -1].argmax()                             # 贪心：取概率最大的 token
    idx = torch.cat([idx, nxt.view(1, 1)], dim=1)
print("生成:", "".join(itos[i] for i in idx[0].tolist()))

运行方式：

pip install torch   # CPU 版即可
python demo.py

9.3 实际运行输出

在 CPU（torch 2.5.1）上跑一遍，输出如下：

Attention 第一行: [0.1978, 0.4011, 0.4011]
词表大小 V=13, 总 token 数=500
参数量: 102976
step    0 | loss 41.3162 | ppl 8.8e+17 | lr 0.00030 | grad 14.51
step   30 | loss 0.6630  | ppl    1.94 | lr 0.00297 | grad 1.07
step   60 | loss 0.2738  | ppl    1.32 | lr 0.00280 | grad 1.08
step   90 | loss 0.0683  | ppl    1.07 | lr 0.00251 | grad 0.28
step  120 | loss 0.0576  | ppl    1.06 | lr 0.00214 | grad 0.24
step  150 | loss 0.0315  | ppl    1.03 | lr 0.00171 | grad 0.20
step  180 | loss 0.0456  | ppl    1.05 | lr 0.00127 | grad 0.21
step  210 | loss 0.0325  | ppl    1.03 | lr 0.00088 | grad 0.18
step  240 | loss 0.0330  | ppl    1.03 | lr 0.00057 | grad 0.20
step  270 | loss 0.0369  | ppl    1.04 | lr 0.00037 | grad 0.11
step  299 | loss 0.0458  | ppl    1.05 | lr 0.00030 | grad 0.20
生成: 北京有天安门。中国的首都是北京。

几个值得注意的点：

Attention 第一行 [0.198, 0.401, 0.401] 和 3.4 节手算结果完全一致。
step 0 的 loss 高达 41，远高于随机猜测的理论值 $\ln 13 \approx 2.56$——这是 Weight Tying 下随机初始化的 Embedding 同时当输出层，产生了极端 logits。30 步内就降到 2.56 以下，说明 AdamW + warmup 很快把它拉回正常区间。
最终 loss 降到 0.03 左右（PPL ≈ 1.03），模型基本“背”下了玩具语料，所以贪心生成能接出通顺的句子。

9.4 代码与前文章节的对应关系

代码片段	对应章节	关键点
`stoi` / `itos` 字符级分词	第二节	真实场景换成 BPE（如 `tiktoken`）
`nn.Embedding`	2.4 节	就是查表 $\mathbf{E}[id]$
`Q @ K.T / math.sqrt(2)`	3.3 节	Scaled Dot-Product Attention
`torch.triu(..., "-inf", diagonal=1)`	3.5 节	Causal mask，忘了它模型就作弊
`self.head.weight = self.tok_emb.weight`	4.5 节	Weight Tying
`F.cross_entropy(logits, y)`	第五节	内部已做 softmax + 负对数似然，数值稳定
`loss.backward()`	第六节	自动完成整条链式法则
`clip_grad_norm_(..., 1.0)`	6.5 节	梯度裁剪防 NaN
`torch.optim.AdamW`	7.2、7.3 节	$\beta_1=0.9, \beta_2=0.999$ 是默认值
`LambdaLR` + `lr_lambda`	7.5 节	warmup + cosine decay
`math.exp(loss.item())`	第十节第 5 条	PPL $= e^{\mathcal{L}}$

9.5 使用注意点 / 避坑

坑	现象	处理
忘记 `optimizer.zero_grad()`	梯度跨 step 累积，loss 曲线异常	每个 step 先清零梯度
训练/推理忘了切模式	dropout 在推理时还生效，结果不稳定	训练 `model.train()`，生成 `model.eval()`
`cross_entropy` 前手动 softmax	数值溢出、loss 变 NaN	直接传 logits，PyTorch 内部已做稳定化
标签没右移	模型在学“复制当前 token”，loss 极低但没学会预测	`y = x` 右移一位
mask 写成下三角 -inf	每个 token 只能看自己，模型学不到上下文	上三角才是屏蔽未来
玩具语料 loss 降不到 0 就慌	属正常，随机性 + 容量限制	先固定种子，确认能过拟合单 batch

9.6 动手练习建议

把 lr_max 从 3e-3 改成 3e-2，观察 loss 是否 NaN（体会 warmup 和梯度裁剪的作用）。
注释掉 causal mask，看 loss 是不是“假低”——训练 loss 很低，但生成崩了。
把 n_layer 从 2 加到 6，观察梯度范数变化和训练速度。
把玩具语料换成一段真实文本（如《论语》），词表改为字级，看 PPL 能降到多少。
用 torch.autograd.grad 手动验证 6.3 节手算的梯度 $\partial \mathcal{L} / \partial w = -1.0$。

十、通用训练避坑指南

下面这 12 条适用于 LLM 全阶段：

数据质量 > 数据数量：脏数据会让模型学会错误模式，先清洗再训练。
固定随机种子：方便复现和对比实验。
从小规模开始验证：先用 1B 参数或少量数据跑通 pipeline。
监控 loss 曲线：训练 loss、验证 loss、perplexity 一起画。
perplexity 是核心指标：

$$ \text{PPL} = e^{\mathcal{L}} $$

PPL 越低越好，一般预训练 PPL 在 2-10 之间。

检查梯度范数：突然变大说明要梯度裁剪。
学习率是最重要的超参数：先按论文默认值，再按 10 倍上下调。
Batch size 影响稳定性：大 batch 需要更大学习率，小 batch 噪声大但泛化好。
不要用测试集调参：会过拟合测试集。
注意数据泄漏：训练集和测试集要去重。
混合比例要平衡：代码、中文、英文、数学数据比例影响模型能力。
保存多个 checkpoint：不要只存最后一个，中间可能有更好的模型。

十一、异常场景与业务异常处理

11.1 训练阶段异常

异常	可能原因	处理
Loss = NaN / Inf	学习率过大、梯度爆炸、log(0)	降学习率、梯度裁剪、检查 softmax 实现
Loss 完全不降	学习率太小、数据损坏、标签错误	调大 lr、抽查数据、检查 mask
训练 loss 降，验证 loss 升	过拟合	早停、加 dropout、增数据、加正则
训练/验证 loss 都高	欠拟合	加模型容量、训练更久、减正则
显存 OOM	batch 太大、序列太长、模型太大	降 batch、用 gradient accumulation、激活检查点
分布式训练卡住	通信问题、某些 GPU 慢	检查 NCCL、负载均衡、all-reduce 同步
某些 token 生成重复	训练数据偏差或解码参数问题	调 temperature、top-p、加重复惩罚

11.2 部署/业务阶段异常

业务异常	表现	处理
概念漂移	线上数据分布变了，效果下降	监控输入分布、定期重训、在线学习
输入越界	用户输入超长、乱码、恶意 prompt	长度截断、输入校验、内容安全过滤
模型幻觉	生成看似合理但错误的内容	RAG 检索增强、增加事实性数据、后验校验
输出有害内容	生成歧视、违法、不当内容	安全对齐、输出拦截、人工审核
推理成本过高	模型太大，延迟/费用超标	量化、蒸馏、剪枝、换小模型
长尾问题答不好	冷门领域准确率低	领域 SFT、RAG、专家模型路由

11.3 一个实用的排查 checklist

□ 输入 token 范围对吗？（padding 是否被 mask？）
□ 标签 mask 对吗？（SFT 是否只算 answer loss？）
□ 损失函数和输出层匹配吗？（CE for classification）
□ 学习率调度正常吗？（warmup + decay）
□ 权重还有在更新吗？（打印梯度范数）
□ 单条数据能过拟合吗？（Sanity Check）
□ 分布式通信正常吗？（loss 同步一致）
□ 显存占用符合预期吗？（避免 OOM）

十二、总结

环节	核心作用	一句话口诀
Tokenization	文本 → 数字	高频子词合并，查表得向量
Embedding	ID → 向量	每个 token 对应一行稠密向量
Transformer	提取上下文关系	QK 点积算 attention，再乘 V
输出层 + Softmax	生成概率分布	猜下一个词是哪个
Cross Entropy	衡量预测好坏	真实词概率越大，loss 越小
反向传播	计算每个权重梯度	链式法则从后往前传
AdamW	更新权重	动量 + 二阶矩 + 真正 weight decay
LR 调度	控制学习节奏	先 warmup，再 cosine 下降
SFT / RLHF	对齐人类偏好	先模仿人类回答，再优化偏好

如果你是第一次接触 LLM 训练，建议按这个顺序动手：

先用一个小型 Transformer（如 nanoGPT）跑通“下一个 token 预测”。
改改学习率、batch size、warmup，观察 loss 曲线变化。
打印 attention 权重，看看模型在关注哪些 token。
用少量 SFT 数据微调，体会 mask answer 的重要性。
最后尝试 DPO，理解偏好对齐的数学本质。

本文档持续维护中。如果有哪一步的公式或例子让你卡住，欢迎在评论区指出，我会继续用更直观的方式补充图解和代码。

生成式AI原理与实战（Part 4）学习笔记：推理模型、DeepSeek-R1 与高效训练架构

Tue, 11 Nov 2025 17:00:00 +0800

生成式AI原理与实战（Part 4）学习笔记：推理模型、DeepSeek-R1 与高效训练架构

这是《生成式AI原理与实战》学习笔记的第四篇，也是这个系列的收尾篇。Part 4 的问题非常“硬核”，集中在推理模型（Reasoning Model）、强化学习训练、DeepSeek-R1 系列以及DeepSeek 的高效训练架构上。目标读者仍然是刚接触 AI 的初中级开发者：我会尽量用工程直觉和生活化类比，把这些问题串成一条可理解的脉络。

写在前面：为什么推理模型这么重要？

过去两年，大模型领域最大的变化之一，就是从“问什么答什么”的聊天模型，演进到“会思考”的推理模型。DeepSeek-R1、OpenAI o1/o3、QwQ-32B 等模型展示了一个趋势：让模型在回答前多“想一会儿”，能显著提升复杂任务的准确率。

但这背后涉及很多问题：

模型为什么会“思考”？这和写 let's think step by step 有什么区别？
推理模型是怎么训练出来的？为什么它贵？
DeepSeek-R1 为什么要先做 SFT 冷启动？
训练大模型要花多少数据和算力？
DeepSeek 的 MLA、MoE、FP8、DualPipe 到底在解决什么问题？

这篇文章会按四个主题展开：推理模型基础、训练与对齐方法选择、DeepSeek-R1 解析、DeepSeek 架构与训练系统。

一、推理模型基础：从“直接回答”到“测试时计算”

1.1 缩放定律：训练一个模型需要多少数据和算力？

缩放定律（Scaling Laws）告诉我们：模型的性能大致随参数量、训练数据量和计算量一起提升。Chinchilla 论文给出的经验是：

给定固定算力预算，模型参数量 N 和训练 token 数 D 应该大致成比例增长，即 D ≈ 20N。

也就是说，一个 70B 参数的模型，理想情况下需要用约 1.4 万亿 token 来训练。

算力估算：每个 token 的前向 + 反向传播大约需要 6 × 参数量 次浮点运算（FLOPs）。所以训练 70B 模型用 1.4T token，总计算量约为：

6 × 70B × 1.4T ≈ 5.9 × 10^23 FLOPs

flowchart LR
    A[参数量 N] --> C[计算量 C ~ 6ND]
    B[数据量 D] --> C
    C --> P[模型能力]
    style C fill:#fff2cc

工程直觉：大模型训练就像烧开水——水壶越大（参数越多）、火越旺（数据越多）、烧得越久（训练越久），水温才越高。但三者的配比要合理，否则就是浪费。

1.2 为什么普通大模型不能可靠解决 24 点？

24 点问题需要：给定 4 个整数，通过加减乘除得到 24。这本质上是一个搜索 + 验证问题。

普通大模型（如 Llama-3 70B）在不输出思维链的情况下，只能做一次前向传播，每个位置预测一个 token。Transformer 没有内置的“试错-回溯”机制，无法枚举所有数字组合并验证结果。因此它可能猜对，但不能可靠地保证正确。

而一旦允许输出思维链，模型就可以：

写出候选算式；
逐步计算；
检查结果是否为 24；
错了就换一条路。

这就是“测试时计算（Test-Time Compute）”的威力：用更多的生成 token 换取更高的准确率。

1.3 CoT 提示词 vs 推理模型：同样是“多想一会儿”，区别在哪？

flowchart TD
    subgraph CoT 提示工程
        P1[用户问题] --> T1[写 let's think step by step]
        T1 --> G1[模型按已有习惯推理]
    end

    subgraph 推理模型
        P2[用户问题] --> T2[模型自动生成<br/>长思维链]
        T2 --> R2[自我验证/修正]
        R2 --> G2[更高质量答案]
    end

对比项	CoT 提示词	推理模型
本质	提示工程技巧	训练出来的推理能力
思维链质量	依赖模型原始能力	被 RL 训练专门优化
长度	通常较短	可生成很长的内部思考
上限	受限于模型本身	通过测试时计算持续提升

推理模型上限更高的原因是：它在训练时被显式激励去生成更多推理步骤、进行自我验证、尝试不同路径。而普通模型只是被训练成“预测下一个词”，没有专门被优化去“想得更深”。

1.4 推理模型的 RL 与非推理模型的 RLHF 有什么区别？

对比项	推理模型 RL	普通模型 RLHF
奖励信号	通常是可自动验证的（答案对错）	人类偏好（好坏、有用、安全）
优化目标	提升推理正确率	提升人类满意度
典型任务	数学、编程、逻辑推理	对话、写作、问答
奖励模型	可以直接用规则/单元测试	需要训练 Reward Model

推理模型 RL 更像是“做数学题对答案”：对了加分，错了扣分。RLHF 更像是“写作文给老师看”：老师打分，模型学着更符合人类口味。

1.5 AlphaZero 的启示：训练时计算 vs 测试时计算的最优配比

AlphaZero 下围棋时，训练阶段通过自我对弈生成大量棋谱、更新策略网络；测试阶段用 MCTS 在每一步搜索最佳落子。

它的启示是：

训练时计算用于学习通用策略和价值判断；
测试时计算用于在具体局面下做精细搜索；
最优配比取决于任务：对围棋这类可验证、搜索空间大的任务，测试时计算可以非常多；对开放性文本生成，测试时计算受延迟限制。

有研究认为，在可验证推理任务上，训练时计算 : 测试时计算 的最优配比可能在 1000:1 到 10000:1 量级。但这不是固定值，更多是一种设计哲学：先让模型学到好的“直觉”，再让它在推理时多花时间验证。

二、训练推理模型：奖励模型、MCTS 与 STaR

2.1 过程奖励模型 vs 结果奖励模型

模型	打分对象	优点	缺点	适用场景
ORM（结果奖励模型）	最终答案	简单、可自动验证	不知道哪步错了	数学、编程等答案可验证任务
PRM（过程奖励模型）	中间推理步骤	能定位错误步骤	需要大量过程标注	长推理、可分解任务

ORM 像期末考试只看最终分数；PRM 像老师批改作业，每步都打分。PRM 更好，但标注成本更高。

2.2 MCTS 中的探索与利用

MCTS（蒙特卡洛树搜索）在推理中用于探索不同解题路径。每选择一个节点时，需要平衡：

利用（Exploitation）：选择当前平均奖励高的节点；
探索（Exploration）：选择访问次数少、潜力未知的节点。

常用 UCB1 公式：

UCB = Q/N + c × sqrt(ln(N_parent) / N)

其中 Q 是累计奖励，N 是访问次数，c 是探索系数。

graph TD
    Root[根节点] --> A[节点 A<br/>Q=10 N=5]
    Root --> B[节点 B<br/>Q=3 N=1]
    Root --> C[节点 C<br/>Q=8 N=4]
    B -->|探索加分高| B1[优先探索 B]

2.3 STaR：让模型自己教自己推理

STaR（Self-Taught Reasoner）的核心流程：

模型自己生成大量推理过程和答案；
只保留答案正确的样本；
用这些正确的 (问题, 推理, 答案) 数据微调模型；
迭代重复。

flowchart LR
    Q[问题] --> G[模型生成推理+答案]
    G --> F{答案正确？}
    F -->|是| S[加入训练数据]
    F -->|否| D[丢弃]
    S --> T[微调模型]
    T --> Q

优点：不需要人工标注推理链；缺点：如果模型一开始生成能力差，容易陷入“错误循环”。

2.4 推理深度与响应延迟的权衡

推理模型思考越久，准确率越高，但用户等待越久。常用平衡手段：

动态早停：模型自己对答案有把握时停止思考。
预算控制：设置最大思考 token 数。
用户可选深度：比如“快速回答 / 详细推理 / 深度分析”。
投机推理：先用小模型快速生成草稿，再由大模型验证。

三、方法论选择：什么时候用什么技术？

不同问题适合不同解法。下面是一张实用的选择表：

目标	推荐方法	原因
快速迭代基本能力	提示工程	成本低、见效快
用户个性化记忆	提示工程 + 记忆系统	把用户历史注入上下文
案例库和事实知识	RAG	外挂知识库，减少幻觉
输出格式和语言风格	SFT	用成对数据训练模型习惯
领域基础能力	SFT	让模型学会领域表达和常识
领域深度思考能力	RL / 推理模型 RL	用可验证奖励优化推理
领域工具调用能力	RL + Tool Calling	奖励正确的工具使用
根据用户反馈持续优化	RLHF / DPO	把偏好信号转化为训练目标

flowchart TD
    Need{需求是什么？} -->|知识/事实| RAG[RAG]
    Need -->|格式/风格| SFT[SFT]
    Need -->|快速验证| PE[提示工程]
    Need -->|深度推理| RL[RL 推理训练]
    Need -->|用户偏好| RLHF[RLHF/DPO]
    Need -->|工具使用| Tool[RL + Tool Calling]

四、DeepSeek-R1 深度解析

4.1 R1 与 R1-Zero：两条路径

DeepSeek-R1-Zero 是纯强化学习的产物：直接在基座模型上用 GRPO 做 RL，没有任何 SFT 冷启动。它证明了：即使没有人工标注的推理数据，模型也能自发学会长思维链推理。

但它有两个明显问题：

可读性差：思维链中经常出现中英文混杂、格式混乱；
通用任务弱：在非推理任务（写作、翻译、对话）上表现下降。

DeepSeek-R1 则先用少量高质量 CoT 数据做 SFT 冷启动，然后再用 GRPO 做 RL。这样既保留了推理能力，又改善了可读性和通用能力。

flowchart LR
    subgraph R1-Zero
        B1[基座模型] --> RL1[纯 RL]
        RL1 --> M1[推理强但可读性差]
    end

    subgraph R1
        B2[基座模型] --> SFT[SFT 冷启动]
        SFT --> RL2[RL 优化]
        RL2 --> M2[推理强 + 可读 + 通用]
    end

R1-Zero 的价值：它证明了大模型可以通过纯 RL 自发涌现复杂推理能力。这是通向“超越人类智能”的一条可能路径——因为模型不再依赖人类标注的解题思路，而是可以自己探索策略。

4.2 为什么 R1 在创意写作上也比基座模型更好？

这看似违反直觉：推理模型不是做数学题的吗？

实际上，R1 学到的不仅是“数学推理”，更是一种问题分解和自我评估的元能力。在创意写作中，它会：

分析用户需求和潜在情绪；
构思多个创意方向；
快速评估哪个更有趣；
输出最终内容。

这种“先想后写”的能力，让它即使思考过程较短，也能产出更有趣的内容。

4.3 为什么 R1 不用 PRM、MCTS、Beam Search？

DeepSeek 的论文明确提到，他们尝试过 PRM 和 MCTS，但效果不佳。原因：

PRM：需要大量高质量的过程标注，成本高，且很难定义“哪一步好”。
MCTS：在开放文本生成中，搜索空间是组合爆炸的，每一步的“走法”太多了。
Beam Search：同样受限于巨大的候选空间，且不利于探索非确定性推理。

GRPO + 可验证奖励（如答案正确性）更简单、更可扩展。

4.4 GRPO vs PPO：为什么 R1 选择 GRPO？

PPO 训练时需要维护多个模型：Actor、Critic、Reward Model、Reference Model。其中 Critic 模型通常和 Actor 一样大，显存开销很高。

GRPO（Group Relative Policy Optimization）的改进：

不需要 Critic 模型；
对同一个问题采样一组回答；
用组内相对奖励计算优势函数（减去组内均值，除以标准差）。

flowchart TD
    subgraph PPO
        P[Prompt] --> A[Actor]
        P --> C[Critic]
        A --> R[Reward Model]
        A --> Ref[Reference Model]
    end

    subgraph GRPO
        G[Prompt] --> GA[Actor]
        GA -->|采样 N 个回答| GR[组内相对奖励]
        GR --> GN[归一化优势]
        GA --> GRef[Reference Model]
    end

优势值归一化解决了 PPO 中 Critic 估计不准的问题，同时大幅降低了显存和计算成本。

4.5 GRPO 中的 KL 惩罚项

KL 惩罚项衡量当前策略与参考策略（通常是 SFT 模型）的差异，防止模型在 RL 训练中“跑偏”。

KL 太大：策略更新保守，学不到新能力；
KL 太小：策略可能崩溃，输出乱码或 reward hacking。

合适的 KL 系数需要在探索能力和稳定性之间找平衡。

4.6 为什么 R1 的 SFT 要加 20 万条非推理样本？

如果只用推理数据做 SFT，模型会变成“只会做题的偏科生”。加入非推理样本（写作、翻译、对话、常识问答）可以：

保持通用语言能力；
防止模型在非推理任务上退化；
让最终模型既能深度思考，也能正常聊天。

4.7 如何把 R1 蒸馏到小模型？

蒸馏的核心是用 R1 生成的高质量数据（包括长思维链）去监督微调一个小模型。步骤：

用 R1 在目标领域生成大量 (问题, 思维链, 答案)；
清洗和筛选高质量样本；
在小模型上做 SFT；
在垂直领域任务上评估。

要保留特定领域能力，关键是蒸馏数据要覆盖该领域的典型问题和推理模式。

4.8 R1-Zero 为什么会多语言混杂？

R1-Zero 的奖励函数只关心最终答案是否正确，不关心中间过程用什么语言。由于基座模型是多语言训练的，它会自发选择任何能表达推理的语言。中文 prompt 可能触发英文思考，反之亦然。

R1 通过 SFT 冷启动，让模型先学会用规范、统一的语言输出思维链，解决了这个问题。

4.9 如何把 R1-Zero 方法扩展到主观领域？

R1-Zero 依赖可验证奖励，所以最适合数学、编程。扩展到创意写作、战略分析等主观领域，需要：

定义可自动评估的代理指标（如多样性、一致性、可读性）；
用 LLM-as-Judge 作为奖励信号；
用人工偏好数据做 RLHF/DPO；
引入多轮自洽性评估。

但效果通常不如数学/编程稳定，因为“好文章”没有唯一答案。

五、DeepSeek 架构与训练系统创新

5.1 MLA：低秩压缩的 KV 缓存

多头注意力（MHA）每一层都要保存 Query、Key、Value。KV 缓存是推理时显存占用的主要来源。

MLA（Multi-head Latent Attention）的核心思想：

把 KV 压缩到一个低维“潜空间”，需要时再解压。

flowchart LR
    X[输入] --> Q[生成 Query]
    X --> K[生成 Key]
    X --> V[生成 Value]
    K --> C[低秩压缩]
    V --> C
    C --> KV[小 KV 缓存]
    KV --> D[解压]
    Q --> A[Attention]
    D --> A

虽然 MLA 单 token 的 KV 可能比 MQA（Multi-Query Attention）多一点，但它保留了更多信息，模型性能更好。它本质上是对 (注意力头数, 隐藏维度) 这个高维空间做低秩压缩。

5.2 MLA 与 RoPE 位置编码的兼容性

RoPE（旋转位置编码）把位置信息直接编码进 Q/K 向量中。如果直接对 KV 做低秩压缩，位置信息会被破坏。

DeepSeek 的解决方案是把位置编码部分和可压缩部分解耦：保留一个带位置信息的短向量，把其余信息压缩到潜空间。这样既能低秩压缩，又不丢失位置信息。

如果用 ALiBi 等基于注意力偏置的位置编码，低秩压缩会引入与位置相关的偏置，更难处理。

5.3 DeepSeek MoE：为什么前 3 层用稠密连接？

MoE（Mixture of Experts）把每一层换成多个“专家网络”，每次只激活一部分。DeepSeek 的设计是：前 3 层保持稠密，后面用 MoE。

原因：

前几层负责提取基础特征（词法、句法、低级语义）；
这些基础特征需要稳定、共享的表示；
如果早期就用 MoE，不同 token 可能路由到不同专家，导致基础表示不一致，影响后续层。

5.4 DeepSeek MoE vs Mixtral MoE

特性	Mixtral MoE	DeepSeek MoE
专家数量	较少（如 8 个）	很多（细粒度专家）
专家大小	较大	较小
共享专家	无	有共享专家始终激活
路由策略	Top-2	更细粒度的负载均衡路由

DeepSeek 的细粒度专家分割让模型能组合更多专家能力；共享专家隔离确保通用知识始终可用，避免所有 token 都涌向少数专家。

5.5 专家负载均衡：防止“路由崩溃”

如果所有 token 都选择同一个专家，其他专家就浪费了，这叫“路由崩溃”。DeepSeek 通过辅助损失函数解决：

专家级平衡损失：鼓励每个专家处理的 token 数量均衡；
通信平衡损失：减少节点间通信开销；
设备级平衡损失：让不同 GPU 上的负载均衡。

flowchart LR
    T[Token] --> R[路由网络]
    R --> E1[专家 1]
    R --> E2[专家 2]
    R --> E3[专家 3]
    E1 --> L[负载均衡损失]
    E2 --> L
    E3 --> L

5.6 多词元预测：一次预测多个未来 token

传统模型一次只预测下一个 token。DeepSeek-V3 的多词元预测（Multi-Token Prediction）会同时预测后面几个 token。

优势：

样本效率更高：每个训练位置提供多个监督信号；
推理更快：可以配合投机解码，一次验证多个 token。

5.7 FP8 混合精度训练

DeepSeek-V3 在大量矩阵计算中使用 FP8（8 位浮点）量化，包括 Linear 层和 Attention 中的矩阵乘法。为了降低精度损失，它采用了分组量化（tile/block-wise quantization）：

把大矩阵切成小块；
每块独立计算 scale 和 zero-point；
对激活值和权重都这样做。

这样比全局量化更精细，损失更小。

5.8 DualPipe：双向流水线并行

训练超大模型时，流水线并行把模型分层放到不同 GPU 上。传统流水线有“气泡时间”——GPU 在等待上下游数据时空闲。

DualPipe 的创新是双向流水线：同时从前后两个方向传递数据，让 GPU 尽可能不空闲。结合专家并行，它还能平衡 MoE 中不同专家的负载，提高整体训练效率。

flowchart LR
    subgraph 传统流水线
        A[GPU 1] --> B[GPU 2]
        B --> C[GPU 3]
        C --> D[GPU 4]
        style B fill:#f8cecc
        style C fill:#f8cecc
    end

    subgraph DualPipe
        E[GPU 1] --> F[GPU 2]
        F --> G[GPU 3]
        G --> H[GPU 4]
        H -.-> E
        style F fill:#e1f5e1
        style G fill:#e1f5e1
    end

六、扩展：垂直领域与多模态

6.1 在 QwQ-32B 上强化 Deep Research 能力

Deep Research 场景需要模型：搜索 → 浏览 → 总结 → 再搜索。构建 RL 训练数据时：

准备多轮搜索-总结任务；
奖励函数包括：最终答案正确性、引用来源覆盖度、信息是否过时、是否完成任务。

6.2 让 R1 支持图片推理

要把 R1 扩展到多模态，需要：

增加视觉编码器（如 ViT）；
构建图片 + 问题 + CoT + 答案的训练数据；
奖励函数包括：答案正确性、推理过程是否与图片内容一致。

任务如走迷宫、地理定位、图表分析，都需要模型能把视觉信息和符号推理结合起来。

七、从面试题到工程实践

不要迷信大模型参数。同样参数的推理模型和普通模型，能力侧重点完全不同。
可验证奖励是 RL 训练的关键。数学、编程适合 RL；开放域生成更适合 RLHF/DPO。
测试时计算是新的 scaling 维度。未来提升模型能力，不一定只靠堆参数量，也可以让它“想得更久”。
架构创新是为了训练和服务更便宜。MLA、MoE、FP8、DualPipe 的目标都是在保持性能的同时降低成本。
蒸馏是把大模型能力落地到小场景的有效路径。关键是要有高质量的教师数据。

结语

Part 4 把我们从“怎么用大模型”带到了“怎么训练和优化大模型”的深处。对初级开发者来说，不必一次性掌握所有细节，但要建立几个核心直觉：

推理模型的本质是用更多测试时计算换准确率；
RL 训练的关键是奖励信号设计；
DeepSeek-R1 的成功说明：SFT 冷启动 + 可验证奖励的 RL 是一条务实的路径；
大模型训练不只是算法问题，更是系统工程问题（MLA、MoE、FP8、DualPipe 都在解决工程效率）。

如果你能理解这些，就已经具备了参与大模型应用和训练工程的基本视野。

参考：《生成式AI原理与实战 —— Part 4》，答案基于公开论文与工程实践整理。

生成式AI原理与实战（Part 3）学习笔记：嵌入模型、表示微调与生成模型微调

Sun, 09 Nov 2025 16:00:00 +0800

生成式AI原理与实战（Part 3）学习笔记：嵌入模型、表示微调与生成模型微调

这是《生成式AI原理与实战》学习笔记的第三篇。Part 1 聊了大模型的“底层零件”，Part 2 聊了提示工程、Agent 和 RAG；Part 3 则进入“模型训练与微调”领域：怎么训练一个好的文本嵌入模型、怎么在数据少的情况下微调分类模型、怎么用 LoRA/DPO/PPO 把通用大模型变成业务模型。目标读者仍然是刚接触 AI 的初中级开发者。

写在前面：为什么开发者要懂微调？

调用 API 能解决 80% 的问题，但剩下的 20% 往往需要你接触模型本身：

公司私有文档的检索效果差，要不要自己训练嵌入模型？
标注数据只有几百条，能微调分类模型吗？
想让大模型输出符合公司风格的文案，除了写 prompt 还能做什么？
排行榜第一的模型，为什么到自己业务里表现一般？

这篇文章会用“概念 + 图 + 工程直觉”来回答这些问题。

一、文本嵌入模型：让“语义”变成可计算的向量

嵌入模型（Embedding Model）的作用，是把文本变成固定长度的向量。语义相近的文本，向量距离就小；语义不同的文本，向量距离就大。它是 RAG、语义搜索、推荐系统的核心组件。

1.1 为什么对比学习需要负样本？

训练嵌入模型时，如果只告诉模型“这两句话很相似，向量要靠近”，模型可能偷懒：把所有文本都编码成同一个向量。这样无论输入什么，相似度都很高，模型就失去了区分能力。

负样本的作用就是告诉模型：这些不相似的文本，向量必须拉开。

flowchart LR
    subgraph 只有正样本
        P1[A] --> C[中心点]
        P2[B] --> C
        P3[C] --> C
    end

    subgraph 加入负样本
        N1[A] -.->|拉近| P[正样本对]
        N2[B] -.->|拉近| P
        N3[C] -->|推远| P
    end

高质量训练的关键是难负样本（Hard Negatives）：那些看起来很像正确答案、但实际不对的样本。比如问“北京在哪里”，错误答案“上海是中国城市”就是一个难负样本，它会让模型学会更细粒度的区分。

1.2 双编码器 vs 交叉编码器

工业界的语义搜索通常分两阶段：

flowchart LR
    Q[查询] --> B[双编码器 Bi-Encoder]
    D[文档库] --> B
    B --> C[候选 Top-k]
    C --> X[交叉编码器 Cross-Encoder]
    X --> R[精排结果]

特性	双编码器	交叉编码器
计算方式	查询和文档分别编码成向量	查询和文档拼接后一起输入模型
速度	快，文档向量可离线预计算	慢，需要实时成对计算
精度	较低，缺乏细粒度交互	高，能捕捉词级关系
用途	召回阶段：从海量文档中快速找候选	精排阶段：对少量候选做精确排序

对初级开发者的建议：不要一上来就用交叉编码器处理百万文档，会慢得无法接受。标准做法是“双编码器召回 Top-100 + 交叉编码器精排”。

1.3 训练嵌入模型的损失函数怎么选？

损失函数	优点	缺点	适用场景
MNR（多负例排序）	适合对比学习，能利用批量内负样本	依赖高质量负样本，计算随负例增加	大规模检索、对比预训练
余弦相似度损失	方向敏感，计算轻量，适合归一化嵌入	对难负样本区分度不足	文本相似度、资源受限场景
Softmax 损失	直接优化分类，输出有概率意义	嵌入通用性差，不适合检索	意图识别、明确分类任务

1.4 没标注数据怎么办？TSDAE 无监督预训练

TSDAE（Transformer-based Sequential Denoising Auto-Encoder）的思路是：把输入文本加噪声（如随机删词、替换），再让模型重建原文。模型为了重建，必须学会抓住句子的全局语义。

flowchart LR
    I[原始句子] --> N[加噪声]
    N --> E[Encoder 编码]
    E --> D[Decoder 重建]
    D --> O[还原原始句子]

TSDAE 用特殊词元（如 [CLS]）作为句子表征，而不是平均池化。原因是：[CLS] 在训练中被迫压缩全局信息以重建整个句子，信号更强；而平均池化会被无关词稀释。

1.5 怎么评测嵌入模型？

MTEB（Massive Text Embedding Benchmark）是比 STS-B 更全面的评测基准，包含 8 类任务：

语义文本相似度（STS）
检索（Retrieval）
重排序（Reranking）
分类（Classification）
聚类（Clustering）
配对分类（Pair Classification）
摘要评估（Summarization）
双语文本挖掘（Bitext Mining）

如果你做的业务是问答检索，就不要只看 STS 分数，要看 Retrieval 和 Reranking 指标。

1.6 增量学习：模型需要“与时俱进”

世界在变化，新词、新概念不断出现。嵌入模型也需要更新：

flowchart TD
    A[收集新数据] --> B{分布是否变化？}
    B -->|是| C[概念漂移检测]
    B -->|否| D[继续监控]
    C --> E{性能是否退化？}
    E -->|是| F[增量微调]
    E -->|否| D
    F --> G[更新模型]
    G --> A

检测方法包括：监控 KL 散度、KS 检验、在线评估指标等。更新时可以用小步微调，而不是从头训练。

二、表示模型微调：把小数据用出大价值

很多时候我们只有少量标注数据，却想做一个不错的分类或 NER 模型。这就需要“表示微调”的技巧。

2.1 微调时冻结哪些层？

BERT 这类预训练模型，底层学习通用语法和语义，高层学习任务相关特征。微调时可以根据自己的情况决定：

flowchart LR
    I[输入] --> L1[低层 Transformer<br/>通用语法语义]
    L1 --> L2[高层 Transformer<br/>任务相关语义]
    L2 --> H[分类头]
    H --> O[输出]

    style L1 fill:#e1f5e1
    style L2 fill:#fff2cc
    style H fill:#f8cecc

场景	策略
数据很少	冻结底层，只微调高层 + 分类头
数据较多	全模型微调
任务与预训练差异大	多微调几层
资源有限	冻结更多层，节省显存

2.2 SetFit：几百条数据也能做文本分类

SetFit 是专门做少样本文本分类的框架。它的核心思想是：先用对比学习微调 Sentence Transformer，再在它生成的向量上训练一个轻量分类器。

flowchart LR
    S[少量标注样本] --> P[构造正负样本对]
    P --> C[对比学习微调 Encoder]
    C --> E[生成文本嵌入]
    E --> CL[训练分类器<br/>SVM / Logistic Regression]
    CL --> M[最终分类模型]

为什么有效？因为即使是每类只有 5 条样本，两两组合也能生成很多训练对。对比学习让同类样本靠近、不同类样本远离，相当于学到了一个“任务专属的嵌入空间”。

2.3 继续预训练：拿到领域知识，但别丢了通用能力

让通用 BERT 适应医疗、法律等垂直领域，常用做法是继续预训练。但直接在全领域数据上训练，可能让模型忘掉通用语言知识，这叫灾难性遗忘。

缓解方法：

混合训练：领域数据 + 通用数据一起训练。
分阶段训练：先用通用数据 warm-up，再逐步增加领域数据，最后再用少量通用数据巩固。
Adapter / LoRA：只训练少量新增参数，保留主干模型。
EWC（弹性权重巩固）：对重要参数加约束，防止大幅偏离。
知识蒸馏：用原始通用模型当教师，保留其预测分布。

2.4 垂直领域分类：三种方案对比

方案	优点	缺点	适用场景
直接微调通用 BERT	成本低、稳定	领域术语理解弱	快速验证、术语不复杂的任务
继续预训练 BERT 再微调	领域适应性强	需要大量无标注领域数据	有资源、有数据的团队
从头预训练领域模型	最强领域定制	资源消耗巨大、风险高	超大规模语料和算力

对大多数团队来说，方案（b）是性价比最高的。

2.5 NER 中的子词标签对齐

BERT 用 WordPiece 分词，会把一个词拆成多个子词。例如 “playing” → “play” + “##ing”。但 NER 标签是按词标注的，这就需要对齐：

只标注第一个子词：最简单常用，其余子词不参与损失计算。
标签传播到所有子词：每个子词都复制原词标签。
标签传播 + 修复规则：第一个子词用原标签，后续子词改成 I- 或 O，避免 BIO 格式混乱。

2.6 嵌入式设备上的小模型多任务训练

如果要在手机、IoT 设备上跑模型，需要：

选轻量模型：MiniLM、TinyBERT、DistilBERT。
多任务学习：共享一个编码器，接不同任务头。
模型压缩：量化（INT8）、剪枝、知识蒸馏。
部署格式：ONNX、TFLite。

flowchart LR
    I[输入文本] --> E[Shared Encoder]
    E --> C[分类头]
    E --> N[NER 头]
    E --> V[Embedding 头]
    C --> O1[分类结果]
    N --> O2[实体标签]
    V --> O3[语义向量]

三、生成模型微调：让通用模型变成“你的模型”

3.1 SFT：监督微调是最常用的起点

SFT（Supervised Fine-Tuning）就是准备好 (prompt, response) 数据对，继续训练模型。比如你想让模型输出更简洁的微信聊天风格，就准备大量“问题 → 简短回答”的样本。

flowchart LR
    D[准备 prompt-response 数据] --> S[SFT 微调]
    S --> E[评估效果]
    E -->|不够好| A[补充/清洗数据]
    A --> D
    E -->|效果好| P[上线部署]

数据量建议（QA 对）：

模型大小	目标	推荐数据量
1B - 7B	记住有限文档知识	1k - 20k
13B - 30B	强记忆 + 通用指令	10k - 100k
70B+	企业问答 + 任务泛化	50k - 500k

3.2 LoRA 与 QLoRA：大模型微调的省钱方案

全参数微调 70B 模型需要大量 GPU。LoRA 的核心思想是：不在原始权重上直接更新，而是在每层旁边加两个小矩阵（低秩分解），只训练这两个小矩阵。

flowchart LR
    X[输入] --> W[原始权重 W]
    W --> O[输出]
    X --> A[低秩矩阵 A]
    A --> B[低秩矩阵 B]
    B --> O

LoRA 的参数量大约是全量微调的 1 / (d / 2r) 倍。例如 d=12288，r=8，参数量减少约 768 倍。

QLoRA 在此基础上做了分块量化：把权重矩阵切成小块，每块独立量化，保留各自的 scale 和 zero-point。这样比全局量化更精确，能在消费级 GPU 上微调大模型。

3.3 超参数设置与停止训练

超参数	推荐范围	说明
学习率	1e-5 - 2e-4	LoRA 可用稍大学习率
LoRA rank	4 - 64	小任务 8/16，复杂任务 32+
LoRA alpha	rank × 2 - rank × 8	控制 LoRA 对主模型的影响强度

什么时候停止？

验证集 loss 连续 N 个 epoch 不下降就停。
不要只看 loss，还要看具体指标（准确率、F1、BLEU、ROUGE）。
生成任务最好加人工评估，loss 低不代表回答好。

3.4 损失函数应该计算输入部分还是输出部分？

推荐：只计算输出部分。

原因：

推理时模型只负责生成输出，训练时只对输出优化更符合实际使用场景。
输入部分是人类写好的 prompt，让模型预测它没有意义，还会引入噪声。
计算量更小，训练更快。

3.5 PPO 与 DPO：让模型符合人类偏好

SFT 让模型“学会回答问题”，但不一定“回答得好”。RLHF（基于人类反馈的强化学习）就是解决这个问题。

经典 RLHF 三阶段

flowchart LR
    S[SFT 模型] --> R[训练奖励模型<br/>Reward Model]
    R --> P[PPO 强化学习]
    P --> A[对齐后的模型]

SFT：训练模型学会基本对话。
训练奖励模型：收集人类偏好数据，训练一个打分模型。
PPO 强化学习：用奖励模型指导策略模型优化。

PPO 里的四个角色

flowchart TD
    Prompt --> A[Actor<br/>生成回答]
    A --> C[Critic<br/>评估状态价值]
    A --> R[Reward Model<br/>给回答打分]
    A --> Ref[Reference Model<br/>计算 KL 散度<br/>防止跑偏]

模型	作用	是否训练
Actor	生成回答的主模型	是
Critic	估计价值，计算优势函数	是
Reward Model	给回答质量打分	否（通常预训练好）
Reference Model	计算 KL 散度，防止策略偏离初始模型	否

PPO vs DPO

对比项	PPO	DPO
训练范式	强化学习（on-policy）	监督学习（off-policy）
是否需要奖励模型	需要	不需要
实现复杂度	高	低
数据利用率	低，只能用当前策略生成的数据	高，历史偏好数据都能用
稳定性	较敏感，容易 reward hacking	更稳定

数据少的时候优先用 DPO，它只需要 (prompt, chosen, rejected) 三元组；等数据量和工程能力都上来了，再考虑 PPO。

3.6 DPO 的 beta 参数

beta 控制模型对偏好差异的敏感程度：

beta 小：偏好信号平滑，训练稳定，但可能学不到足够强的偏好。
beta 适中（0.5-1.0）：常用默认值。
beta 大：偏好差异被放大，模型对偏好更敏感，但可能过拟合或不稳定。

3.7 把用户行为变成 DPO 数据

如果你运营一个 ChatGPT 类网站，用户行为天然就是偏好信号：

用户行为	含义	DPO 用法
点赞	喜欢这个回答	当前回答为 chosen
点踩	不喜欢	当前回答为 rejected
重新生成	否定当前，偏好新的	新回答为 chosen，旧的为 rejected
复制/分享	非常满意	当前回答为 chosen

对于小红书这类图文混合平台，停留时长受图片影响大，需要结合点赞、收藏等行为综合判断；知乎这类长文本平台，停留时长、评论互动更能反映内容质量。

3.8 对齐、隐私与提示词注入

对齐问题：模型目标函数与人类真实意图不一致。解决办法包括 RLHF/DPO、安全微调、拒绝训练、输出审查等。

隐私保护：

训练前脱敏、移除 PII。
训练中使用差分隐私优化。
训练后扫描模型是否记住了敏感信息。
部署时加输出拦截和 prompt 注入检测。

通过微调防御提示词注入：

在训练数据里加入大量注入攻击样本，标注正确拒答。
对抗式微调：生成各种攻击变体让模型学习。
强化系统角色一致性，让模型坚持原始身份。

四、从面试题到工程实践

嵌入模型优先用现成的。MTEB 上排名靠前的模型（如 BGE、E5、GTE）通常足够好用，不要自己从头训练。
数据少时试试 SetFit。几百条标注也能做出不错的分类器。
大模型微调先 LoRA/QLoRA。全参数微调太贵，LoRA 是性价比之选。
RLHF 先 DPO 后 PPO。DPO 实现简单、数据利用率高，适合起步。
不要迷信排行榜。榜单分数高不代表业务效果好，要结合实际场景评估。
评估指标要对齐业务目标。分类看 F1，检索看 Recall@K，生成看人工评估，不要只看 loss。

结语

Part 3 的内容从“怎么训练嵌入模型”讲到“怎么微调分类模型”，再到“怎么对齐生成模型”。对初级开发者来说，重点是理解这些技术的适用场景和 trade-off：

嵌入模型：双编码器快但粗，交叉编码器慢但准；负样本决定对比学习效果。
表示微调：数据少就用 SetFit，数据多就全量微调；领域适配要注意灾难性遗忘。
生成模型微调：SFT 是起点，LoRA 省钱，DPO/PPO 对齐人类偏好。

掌握这些，你就能从“会调用模型”进阶到“会根据业务需求选择和调整模型”。

参考：《生成式AI原理与实战 —— Part 3》

生成式AI原理与实战（Part 2）学习笔记：提示工程、Agent 与 RAG 的通俗理解

Sat, 08 Nov 2025 15:24:25 +0800

生成式AI原理与实战（Part 2）学习笔记：提示工程、Agent 与 RAG 的通俗理解

这是《生成式AI原理与实战》学习笔记的第二篇。Part 1 聊了 Transformer、Token、Embedding、Attention、KV Cache 这些“底层零件”；Part 2 则进入“怎么用”的层面：怎么写提示词、怎么让模型完成复杂任务、怎么给模型外挂知识库。目标读者仍然是刚接触 AI 的初中级开发者——读完之后，你不需要会训模型，但应该能清楚地说出提示工程、Agent、RAG 这几个热门词到底在解决什么问题。

写在前面：从“调用 API”到“搭一个系统”

如果你只调过 ChatGPT API，可能会觉得大模型就是一个“输入问题、返回答案”的黑盒。但实际做项目时，很快会遇到这些问题：

同样的 prompt，为什么每次回答不一样？
模型怎么老是“一本正经地胡说八道”？
想让模型输出 JSON，它却总带多余解释。
对话轮数多了，模型就忘了用户是谁。
公司私有文档模型不知道，怎么办？

Part 2 的内容，本质上就是回答这些问题。我会把它们分成三块：提示工程（怎么写好 prompt）、Agent（怎么让模型动起来）、RAG（怎么给模型外挂知识）。

一、提示工程：不是写文案，而是设计接口

很多人把提示工程当成“怎么哄 AI 开心”。其实对开发者来说，prompt 更像一个函数签名：输入清楚、输出可控、边界明确。

1.1 两个旋钮：temperature 与 top_p

大模型生成下一个词时，不是“选择概率最高的词”就完事了。它有两个常用的“随机性旋钮”：

temperature：控制采样的“大胆程度”。值越低越保守，接近“只选概率最高的词”；值越高越有创意，容易跳出常规。
top_p（nucleus sampling）：只从累计概率达到一定比例的候选词里挑。比如 top_p=0.9，就只在概率最高的那一小撮词里采样。

flowchart LR
    A[模型输出概率分布] --> B{采样策略}
    B -->|temperature 低| C[集中在高概率词<br/>输出稳定]
    B -->|temperature 高| D[概率被拉平<br/>输出更多样]
    B -->|top_p 小| E[候选池小<br/>更聚焦]
    B -->|top_p 大| F[候选池大<br/>更发散]

不同任务推荐参数如下：

任务类型	temperature	top_p	原因
翻译、摘要、代码	0.2 - 0.5	0.8 - 1.0	需要准确、可重复
创意写作	0.7 - 1.0	0.9 - 1.0	需要多样性和想象力
头脑风暴	0.8 - 1.2	0.9 - 1.0	越跳出常规越好

验证参数好坏的方法：人工看多轮输出是否稳定/有趣；对翻译用 BLEU/ROUGE；对创意任务用 distinct-n 看词汇多样性。

小知识：有些模型 temperature=0 时输出仍不稳定，可能是因为用了**推测解码（Speculative Decoding）**等加速技术，候选生成阶段仍带随机性。

1.2 一个专业提示词长什么样？

把 prompt 当成接口文档来设计，通常包含以下模块：

flowchart TD
    A[角色定义] --> B[任务目标]
    B --> C[输入信息/上下文]
    C --> D[输出格式]
    D --> E[约束条件]
    E --> F[示例]
    F --> G[模型输出]

模块	作用	例子
角色定义	限定语气、专业范围	“你是一位严谨的学术助手。”
任务目标	消除歧义	“请把下面这段话翻译成英文。”
输入信息	限制回答依据	“仅根据以下材料回答。”
输出格式	便于解析	“输出 JSON，包含结论和依据。”
约束条件	降低风险	“不要编造，不知道就说不知道。”
示例	快速对齐预期	给 1-2 个输入输出样例

为什么角色定义很重要？ 大模型在训练时见过无数种文体和身份。明确角色，相当于激活了模型内部对应的知识路径和语气风格，也能让它更谨慎，减少胡说八道的概率。

1.3 怎么减少模型“幻觉”？

幻觉（Hallucination）就是模型一本正经地编造不存在的信息。常用防御手段：

限定信息源：只根据给定材料回答。
强化真实性要求：明确说“不知道就说不知道”。
要求引用依据：让模型说明答案出处。
限制输出格式：用 JSON、表格等结构化输出，减少自由发挥。
低 temperature：减少随机编造。

1.4 怎么防止提示词注入攻击？

提示词注入是指：用户输入里夹带“忽略前面指令、现在执行我的命令”这类内容，试图绕过系统限制。防御思路：

flowchart LR
    A[用户输入] --> B[结构化隔离<br/>JSON/YAML/字段分离]
    B --> C[系统层过滤<br/>正则/规则/小模型守门]
    C --> D[明确指令优先级<br/>禁止修改角色与规则]
    D --> E[函数调用输出<br/>固定 schema]

结构化输入：不要把用户输入直接拼进自然语言 prompt，用 JSON 等格式隔离。
明确边界：系统提示里写明“不可改变角色”。
函数调用：让模型按固定 schema 输出，减少被操控空间。
系统层检测：用规则或小模型识别异常输入（如突然要求“忽略之前指令”）。

1.5 让模型“先思考再回答”：CoT、Self-Consistency、ToT

复杂任务（数学、逻辑、规划）直接要答案，模型容易错。可以先让它把推理过程写出来。

flowchart TD
    subgraph 思维链 CoT
        Q1[问题] --> R1[一步一步推理] --> A1[答案]
    end

    subgraph 自洽性 Self-Consistency
        Q2[问题] --> R2a[采样推理 1]
        Q2 --> R2b[采样推理 2]
        Q2 --> R2c[采样推理 N]
        R2a --> V[投票/多数共识]
        R2b --> V
        R2c --> V
        V --> A2[最终答案]
    end

    subgraph 思维树 ToT
        Q3[问题] --> B1[分支 1]
        Q3 --> B2[分支 2]
        Q3 --> B3[分支 3]
        B1 --> E[评估/回溯]
        B2 --> E
        B3 --> E
        E --> A3[最优答案]
    end

方法	优点	缺点	适用场景
CoT	简单有效，兼容多数模型	可能产生幻觉推理步骤	数学、逻辑题
Self-Consistency	稳定，减少随机波动	计算开销大	精度要求高
ToT	多路径探索，适合长规划	实现复杂	解谜、策略任务
反思 Reflection	可自我纠错	依赖初始回答质量	代码调试、文本润色

1.6 怎么保证输出格式？

明确格式要求：在 prompt 里清楚说明想要的结构。
给 few-shot 示例：1-2 个例子比千言万语管用。
限制随机性：JSON 输出常用 temperature=0。
使用 API 的 JSON Mode / Function Calling：从接口层面约束输出。
后处理校验：用 json.loads() 等工具兜底。

1.7 分类任务怎么保证只输出指定类别？

提示词里写明“只能输出以下类别之一”。
用 API 的 logit_bias 强行禁止非法 token。
Function Calling 限定返回枚举值。

二、Agent：让大模型从“回答问题”到“完成任务”

提示工程解决的是“单次问答怎么做好”；Agent 解决的是“怎么让模型自主完成一个多步骤任务”。

2.1 Agent 的工作循环

一个典型的 Agent 长这样：

flowchart LR
    A[用户任务] --> B[思考 Thought]
    B --> C[行动 Action]
    C --> D[调用工具/搜索/查库]
    D --> E[观察 Observation]
    E --> F{任务完成了吗？}
    F -->|否| B
    F -->|是| G[输出最终答案]

这就是 ReAct 模式的核心：想一步、做一步、看结果、再决定下一步。比如你要做一个“调研 GPT-5 最新消息”的 Agent，它的循环可能是：

分析目标 → 提取关键词。
生成搜索关键词。
调用搜索引擎。
浏览网页，抽取信息。
更新记忆，避免重复搜索。
判断是否需要继续，直到满意。

2.2 多 Agent 协作：一个复杂任务拆给多个“专员”

当任务复杂、提示词过长时，可以把一个 Agent 拆成多个子 Agent：

flowchart LR
    U[用户请求] --> R[Router Agent<br/>识别意图]
    R --> F[航班 Agent]
    R --> H[酒店 Agent]
    R --> I[行程 Agent]
    F --> P[Planner Agent<br/>整合结果]
    H --> P
    I --> P
    P --> O[返回用户]

Router Agent：根据用户意图决定调用谁。
子 Agent：各自处理专业领域。
Planner Agent：汇总输出，生成统一回复。

子 Agent 之间通过共享上下文对象、向量数据库等方式传递信息。

2.3 记忆：模型不会自动记住你

大模型本身没有长期记忆。对话轮数多了，它会“忘”掉 earlier 的关键信息。解决办法：

flowchart TD
    A[历史对话] --> B[滑动窗口<br/>保留最近 N 轮]
    B --> C[摘要压缩<br/>生成关键状态]
    C --> D[外部记忆存储<br/>Redis/向量库]
    D --> E[需要时检索注入 Prompt]

显式重复：把关键信息重新塞进 prompt。
摘要压缩：每 N 轮生成一次对话摘要。
外部存储：用 Redis、向量数据库保存用户画像和历史事件。
KV 缓存持久化：把历史对话的 Key-Value 缓存存起来，下一轮直接复用，减少重复计算和延迟。

2.4 异步工具调用：别让一个慢工具卡住整个对话

如果某个工具（比如查航班 API）要几秒才返回，Agent 不应该傻等。可以：

把工具调用做成异步任务。
给用户一个中间状态回复：“正在查询，请稍等。”
同时处理其他事情，工具返回后再继续。
用请求 ID 追踪每个调用，确保结果能匹配回上下文。

三、RAG：给大模型外接一个“知识库”

大模型训练数据有截止日期，也不会包含你的私有文档。RAG（Retrieval-Augmented Generation，检索增强生成）的思路是：在生成答案前，先从外部知识库检索相关内容，把检索结果作为上下文喂给模型。

3.1 RAG 的基本流程

flowchart LR
    Q[用户问题] --> R[检索模块]
    D[文档库] --> C[文档分块]
    C --> V[向量数据库]
    V --> R
    R --> M[Top-k 相关片段]
    M --> L[大模型]
    Q --> L
    L --> A[带依据的答案]

3.2 为什么要把文档切成块？

直接拿整篇文档做向量，效果不好，原因：

检索精度低：用户只关心其中一两段，整篇文档的向量会被不相关部分稀释。
嵌入模型有长度限制：BERT、MiniLM 等通常只能处理 512 token 左右。
细粒度匹配更好：小片段更容易和查询语义对齐。

但切块也会带来上下文缺失的问题。常用补救方法：

方法	思路	优点	缺点
滑动窗口 + 重叠	相邻块有重叠区域	保留局部上下文	存储冗余
带标题分块	每个块附带章节标题	增强结构感	对无结构文档效果有限
检索时扩展	召回相邻块一起送给模型	上下文完整	需要系统支持
多粒度索引	同时建“摘要级”和“原文级”索引	兼顾梗概与细节	实现复杂

3.3 向量检索不够，还要混合检索和重排序

向量检索擅长“语义相似”，但不擅长“精确关键词匹配”；传统关键词检索（如 BM25）正好反过来。所以生产环境常用混合检索：

flowchart LR
    Q[用户查询] --> A[向量检索<br/>Dense Retrieval]
    Q --> B[关键词检索<br/>BM25/TF-IDF]
    A --> F[候选结果]
    B --> F
    F --> R[Rerank<br/>Cross-Encoder]
    R --> K[Top-k 最相关片段]
    K --> L[大模型生成]

向量检索：找语义相近的文档。
关键词检索：补全精确匹配能力。
Rerank（重排序）：用更强的 Cross-Encoder 模型对召回结果精排。

3.4 为什么查询要改写？

用户提问往往口语化、不完整，直接拿去检索效果差。Query Rewriting 的目标是把问题改写成“更适合嵌入模型的语义表达”。

比如：

原问题：“他出生在哪？”
改写后：“Barack Obama was born in ?”

方法包括：LLM 改写、同义词扩展、模板化改写、指令式嵌入（如 E5 模型的 query: 前缀）。

3.5 检索到冲突或过时的信息怎么办？

检索前：做数据源筛选、时效性过滤。
检索中：多阶段 reranking，提升相关性。
生成前：在 prompt 里加防御性约束，比如“如果来源冲突，请说明”。
生成时：要求模型标注来源，输出可信度分数。
生成后：用一致性校验或外部验证器判断答案是否忠实于来源。

3.6 RAG 的可解释性

想让用户信任答案，最好告诉它“这个答案来自哪”。做法：

保留文档 ID、URL、时间戳。
做生成-来源对齐（Attribution），把生成内容逐句回溯到文档片段。
输出置信度分数：检索相似度、生成概率、验证器分数等。

3.7 多模态 RAG 与长期记忆

RAG 不限于文本。可以扩展到图像、视频：

用 CLIP 等模型把图像、文本映射到统一向量空间。
文档里的图表提取为图像块，保留位置信息。
视频按时间分段，提取关键帧 + ASR 文本。

AI 伴侣、企业知识库这类长期记忆场景，则需要：每日摘要、事件图谱、多层次召回、时间感知检索、经验版本控制（避免新经验覆盖旧经验）。

四、从面试题到工程实践：给初级开发者的建议

先跑通端到端，再优化局部。不要一上来就追求最先进的 reranker 或 Agent 框架，先用最简单的方式验证需求是否成立。
把 prompt 当代码管。纳入 Git，做版本控制，写回归测试。
评估比调参更重要。没有指标，就不知道改进是否有效。
上下文质量 > 上下文长度。塞太多无关信息，反而让模型抓不到重点。
有结构地失败。模型总会出错，关键是在出错时有兜底、有日志、能回滚。

结语

Part 2 的内容从“怎么写 prompt”一路延伸到“怎么搭 Agent、做 RAG”。对初级开发者来说，最重要的不是记住每个参数的具体数值，而是理解这些技术背后的工程思想：

提示工程 = 设计人与模型的接口协议；
Agent = 把单次调用扩展成有状态、有工具、有记忆的循环；
RAG = 用外部知识库补齐模型能力的缺口。

掌握这三块，你就已经能从“会调 API”进阶到“能搭 AI 应用”了。

参考：《生成式AI原理与实战 —— Part 2》

生成式AI原理与实战（Part 1）学习笔记：给初级开发者的 LLM 入门图解

Fri, 07 Nov 2025 15:18:31 +0800

生成式AI原理与实战（Part 1）学习笔记：给初级开发者的 LLM 入门图解

读完《生成式AI原理与实战 —— Part 1》后，我把 58 个问题整理成这篇文章。目标读者是刚接触 AI 的初中级开发者：你不用会推反向传播，但读完后应该能清楚地说出大模型是怎么“看”文本、怎么生成文本、以及怎么在实际任务里用它。

写在前面：为什么开发者要懂这些？

如果你只是调用 API，可能会觉得大模型就像一个“黑盒 HTTP 服务”。但真到做项目时，很多问题都和底层机制有关：

为什么同样的中文输入，不同模型算出来的 Token 数差很多？
为什么上下文不能无限长？
为什么模型做数学题会错？
RAG、Agent、微调这些词到底在解决什么问题？

这篇文章会用“概念 + 图 + 生活化类比”来回答。每张图都是帮助你建立直觉，而不是背公式。

一、大模型不是单一结构：三种 Transformer 架构

大模型基本都基于 Transformer。Transformer 最初有编码器 + 解码器，但后来发展出三种形态。

graph LR
    subgraph 仅编码器模型
        A1[输入文本] --> E1[Encoder<br/>双向 Self-Attention]
        E1 --> O1[理解结果/分类]
    end

    subgraph 仅解码器模型
        A2[前缀文本] --> D2[Decoder<br/>Masked Self-Attention]
        D2 --> O2[逐字生成<br/>自回归]
    end

    subgraph 编码器-解码器模型
        A3[输入文本] --> E3[Encoder]
        E3 --> D3[Decoder<br/>Cross-Attention]
        D3 --> O3[翻译/摘要]
    end

类型	代表	看上下文的方式	典型用途
仅编码器	BERT、RoBERTa	双向（整句一起看）	分类、检索、文本匹配
仅解码器	GPT、LLaMA、Mistral	单向（只能看左边）	续写、对话、代码生成
编码器-解码器	T5、BART	编码器双向 + 解码器单向	翻译、摘要、复杂生成

GPT 和原始 Transformer 的最大区别：GPT 把解码器单独拿出来，训练目标是“给定前文，预测下一个 token”，也就是自回归语言建模。这让 GPT 系列天然适合生成任务。

1.1 为什么 Transformer 比 RNN+Attention 强？

早期 LSTM/GRU 需要一步一步处理序列，计算是串行的。Transformer 的自注意力可以一次性看到整句话，所有位置并行计算。

并行：训练速度大幅提升。
长距离依赖：RNN 对很远距离的信息容易“遗忘”，自注意力让任意两个 token 直接建立联系。
结构统一：没有复杂的循环状态，更容易扩展成超大模型。

代价是计算复杂度为 O(n²)，n 是序列长度。这也是上下文窗口不能无限长的根本原因。

二、从文本到向量：Token 与 Embedding

大模型看不懂“字”，它只能处理数字。所以第一步是分词（Tokenization）。

flowchart LR
    T[原始文本] --> Token[Tokenizer 切分]
    Token --> ID[Token ID]
    ID --> Emb[Embedding 向量]
    Emb --> PE[加位置编码]
    PE --> In[输入 Transformer]

2.1 大模型分词器 vs 传统中文分词

对比	大模型 Tokenizer	传统中文分词
目标	给神经网络高效编码	切出符合语言学的“词”
粒度	子词、字符、字节，视词表而定	一般是词
OOV 处理	拆成子词/字节，几乎不会失败	拆成单字或按规则处理
例子	“hello” → [“hell”, “o”]	“人工智能” → [“人工”, “智能”]

给定一个词表，分词结果通常是唯一的。因为现代 Tokenizer 大多采用贪心最长匹配（BPE、WordPiece、Unigram 等），优先匹配最长的子词。

2.2 字节级 BPE 为什么更通用？

GPT-4、Llama 等模型使用 byte-level BPE：先把文本转成 UTF-8 字节序列，再在字节上做 BPE。

好处：

任何语言、Emoji、乱码、代码都能被编码，没有 OOV。
不需要为每种语言设计特殊预处理。
不同平台对 UTF-8 字节表示一致，迁移更稳定。

2.3 大模型怎么区分“用户说的”和“AI 说的”？

靠特殊 Token 和固定格式。训练时，对话会被包装成类似下面的结构：

<|user|> 今天天气怎么样？ <|assistant|> 今天天气很好，晴朗温暖。 <|end|>

模型在训练过程中学会了：看到 <|assistant|> 就知道要切换成回答模式。实际调用 ChatGPT、Claude 的 API 时，role: user/assistant/system 也是同样的道理。

2.4 工具调用时，输出怎么和文本回复区分？

模型通过输出格式约定区分：

普通回复：生成自然语言文本。
工具调用：生成结构化的 JSON / Function Call Schema。

服务端拿到输出后，检查结构：如果是 JSON，就执行工具；如果是文本，就直接返回给用户。训练阶段会通过 RLHF 告诉模型“该调用工具时不要废话，直接输出 JSON”。

三、静态 vs 上下文相关 Embedding

3.1 word2vec 的负例有什么用？

word2vec 有两种训练方式：CBOW 和 Skip-gram。Skip-gram + Negative Sampling 中，负例让训练从“对整个词表做 softmax”变成“对少量正例 + 负例做二分类”。

作用：

减少计算量：每次只更新少量向量。
学到区分性表示：正确搭配拉近，错误搭配推远。

3.2 静态 Embedding 和上下文相关 Embedding

特性	静态词嵌入（word2vec/GloVe）	上下文相关嵌入（BERT/GPT）
向量	每个词一个固定向量	每个词每次出现都不同
例子	“bank” 永远是一个向量	在 “river bank” 和 “investment bank” 中向量不同
结构	浅层神经网络	深层 Transformer
能力	捕捉共现关系	理解语义、消歧、语法

静态 Embedding 仍然有价值：轻量、快速、可解释、适合小数据和边缘设备。很多推荐系统、搜索召回场景仍然用 Embedding 模型。

flowchart LR
    subgraph 静态词嵌入
        W1[bank] --> V1[固定向量]
    end
    subgraph 上下文相关嵌入
        S1["river bank"] --> C1[向量A]
        S2["investment bank"] --> C2[向量B]
    end

四、LLM 的内部机制

4.1 模型怎么知道该停下来了？

训练数据每段文本末尾都有一个特殊 token，通常叫 <eos>（End of Sequence）。模型的训练目标是预测下一个 token，所以它会自然学会：当回答完整时，输出 <eos>。

推理时还有辅助规则：

达到最大生成长度。
输出 <eos> 立即停止。
检测到重复循环时停止。

4.2 训练时怎么防止偷看未来？

用 Causal Mask（因果掩码）。它是一个上三角矩阵，遮住当前位置右边的 token，让模型只能看到“过去”的信息。

graph TD
    subgraph 序列
        T1[token1]
        T2[token2]
        T3[token3]
        T4[token4]
    end
    T1 --> T1
    T2 --> T1
    T2 --> T2
    T3 --> T1
    T3 --> T2
    T3 --> T3
    T4 --> T1
    T4 --> T2
    T4 --> T3
    T4 --> T4

箭头表示“能看到”。token3 看不到 token4，这就是自回归的核心。

4.3 Self-Attention 到底在算什么？

每个 token 都有三个向量：

Q（Query）：我想找什么信息？
K（Key）：我是什么信息？
V（Value）：我的实际内容是什么？

计算步骤：

Q 和 K 做点积，得到注意力分数。
除以 √d_k，防止数值过大导致 softmax 太尖锐。
softmax 得到权重。
用权重对 V 做加权求和。

flowchart LR
    X[输入 X] --> Q[Query]
    X --> K[Key]
    X --> V[Value]
    Q --> DOT[Q × K^T]
    K --> DOT
    DOT --> SCALE[÷ √d]
    SCALE --> SOFT[softmax]
    SOFT --> MUL[× V]
    V --> MUL
    MUL --> OUT[输出]

为什么要除以 √d_k？ 因为维度越高，点积值越容易变大，softmax 会趋向“只有一个位置是 1，其他都是 0”的极端分布，梯度变小，训练不稳定。

4.4 为什么需要多头注意力？

多个头相当于多个“观察角度”：

有的头关注语法结构。
有的头关注相邻词。
有的头关注长距离依赖。

如果只用一个头，模型只能学一种注意模式，表达能力受限。

4.5 KV Cache：让生成变快的关键

生成文本时，模型是逐 token 生成的。如果没有 KV Cache，每生成一个新 token，都要重新计算前面所有 token 的 Attention，复杂度是 O(L²)。

有了 KV Cache：

已经生成过的 token 的 K 和 V 被缓存下来。
每次只需要计算新 token 的 Q，再和缓存中的 K、V 做 Attention。
复杂度变成 O(L)。

flowchart TB
    subgraph 无 KV Cache
        A1[生成 token1] --> A2[生成 token2<br/>重算 token1]
        A2 --> A3[生成 token3<br/>重算 token1, token2]
    end

    subgraph 有 KV Cache
        B1[生成 token1<br/>缓存 K1,V1] --> B2[生成 token2<br/>只算 Q2 + 读取 K1,V1]
        B2 --> B3[生成 token3<br/>只算 Q3 + 读取 K1~V2]
    end

为什么只缓存 K 和 V，不缓存 Q？ 因为 K、V 来自“已经生成的历史”，是固定的；Q 来自“当前要生成的这个新 token”，每次都要重新算。

4.6 残差连接、LayerNorm、FFN 各有什么用？

残差连接（Residual Connection）：把子层输入直接加回输出，缓解深层网络梯度消失，让训练更稳定。
LayerNorm：对每个样本内部做归一化，不依赖 batch 大小，适合 NLP。
RMSNorm：Llama-3 使用，去掉减均值步骤，计算更快更稳定。
FFN（前馈神经网络）：Attention 负责“看哪里”，FFN 负责“怎么理解”。两者缺一不可。

4.7 为什么大模型做数学题经常不准？

大模型本质是概率模式匹配器，不是计算器：

优化目标是“下一个 token 看起来合理”，不是“答案精确”。
训练数据里的数学推导质量参差不齐。
多步推理会累积误差。
没有内建算术引擎。

改善方法：提示工程、CoT（Chain-of-Thought）链式推理、调用外部计算器工具。但无法根治。

4.8 扩展上下文长度会带来的问题

把 8K 模型扩展到 32K，KV Cache 大小会变成 4 倍。同时 Attention 计算量和内存带宽需求也同步增加。

常用做法：

位置编码外推：RoPE 可以通过插值扩展范围。
继续训练：在长文本上继续训练一段时间，让模型适应新的长度分布。
打包训练 + Attention Mask：把多个短样本拼成一条长序列，用块对角掩码阻止它们互相看到。

4.9 Flash Attention 为什么能加速？

Flash Attention 没有减少总计算量，但大幅减少了对 HBM（GPU 显存）的访问。

把 Attention 拆成小块，在片上 SRAM 完成计算。
融合多个 kernel，减少数据搬运。
用 online softmax 增量维护最大值和归一化因子。

4.10 RoPE 比绝对位置编码强在哪？

原始 Transformer 把位置编码加到 Embedding 上，是加法的。RoPE（旋转位置编码）通过旋转 Q、K 向量把位置信息乘进去。

优势：

天然编码相对位置信息。
具备一定的长度外推能力。

挑战：超长上下文下，旋转角度增长过快，可能出现周期折叠和数值精度问题。

4.11 推测解码：用小模型加速大模型

思路：让小模型快速猜一串 token，大模型一次性批量验证。如果猜对了，直接接受；如果错了，从错的地方用大模型重新生成。

sequenceDiagram
    participant User
    participant Small as 小模型
    participant Large as 大模型

    User->>Small: 请生成候选 token
    Small->>Large: 提交候选序列
    Large->>Large: 一次性验证多个 token
    alt 全部正确
        Large-->>User: 直接返回候选结果
    else 第 k 个错误
        Large-->>User: 前 k-1 个接受，从 k 开始重新生成
    end

推测解码没有减少总计算量，但减少了“慢的大模型”的运行次数，从而降低延迟。

五、预训练 + 微调：两步范式

大模型不是一开始就会聊天、会做题的。它通常经历两个阶段：

flowchart LR
    PT[预训练<br/>海量无标注文本] -->|获得通用能力| FT[微调<br/>指令/人类偏好数据]
    FT -->|对齐人类价值观| Model[可用模型]

5.1 预训练让模型获得什么？

语言理解与生成能力。
世界知识和常识。
基本的推理和归纳能力。
跨任务泛化能力。

5.2 微调做什么？

指令遵循：学会按照用户要求组织答案。
问答能力：更准确、简洁、相关地回答问题。
对齐人类价值观：减少有害、偏见、违法内容。

这也是 Llama-3 8B 能比 Llama-1 70B 更强的关键原因之一：更好的数据、更优的训练方法、更系统的微调和对齐。

六、文本分类：Embedding 还是生成？

6.1 Embedding + 分类头

流程：

flowchart LR
    T[文本] --> M[Embedding 模型]
    M --> V[向量]
    V --> C[分类头<br/>Linear/MLP]
    C --> L[标签]

优点：推理快、成本低、类别可以很多、精度通常稳定。

6.2 生成模型直接分类

把分类任务写成 prompt，让模型直接输出类别文本。例如：

你是情感分析专家。请判断下面电影评论是 positive 还是 negative，只返回标签：
评论：这部电影太精彩了！

优点：零样本、少样本能力强，加新类别不用重新训练。缺点：推理慢、对 prompt 敏感、类别多时容易出错。

6.3 没有标注数据怎么办？

可以把分类变成文本相似度检索：

给每个类别写一段自然语言描述。
用 Embedding 模型把描述和待分类文本都变成向量。
计算余弦相似度，选最相似的类别。

标签描述的技巧：

用具体场景描述，而不是抽象词。
写成完整短句。
包含领域关键词。
长度适中（10-20 字左右）。
类别之间要有区分度。

6.4 Transformer 为什么比朴素贝叶斯强？

朴素贝叶斯假设：给定类别后，每个词都是条件独立的。这忽略了：

词语之间的相关性（如“银行”和“贷款”）。
语序信息（“这部电影不好看” vs “这部电影好看”）。
否定词、修饰语的语义反转。

Transformer 通过自注意力建模上下文关系，没有强独立性假设，因此表现更好。

七、文本聚类与主题建模

7.1 为什么有了生成式大模型，还需要 Embedding 模型？

生成模型擅长理解和生成，但不擅长：

对海量候选做快速相似度检索。
低延迟推荐。
大规模向量化索引。

推荐系统就是典型例子：先把商品/用户变成向量，再用向量数据库做近邻搜索，效率高、成本低。

7.2 从文档到主题的流程

flowchart LR
    Docs[大量文档] --> Prep[预处理]
    Prep --> Vec[向量化<br/>TF-IDF 或 Embedding]
    Vec --> Cluster[聚类<br/>KMeans / HDBSCAN]
    Cluster --> Topic[主题提取<br/>TF-IDF / c-TF-IDF / LLM]
    Topic --> Label[人工命名/标签]

7.3 词袋法 vs 文档嵌入

特性	词袋法 / TF-IDF	文档嵌入（BERT/SBERT）
表示	稀疏向量	稠密向量
上下文	不考虑	考虑
一词多义	不能处理	能处理
资源	快速轻量	需要模型和算力
可解释性	强	弱

词袋法在很多简单任务上仍是有效的基线，别急着上深度学习。

7.4 c-TF-IDF 改进在哪？

BERTopic 里的 c-TF-IDF 把统计单位从“文档”改成“主题（簇）”。

TF：某个词在主题内所有文档合并后的频率。
IDF：log(K / df)，K 是主题总数，df 是包含该词的主题数。

这样提取出来的关键词更能代表整个主题的共性，而不是单篇文档的特例。

7.5 聚类算法怎么选？

算法	优点	缺点	适合
K-Means	快、可扩展	需指定 K、对噪声敏感、只能找球形簇	大规模、簇形状规则
DBSCAN/HDBSCAN	自动识别噪声、任意形状	高维稀疏空间效果差、HDBSCAN 较慢	中小规模、噪声多

7.6 为什么把聚类和主题表示分开更好？

灵活性：聚类方法可以换，主题提取方法也可以换。
解释性：先聚类再从每簇提关键词，比联合模型更直观。
降噪：聚类只关心语义相似度，主题提取专注于代表性关键词。

7.7 主题关键词重叠怎么办？

可以尝试：

用 c-TF-IDF 提升每个主题的代表词独特性。
去掉停用词和高频无意义词。
合并过细的小簇后重新提取关键词。
用 MMR（Maximal Marginal Relevance）兼顾相关性和多样性。
换更好的语义嵌入模型。

7.8 BERTopic 离群点太多怎么办？

可能原因：

嵌入模型和领域不匹配。
文本太短，语义信息不足。
min_cluster_size 设置过大。
语料本身主题分散。

调整方法：减小 min_cluster_size、换 cluster_selection_method='leaf'、使用更适合短文本的嵌入模型（如 SimCSE、MiniLM）。

7.9 检测新兴主题

滑动窗口 + 动态聚类：按时间切分数据，追踪主题演化。
频率突变监测：统计词频增长率，发现突然火起来的词。
Embedding 演化分析：新聚类中心远离旧中心，说明出现新主题。

7.10 推荐系统冷启动怎么做？

阶段	推荐方式	方法
冷启动	内容理解	TF-IDF + KMeans / BERTopic
初始推荐	主题/相似内容	用户兴趣引导 + 主题中心匹配
有行为数据	协同过滤 + 内容	ItemCF / UserCF + 向量相似度
数据丰富	CTR 预估	FM / DNN / DSSM

八、写在最后

这篇笔记覆盖了《生成式AI原理与实战 —— Part 1》的 5 个章节。对初级开发者来说，最重要的不是记住每个公式，而是建立下面几个直觉：

大模型 = 分词 + 向量 + Transformer + 生成概率。
Transformer 的核心是 Attention：看哪里（QK）和拿什么信息（V）。
生成模型靠自回归逐 token 预测，每次只能看过去，靠 KV Cache 加速。
预训练给通识，微调给方向，对齐给安全。
Embedding 模型在检索、推荐、聚类场景仍然不可替代。

如果你能把这些讲给一位没做过 AI 的后端同事听明白，说明这篇文章的目的就达到了。

参考资料：《生成式AI原理与实战 —— Part 1》

Transformer 不完全图解：一个 AI 工程师需要理解到多深？

Thu, 06 Nov 2025 21:00:00 +0800

Transformer 不完全图解：一个 AI 工程师需要理解到多深？

做 AI 应用开发，不一定要会手推反向传播，但理解 Transformer 的基本工作原理非常有价值。这篇文章结合经典文章《The Illustrated Transformer》与《LLM 安全 | 大语言模型应用安全入门》中的图解，从零梳理我最常被人问到的几个核心问题。

一、为什么 AI 工程师需要懂 Transformer？

我自己是从 Java 后端转型到 AI 工程的，最初有个困惑：

「我只是调用 LLM API，为什么要懂 Transformer？」

后来在实际项目中发现，不懂底层会导致很多问题：

不知道 Token 是怎么切分的，导致成本估算偏差
不理解上下文窗口限制的本质，导致长文本处理方案选错
不明白 Attention 机制，做不好 RAG 和 Prompt 设计
不清楚自回归生成，理解不了为什么 LLM 会"胡编"

你不需要成为算法研究员，但需要知道模型在做什么、能力边界在哪里。

二、一句话理解 LLM：词语接龙预测器

如果你之前对 LLM 略有耳闻，很可能听过这个说法：

LLM 本质上是一个 Next Token Predictor（下一个 Token 预测器），也就是"词语接龙"。

但大多数解释到此为止。真正的问题是：它怎么知道下一个词该接什么？

答案可以简化成三步：

把文字变成数字：用 Embedding 把每个 Token 表示成向量
层层加工语义：用 Transformer 不断提炼上下文信息
输出概率分布：预测词表里每个 Token 出现的可能性，选最可能的那个

flowchart LR
    A["输入文本"] --> B["变成向量"]
    B --> C["多层 Transformer 加工"]
    C --> D["输出概率分布"]
    D --> E["选出下一个 Token"]

    style E fill:#fff4e1

三、从单词到向量：Embedding 是什么？

人类用字母表示单词，比如 C-A-T 表示"猫"。但神经网络只认识数字，所以我们需要把单词映射成词向量（word vector）。

例如，“cat” 可能被表示成这样一个向量：

[0.0074, 0.0030, -0.0105, 0.0742, …, 0.0002]

这个向量的维度通常是 300、1000、1536，甚至像 GPT-3 那样达到 12,288 维。

3.1 词向量的神奇性质

在训练好的词向量空间里，含义相近的词会离得很近。比如 “cat” 附近会有 dog、kitten、pet。

更神奇的是，词向量还能做"语义计算"：

biggest - big + small ≈ smallest
Paris - France + Germany ≈ Berlin
Swiss - Switzerland + Cambodia ≈ Cambodian

这种能力让模型不仅能"认识"词，还能在一定程度上"理解"词之间的关系。

3.2 词向量是怎么得到的？

早期的 word2vec 通过分析大量文本，让模型预测"一个词旁边常出现哪些词"，从而把语义相近的词放到相近的位置。

现代 LLM 不再单独训练词向量，而是把 Embedding 层作为模型的一部分，端到端地训练。但核心思想没变：把离散的符号映射成连续的、有意义的向量。

四、Transformer 总览：数据是怎么流动的？

2017 年，Google 发表论文《Attention Is All You Need》，提出了 Transformer 架构。它彻底改变了 NLP，也是 GPT、Claude、DeepSeek 等模型的基础。

下面这张图是原始 Transformer 的完整结构（包含 Encoder 和 Decoder）：

图片来源：《LLM 安全 | 大语言模型应用安全入门》

4.1 图中这些英文标签是什么意思？

第一次看到这张图，很多人会被里面的英文缩写吓到。其实它们都是高中数学/线性代数里很基础的操作：

标签	全称/含义	简单解释
MatMul	Matrix Multiplication	矩阵乘法。把两个矩阵按规则相乘，是神经网络里最常用的计算。
Dot-Product	点积	两个向量对应位置相乘再相加，结果越大表示两个向量越"像"。Attention 里用 Q 和 K 的点积来衡量"相关性"。
Scale	缩放	把点积结果除以 `√d_k`，防止数值太大导致 Softmax 梯度消失。
Mask	掩码	在 Decoder 里把"未来的 Token"遮起来（变成 -∞），让模型不能偷看答案。Encoder 不需要，所以是 opt.（可选）。
Softmax	归一化指数函数	把任意一组分数变成"概率分布"：都是正数，且加起来等于 1。
Linear	线性层	简单的 `y = xW + b`，也就是对向量做一次线性变换。

对应的标准 Attention 公式也要贴出来：

Attention(Q, K, V) = softmax(QK^T / √d_k) × V

一句话串起来：

Q 和 K 做 MatMul（这一步本质上在计算 Dot-Product）→ Scale → Mask（可选）→ Softmax 得到权重 → 权重再和 V 做 MatMul → 最后过 Linear 层。

对 AI 应用开发者来说，不需要记住每一个方块，但要理解整体数据流：

flowchart TD
    A[输入文本] --> B[Tokenizer<br/>切分成 Token]
    B --> C[Embedding 层<br/>Token → 向量]
    C --> D[位置编码<br/>加入位置信息]
    D --> E[多层 Transformer Block]
    subgraph "一个 Transformer Block 重复 N 次"
        E --> F[Masked Self-Attention<br/>带因果掩码的自注意力]
        F --> G[Add & Norm<br/>残差连接 + 层归一化]
        G --> H[Feed Forward Network<br/>前馈神经网络]
        H --> I[Add & Norm<br/>残差连接 + 层归一化]
    end
    I --> J[线性层 + Softmax]
    J --> K[词表上的概率分布]
    K --> L[采样/取最大概率<br/>得到下一个 Token]
    L --> M[拼回已生成序列<br/>继续预测]
    M --> E

一句话总结：文本先变成向量，再经过多层"Attention + FFN"的处理，最后预测下一个 Token。

五、Transformer 的每一层在做什么？

想象你读一句话：“John wants his bank to cash the “。

第一层 Transformer 可能会发现：wants 和 cash 在这里是动词；第二层会进一步澄清：his 指的是 John，bank 指的是金融机构而不是河岸。

每一层都在前一个层的基础上，给词向量"写注释”，帮助模型理解上下文。

图片来源：《LLM 安全 | 大语言模型应用安全入门》

这些"注释"人类无法直接解读，但它们以数字的形式存储在词向量中，并随着层数增加逐渐丰富。最终，最后一层输出的向量包含了预测下一个 Token 所需的全部信息。

六、从 Token 到向量：输入表示

6.1 Token 与 Embedding

用户输入一句话，比如「你好世界」，模型并不会直接理解汉字。首先要经过 Tokenizer 切分成 Token：

"你好世界" → ["你", "好", "世", "界"]
或
"你好世界" → ["你好", "世界"]

不同模型的 Tokenizer 不同，这也是为什么同样的中文文本，在不同模型里 Token 数可能差很多。

每个 Token 会被映射成一个向量，叫做 Embedding：

"你" → x₁ (一个 d 维向量)
"好" → x₂
"世" → x₃
"界" → x₄

用流程图表示：

flowchart LR
    A["原始文本：<br/>你好世界"] --> B["Tokenizer<br/>分词器"]
    B --> C["Token 序列：<br/>['你', '好', '世', '界']"]
    C --> D["Embedding 层<br/>查表/投影"]
    D --> E["向量序列：<br/>x₁, x₂, x₃, x₄"]

    style A fill:#e1f5e1
    style E fill:#fff4e1

6.2 位置编码

Transformer 本身没有顺序概念（它一次看到所有 Token），所以需要加入位置信息。原始 Transformer 用正弦/余弦函数生成位置编码：

PE(pos, 2i)   = sin(pos / 10000^(2i/d_model))
PE(pos, 2i+1) = cos(pos / 10000^(2i/d_model))

直观理解：位置编码向量的左半部分变化平缓（正弦），右半部分变化较快（余弦），中间会有明显的分隔。

最终输入向量是：

x_i = Embedding(token_i) + PE(pos_i)

flowchart LR
    A["Token Embedding<br/>你 → x₁"] --> C["相加"]
    B["位置编码<br/>pos=1 → PE₁"] --> C
    C --> D["最终输入向量<br/>x₁ + PE₁"]

    style D fill:#fff4e1

为什么需要位置编码？ 因为 Attention 机制本质上是对所有 Token 做"加权平均”，如果不告诉模型"谁在哪个位置"，“我爱你"和"你爱我"对它来说就完全没有区别。

七、Self-Attention：核心计算

7.1 Q、K、V 是怎么来的？

对于每个输入向量 x_i，分别乘以三个权重矩阵，得到：

q_i = x_i × W_q
k_i = x_i × W_k
v_i = x_i × W_v

Q（Query）：当前 Token 在问什么
K（Key）：每个 Token 能提供什么信息
V（Value）：每个 Token 的实际内容

W_q、W_k、W_v 是训练出来的，通过反向传播和梯度下降不断优化。

flowchart TD
    A["输入向量 x_i"] --> B["× W_q"]
    A --> C["× W_k"]
    A --> D["× W_v"]
    B --> E["q_i<br/>查询向量"]
    C --> F["k_i<br/>键向量"]
    D --> G["v_i<br/>值向量"]

    style E fill:#e1f5fe
    style F fill:#e1f5fe
    style G fill:#e1f5fe

7.2 Attention 分数计算：一步一步看

计算每个 Token 对其他 Token 的关注程度：

Attention(Q, K, V) = softmax(Q × K^T / √d_k) × V

以 “q₁”（对应 Token “你”）为例，整个过程可以拆成 4 步：

flowchart TD
    A["步骤 1：算相似度<br/>q₁ × k₁, q₁ × k₂,<br/>q₁ × k₃, q₁ × k₄"] --> B["步骤 2：缩放<br/>每个分数 ÷ √d_k"]
    B --> C["步骤 3：Softmax<br/>变成概率分布<br/>和为 1"]
    C --> D["步骤 4：加权求和<br/>概率 × [v₁, v₂, v₃, v₄]<br/>得到 z₁"]

    style D fill:#fff4e1

更具体地，对于序列中的每个位置：

flowchart LR
    Q1["q₁"] --> S["点积<br/>q₁·k₁, q₁·k₂, q₁·k₃, q₁·k₄"]
    K1["k₁, k₂, k₃, k₄"] --> S
    S --> D["÷ √d_k"]
    D --> SM["Softmax"]
    SM --> W["权重：<br/>0.5, 0.3, 0.1, 0.1"]
    V1["v₁, v₂, v₃, v₄"] --> SUM["加权求和"]
    W --> SUM
    SUM --> Z["z₁ = 0.5v₁ + 0.3v₂ + 0.1v₃ + 0.1v₄"]

    style Z fill:#fff4e1

z₁ 就是 “你” 这个 Token 经过 Self-Attention 后的新表示，它融合了整个句子的信息。

注意：上面的例子假设是双向 Self-Attention（Encoder 场景），所以位置 1 能看到所有位置。如果是 GPT 这类 Decoder-only 模型，由于有因果掩码，位置 1 只能看到自己，结果会变成 z₁ = 1.0 × v₁。只有最后一个位置（比如 z₄）才能看到所有 k₁, k₂, k₃, k₄。

7.3 多头 Attention

实际 Transformer 不会只算一组 Q/K/V，而是算多组（Multi-Head）。最后把多组结果拼接，再乘以 W_o：

Z = Concat(z_0, z_1, ..., z_h) × W_o

多头的好处是：不同头可以关注不同类型的信息，比如一个头关注语法，一个头关注语义。

flowchart TD
    A["输入 X"] --> B1["Head 1"]
    A --> B2["Head 2"]
    A --> B3["Head ..."]
    A --> B4["Head h"]

    B1 --> C1["z₁"]
    B2 --> C2["z₂"]
    B3 --> C3["..."]
    B4 --> C4["zₕ"]

    C1 --> D["Concat<br/>拼接"]
    C2 --> D
    C3 --> D
    C4 --> D

    D --> E["× W_o<br/>线性投影"]
    E --> F["最终输出 Z"]

    style F fill:#fff4e1

7.4 一个完整演算：输入 x₁, x₂，怎么预测 x₃？

前面讲了很多公式，现在用一个具体的 Decoder-only 例子把流程走一遍。

场景：用户已经输入了 x₁, x₂（比如「你」「好」），模型要预测下一个 Token x₃（比如「世」）。

第 1 步：生成 Q、K、V

每个输入向量各自乘以三个权重矩阵：

x₁ → q₁, k₁, v₁
x₂ → q₂, k₂, v₂

第 2 步：应用因果掩码

Decoder 不能偷看未来，所以 2×2 的掩码矩阵是：

[[0, -∞],
 [0,  0]]

含义：

位置 1 只能看到位置 1
位置 2 能看到位置 1 和位置 2

flowchart LR
    subgraph "位置 1"
        A1["只能看到 x₁"]
    end
    subgraph "位置 2"
        A2["可以看到 x₁, x₂"]
    end
    A1 --> A2

第 3 步：计算 z₁

位置 1 被掩码挡住了 x₂，所以：

分数 = [q₁·k₁/√d_k,  -∞]
       ↓ Softmax
权重 = [1.0,  0.0]

z₁ = 1.0 × v₁ + 0.0 × v₂ = v₁

flowchart LR
    Q1["q₁"] --> S["点积<br/>q₁·k₁, -∞"]
    K1["k₁, k₂"] --> S
    S --> D["÷ √d_k"]
    D --> SM["Softmax<br/>→ [1.0, 0.0]"]
    SM --> W["权重"]
    V1["v₁, v₂"] --> SUM["加权求和"]
    W --> SUM
    SUM --> Z["z₁ = v₁"]

    style Z fill:#fff4e1

第 4 步：计算 z₂

位置 2 可以看到 x₁ 和 x₂：

分数 = [q₂·k₁/√d_k,  q₂·k₂/√d_k]
       ↓ Softmax
权重 = [0.3,  0.7]   ← 假设的示例值

z₂ = 0.3 × v₁ + 0.7 × v₂

flowchart LR
    Q2["q₂"] --> S["点积<br/>q₂·k₁, q₂·k₂"]
    K2["k₁, k₂"] --> S
    S --> D["÷ √d_k"]
    D --> SM["Softmax<br/>→ [0.3, 0.7]"]
    SM --> W["权重"]
    V2["v₁, v₂"] --> SUM["加权求和"]
    W --> SUM
    SUM --> Z["z₂ = 0.3v₁ + 0.7v₂"]

    style Z fill:#fff4e1

第 5 步：用 z₂ 预测 x₃

只有最后一个位置 z₂ 才包含"已输入全部信息”，所以：

flowchart LR
    Z2["z₂"] --> L["Linear<br/>线性层"]
    L --> SM["Softmax"]
    SM --> P["词表概率分布"]
    P --> X3["选出概率最大的 Token<br/>即 x₃"]

    style X3 fill:#fff4e1

z₁ 有必要算吗？

这个问题要分"概念上"和"工程实现上"两层来理解。

概念上：如果你只想预测 x₃，那确实只需要 z₂。z₁ 对应的是预测 x₂，不是 x₃。

工程实现上：标准 Transformer 在前向传播时会一次性把 z₁, z₂ 都算出来（因为矩阵运算适合并行）。所以 z₁ 通常还是被算了，只是它的输出被丢弃，不参与生成 x₃。

那因果掩码还有必要吗？

有必要，原因有两个：

架构是统一的：Transformer 不知道你这次只想要 z₂，它仍然按同样的规则处理所有位置。既然要算 z₁，就必须对 z₁ 应用掩码，防止它偷看 x₂。
Prompt 阶段需要并行：实际推理时，对于用户输入的整段 Prompt（比如 [x₁, x₂]），模型通常是一次性并行算出所有位置的，而不是一个一个算。这时候如果不加掩码，z₁ 就会看到后面的 x₂，破坏因果性。

KV Cache 优化：在生成后续 Token 时（比如已经生成到 [x₁, x₂, x₃]，要预测 x₄），工程上会把之前算好的 K、V 缓存起来，只计算新位置。这时 z₁、z₂ 确实不会被重复计算，但因果掩码仍然保留在架构中。

八、看看真实模型长什么样：GPT-3 的维度

理论知识看多了，看看真实模型的尺寸会更有体感。下面是一张手绘风格的 GPT-3 结构图：

图片来源：《LLM 安全 | 大语言模型应用安全入门》

从这张图可以看到几个关键数字：

词向量维度：12,288 —— 每个 Token 用 12,288 个数字表示
上下文长度：2,048 —— GPT-3 一次能处理 2,048 个 Token
层数：96 层 —— 同样的 Transformer Block 重复 96 次
参数量：约 1,750 亿 —— 这些参数就是 W_q、W_k、W_v、W_o、W₁、W₂ 等矩阵

你可以把这些高维向量看作"草稿纸"，前面的层写下的注释可以被后面的层读取和修改，模型就这样逐层加深对上下文的理解。

这也解释了为什么**上下文窗口（context window）**不是无限的：每个 Token 都要和上下文里所有 Token 计算 Attention，长度越长，计算和显存开销越大。

九、Add & Norm 与 FFN

9.1 残差连接

Self-Attention 的输出会做一个残差连接：

Output = LayerNorm(Z + X)

也就是把 Attention 前的输入 X 和 Attention 后的输出 Z 相加，再 Layer Normalization。

残差连接的作用：

缓解梯度消失，帮助深层网络训练
保留原始输入信息，避免 Attention 过度改变表示

flowchart TD
    A["输入 X"] --> B["Self-Attention"]
    B --> C["Z"]
    A --> D["相加<br/>X + Z"]
    C --> D
    D --> E["LayerNorm"]
    E --> F["输出"]

    style F fill:#fff4e1

9.2 Feed Forward Network

每个位置独立经过两层全连接：

FFN(x) = max(0, x × W₁ + b₁) × W₂ + b₂

注意：

中间用 ReLU 激活
通常先升维（4 倍），再降维回原维度
每个位置独立计算，不跨位置交互

FFN 的作用是为模型引入非线性变换能力，增强表达能力。

flowchart LR
    A["输入 x"] --> B["线性层 1<br/>x × W₁ + b₁"]
    B --> C["ReLU 激活<br/>max(0, ...)"]
    C --> D["线性层 2<br/>× W₂ + b₂"]
    D --> E["输出"]

    style E fill:#fff4e1

9.3 一个完整的 Transformer Block

把上面的模块拼起来，就是一个标准的 Transformer Block：

flowchart TD
    A["输入 X"] --> B["Masked Self-Attention"]
    B --> C["X + Attention输出"]
    A --> C
    C --> D["LayerNorm"]
    D --> E["FFN"]
    E --> F["D + FFN输出"]
    D --> F
    F --> G["LayerNorm"]
    G --> H["输出"]

    style H fill:#fff4e1

这个 Block 会重复堆叠几十层（比如 GPT-3 有 96 层）。每一层都在前一层的基础上进一步提炼信息。

十、Decoder 与自回归生成

10.1 编码器 vs 解码器

原始 Transformer 有 Encoder 和 Decoder：

Encoder：读取整个输入序列，生成上下文表示
Decoder：根据已生成的 Token，逐个预测下一个 Token

但我们常用的 GPT、DeepSeek、Claude 等都是 Decoder-only 结构，只有解码器。

flowchart TD
    subgraph "原始 Transformer"
        A["输入序列"] --> B["Encoder"]
        B --> C["上下文表示"]
        C --> D["Decoder"]
        D --> E["输出序列"]
    end

    subgraph "GPT / Claude / DeepSeek<br/>Decoder-only"
        F["已生成 Token"] --> G["Decoder"]
        G --> H["预测下一个 Token"]
        H --> I["拼回输入"]
        I --> F
    end

10.2 因果掩码

Decoder 在训练和推理时都不能偷看未来的 Token，所以要用因果掩码（Causal Mask）。它用一个 4×4 的下三角矩阵表示：

[[0, -∞, -∞, -∞],
 [0,  0, -∞, -∞],
 [0,  0,  0, -∞],
 [0,  0,  0,  0]]

上三角为 -∞，经过 softmax 后变成 0，从而实现"不能看未来"的约束。

flowchart LR
    subgraph "位置 1"
        A1["只能看到自己<br/>你"]
    end
    subgraph "位置 2"
        A2["可以看到<br/>你、好"]
    end
    subgraph "位置 3"
        A3["可以看到<br/>你、好、世"]
    end
    subgraph "位置 4"
        A4["可以看到<br/>你、好、世、界"]
    end

    A1 --> A2 --> A3 --> A4

10.3 预测下一个 Token

Decoder 最后一个位置的隐藏状态 h_t，经过线性层和 softmax，得到词表上的概率分布：

logits = W_o × h_t + b_o
probabilities = softmax(logits)

词表通常有几万维，每一维代表一个 Token 的概率。选择概率最高的 Token 作为输出。

flowchart LR
    A["最后一个隐藏状态 h_t"] --> B["线性层<br/>W_o × h_t + b_o"]
    B --> C["Logits<br/>词表大小维度的分数"]
    C --> D["Softmax"]
    D --> E["概率分布"]
    E --> F["取 argmax<br/>或采样"]
    F --> G["下一个 Token"]

    style G fill:#fff4e1

10.4 为什么预测的是 t+1？

训练时，输入序列的每个位置 i 都对应一个标签：下一个位置 i+1 的 Token。

输入：[你， 好， 世， 界]
标签：[好， 世， 界， EOS]

所以位置 i 的隐状态 h_i 被训练来预测位置 i+1。

推理时，模型每次用已生成的所有 Token 预测下一个 Token，然后把它拼回输入，继续预测。

10.5 自回归生成流程

自回归的核心就是"一步一步来"：

flowchart LR
    A["输入：你"] --> B["预测：好"]
    B --> C["输入：你好"]
    C --> D["预测：世"]
    D --> E["输入：你好世"]
    E --> F["预测：界"]
    F --> G["输入：你好世界"]
    G --> H["预测：EOS"]
    H --> I["结束"]

    style I fill:#fff4e1

10.6 训练 vs 推理：有什么不一样？

flowchart TD
    subgraph 训练阶段
        A["输入：你好世界"] --> B["一次前向传播"]
        B --> C["同时计算所有位置"]
        C --> D["位置1 预测 好<br/>位置2 预测 世<br/>位置3 预测 界<br/>位置4 预测 EOS"]
    end

    subgraph 推理阶段
        E["输入：你"] --> F["预测 好"]
        F --> G["输入：你好"]
        G --> H["预测 世"]
        H --> I["..."]
    end

关键区别：训练时和推理时都会用因果掩码，区别在于——训练时可以一次性输入整句话，并行计算所有位置（同时得到所有位置的预测结果）；推理时只能一个一个地生成，每次把已生成的 Token 拼回去再预测下一个。

10.7 生成什么时候结束？

通常有两个停止条件：

生成了结束符 EOS（End of Sequence）
达到了预设的最大生成长度

实际工程中还会加上停止字符串等兜底策略。

flowchart TD
    A["模型预测下一个 Token"] --> B{"是 EOS 吗？"}
    B -->|是| C["结束生成"]
    B -->|否| D{"超过最大长度？"}
    D -->|是| C
    D -->|否| E["拼回输入<br/>继续预测"]
    E --> A

十一、模型是怎么训练出来的？

理解 Transformer 的结构后，再来看模型是怎么"学会"的。整个过程可以分成两个阶段：

预训练（Pre-training）：让模型学会语言的基本规律
微调（Fine-tuning）：让模型学会遵循指令、生成有用回答

图片来源：《LLM 安全 | 大语言模型应用安全入门》

11.1 预训练：词语接龙

预训练阶段，模型会阅读海量文本（网页、书籍、维基百科等），学习目标很简单：给定前 N 个 Token，预测第 N+1 个 Token。

例如：

今天是个好天气，我准备去____

模型会预测"公园"、“超市”、“图书馆"等词的概率。预测错了就调整参数，预测对了也微调，让概率分布更接近真实世界。

GPT-3 的预训练数据构成如下：

图片来源：《LLM 安全 | 大语言模型应用安全入门》

可以看到：

Common Crawl 占大头，但经过了过滤
WebText2 是高质量网页文本
Books1/Books2 是书籍数据
Wikipedia 虽然量少但质量高

Common Crawl 的数据来源非常广泛：

图片来源：《LLM 安全 | 大语言模型应用安全入门》

预训练完成后得到的是基座模型（Base Model）。它很擅长"续写”，但不一定擅长对话或遵循指令。比如你让它"写一首关于月亮的诗"，它可能只会开始写关于月亮的百科介绍。

11.2 微调：让模型变成"助手"

微调阶段，研究人员会准备大量高质量的"指令-回答"数据对，比如 Alpaca 数据集：

图片来源：《LLM 安全 | 大语言模型应用安全入门》

每一行包含：

Instruction：任务指令
Input：可选的输入上下文
Output：期望的回答
Text：拼接后的完整训练样本

通过在这些数据上继续训练，模型学会了理解指令、按格式输出、拒绝有害请求等能力，最终变成我们日常使用的助手模型（Assistant Model）。

11.3 RLHF：人类反馈强化学习

更进一步的训练还会用到 RLHF（Reinforcement Learning from Human Feedback）：

让模型对同一个问题生成多个回答
人类标注员比较哪个回答更好
用这些比较数据训练一个"奖励模型"
用奖励模型指导基座模型生成更人类喜欢的回答

图片来源：《LLM 安全 | 大语言模型应用安全入门》

为什么用"比较"而不是"写答案"？因为对人类来说，判断哪个回答更好往往比自己写回答容易得多。

十二、上下文窗口的限制

前文提到，Transformer 的上下文窗口不是无限的。GPT-3 只有 2,048 个 Token，GPT-4 后来扩展到 128K，但即便如此，长上下文下的信息检索也会下降。

下面这张图是著名的"大海捞针"测试（Needle In A Haystack）：把一条关键信息藏在长文档的不同位置，然后让模型回答相关问题。

图片来源：《LLM 安全 | 大语言模型应用安全入门》

绿色表示模型能准确找到信息，红色/黄色表示失败。可以看到：

当文档较短时，模型几乎全能找到
当文档很长、且关键信息位于中间位置时，准确率明显下降
这就是常说的 “Lost in the Middle” 问题

对 AI 工程师的启示：

不要把整本书直接塞进 Prompt
做 RAG 时，召回的 chunk 要尽量精准
关键信息尽量放在上下文的开头或结尾

十三、这些知识在工程中有什么用？

13.1 理解 Token 消耗

模型的输入和输出都按 Token 计费。理解 Tokenizer 后，你会知道：

为什么中文比英文更"贵"
为什么同样的 Prompt 在不同模型上价格不同
为什么长文本容易超出上下文窗口

13.2 设计更好的 RAG

Attention 机制让模型能关注输入中的相关信息。做 RAG 时：

召回的 chunk 要尽量相关
上下文不能太长，否则注意力会稀释
关键信息要放在 Prompt 的重要位置

13.3 理解 LLM 的局限性

LLM 是自回归生成，每次只预测下一个 Token，所以会出现"说胡话"
没有真正的推理，只是概率模式匹配
上下文窗口有限，不能无限记忆

这些认知会直接影响你的产品设计方案。

十四、延伸：DeepSeek 的 MLA

传统 Transformer 的 Attention 需要保存每个 Token 的 K 和 V，显存开销大。

DeepSeek 的 MLA（Multi-head Latent Attention） 做了压缩：不再直接存储完整的 K/V，而是存储一个低维的潜在向量，推理时动态解压。

这样显著降低了显存占用，让长上下文推理更便宜。

对于应用开发者来说，这意味着：

长上下文能力的成本在下降
未来可以设计更复杂的 Agent 工作流
但仍要关注 Token 成本

flowchart LR
    subgraph "传统 Attention"
        A1["每个 Token 存储完整 K, V"] --> B1["显存占用大"]
    end

    subgraph "MLA"
        A2["每个 Token 存储低维潜在向量"] --> B2["推理时动态解压为 K, V"]
        B2 --> C2["显存占用小"]
    end

十五、总结

Transformer 不需要你推导每个公式，但核心机制要知道：

输入：Token → Embedding + 位置编码
Attention：Q/K/V 计算，softmax 得到关注权重
残差与 FFN：帮助深层网络训练和非线性表达
Decoder：因果掩码 + 自回归生成
输出：线性层 + softmax 预测下一个 Token
训练：预训练学语言规律，微调学指令遵循

作为 AI 工程师，理解这些不是为了造模型，而是为了更好地使用模型、设计产品、控制成本。

flowchart TD
    A["输入文本"] --> B["Token + Embedding"]
    B --> C["位置编码"]
    C --> D["Multi-Head Self-Attention"]
    D --> E["Add & Norm"]
    E --> F["FFN"]
    F --> G["Add & Norm"]
    G --> H["重复 N 层"]
    H --> I["Linear + Softmax"]
    I --> J["预测下一个 Token"]

    style J fill:#fff4e1

你对 Transformer 的哪个部分最困惑？欢迎在评论区讨论。

参考文章：

《深度学习的数学》核心算法学习总结：从梯度下降到 CNN 反向传播（中学生友好版）

Sat, 01 Nov 2025 11:16:00 +0800

《深度学习的数学》核心算法学习总结

目标读者：学过函数、导数、向量/矩阵基础的中学生生或刚转行的工程师。
参考书籍：涌井良幸《深度学习的数学》
Excel 示例：https://www.ituring.com.cn/book/2593

写在前面：为什么要先搞懂这 5 个算法？

深度学习的代码看起来很复杂，但核心无非是这五个环节：

梯度下降法：告诉模型“往哪走、走多远”。
NN 求解器：用 Excel/数值方法直接“暴力”找出神经网络权重。
NN 误差反向传播法：用导数的链式法则高效计算每个权重的调整量。
CNN 求解器：把同样的思路用到图像上，用卷积和池化提取特征。
CNN 误差反向传播法：把反向传播扩展到卷积层和池化层。

下面每一节都会先讲直觉，再给公式、例子、图解和踩坑经验。

一、梯度下降法（Gradient Descent）

1.1 一句话理解

想象你蒙着眼睛站在山坡上，想走到最低点。你每一步都：用脚感觉最陡的方向，然后朝相反方向跨一小步。重复很多次，就能接近山谷。

“最陡的方向” = 梯度（gradient）。
“相反方向” = 梯度前面加负号。
“一小步” = 学习率 η（eta）。

1.2 数学表达式

要找函数 $z = f(x, y)$ 的最小值，每一步：

$$ \begin{aligned} x_{\text{新}} &= x_{\text{旧}} - \eta \cdot \frac{\partial z}{\partial x} \\ y_{\text{新}} &= y_{\text{旧}} - \eta \cdot \frac{\partial z}{\partial y} \end{aligned} $$

其中 $\frac{\partial z}{\partial x}$ 读作“z 对 x 的偏导数”，意思是：只有 x 动一点点时，z 会变多少。

1.3 计算例子：z = x² + y²

这是最简单的碗状函数，最小值在 $(0, 0)$。

偏导数很容易算：

$$ \begin{aligned} \frac{\partial z}{\partial x} &= 2x \\ \frac{\partial z}{\partial y} &= 2y \end{aligned} $$

取学习率 $\eta = 0.1$，起点 $(3, 2)$：

步数 $i$	$x_i$	$y_i$	$\frac{\partial z}{\partial x}$	$\frac{\partial z}{\partial y}$	$\Delta x$	$\Delta y$	$z = x^2 + y^2$
0	3.00	2.00	6.00	4.00	-0.60	-0.40	13.00
1	2.40	1.60	4.80	3.20	-0.48	-0.32	8.32
2	1.92	1.28	3.84	2.56	-0.38	-0.26	5.32
3	1.54	1.02	3.07	2.05	-0.31	-0.20	3.41
4	1.23	0.82	2.46	1.64	-0.25	-0.16	2.18
13	0.16	0.11	0.33	0.22	-0.03	-0.02	0.04
18	0.05	0.04	0.11	0.07	-0.01	-0.01	0.00
30	0.00	0.00	0.01	0.00	0.00	0.00	0.00

可以看到：z 越来越小，x、y 越来越靠近 0。Excel 文件 2-11 梯度下降法.xlsx 就是用完全相同的公式做出来的。

1.4 流程图

flowchart TD
    A[初始化参数 x, y] --> B[计算当前梯度]
    B --> C{梯度是否足够小？}
    C -->|是| D[结束，得到近似最优解]
    C -->|否| E[按 x := x - η·grad 更新]
    E --> B

1.5 结构分解图

flowchart LR
    subgraph 输入
        X["x"]
        Y["y"]
    end
    subgraph 目标函数
        F["z = x² + y²"]
    end
    subgraph 输出
        G["梯度 (∂z/∂x, ∂z/∂y)"]
        L["当前损失 z"]
    end
    X --> F
    Y --> F
    F --> G
    F --> L
    G --> U["更新 x, y"]
    U --> X

1.6 使用注意点 / 避坑指南

坑	现象	处理方法
学习率 η 太大	左右震荡、loss 不下降甚至发散到 NaN	先设小一点（如 0.001、0.01），再调大
学习率 η 太小	收敛极慢，训练一万轮还在原地	逐步放大，或使用学习率衰减/热身
局部最小值	卡在不是全局最低的山谷	换初始化、用 Momentum/Adam、增加随机性
特征尺度不一致	某个参数梯度特别大，更新不稳定	先标准化/归一化输入数据
没有检查收敛	一直在迭代，不知道何时停	设定 loss 阈值、最大迭代次数或早停 Early Stopping

1.7 异常场景处理

Loss 变成 NaN/Inf：立刻减小学习率，检查输入是否归一化，检查是否出现 log(0) 或除零。
Loss 不动：检查梯度是否接近 0（可能进入平台或死区），换激活函数（如 ReLU），或减少正则化。
Loss 震荡不下降：学习率过大，改用 Momentum 或 Adam，或者降低 batch size。

二、NN 求解器（用优化器/求解器训练神经网络）

2.1 神经网络在做什么？

神经网络 = 很多层“加权求和 + 激活函数”拼在一起。

以书中“0 和 1 的识别”为例：

输入：3×4 = 12 个像素（0 或 1）。
隐藏层：3 个神经元。
输出层：2 个神经元，分别代表“是 0”还是“是 1”。

下面就是它的经典结构图：

flowchart LR
    subgraph 输入层["输入层（12 个像素）"]
        I1((x₁))
        I2((x₂))
        I3((x₃))
        IDOTS[...]
        I12((x₁₂))
    end
    subgraph 隐藏层["隐藏层（3 个神经元）"]
        H1((h₁))
        H2((h₂))
        H3((h₃))
    end
    subgraph 输出层["输出层（2 个神经元）"]
        O1((是 0))
        O2((是 1))
    end

    I1 --> H1
    I1 --> H2
    I1 --> H3
    I2 --> H1
    I2 --> H2
    I2 --> H3
    I3 --> H1
    I3 --> H2
    I3 --> H3
    I12 --> H1
    I12 --> H2
    I12 --> H3

    H1 --> O1
    H1 --> O2
    H2 --> O1
    H2 --> O2
    H3 --> O1
    H3 --> O2

每个箭头都代表一个权重 w，每个圆圈（神经元）里都会做“加权求和 + 激活函数”。

2.2 前向传播公式

对单个神经元：

$$ \begin{aligned} \text{加权求和：} \quad z &= w_1 x_1 + w_2 x_2 + \dots + w_n x_n + b \\ \text{激活输出：} \quad a &= \sigma(z) = \frac{1}{1 + e^{-z}} \end{aligned} $$

σ 叫 Sigmoid 函数，能把任意实数压到 0-1 之间，适合当“概率”。

如果写成更清晰的“层”形式：

隐藏层第 j 个神经元：

$$ \begin{aligned} z_j^{(2)} &= \sum_{i=1}^{12} w_{ji}^{(1)} \cdot x_i + b_j^{(1)} \\ a_j^{(2)} &= \sigma\left(z_j^{(2)}\right) \end{aligned} $$

输出层第 k 个神经元：

$$ \begin{aligned} z_k^{(3)} &= \sum_{j=1}^{3} w_{kj}^{(2)} \cdot a_j^{(2)} + b_k^{(3)} \\ a_k^{(3)} &= \sigma\left(z_k^{(3)}\right) \end{aligned} $$

$x_i$：输入像素（12 个）。
$w_{ji}^{(1)}$：输入到隐藏层的权重。
$b_j^{(1)}$：隐藏层的偏置。
$a_j^{(2)}$：隐藏层输出。
$w_{kj}^{(2)}$：隐藏层到输出层的权重。
$b_k^{(3)}$：输出层的偏置。

2.3 Excel 里的实现（测试表）

在 3-5 NN（求解器）.xlsx 的“测试”表中，核心公式长这样：

# 隐藏层第一个神经元
=SUMPRODUCT(L5:N8, $D$5:$F$8) + $G$5

# Sigmoid 激活
=1/(1+EXP(-O11))

# 输出层
=MMULT($D$17:$F$17, O14:O16) + $G$17

对应上面的数学公式：

Excel 公式	数学含义	Excel 函数说明
`SUMPRODUCT(L5:N8, $D$5:$F$8)`	$\sum_{i=1}^{12} w_i \cdot x_i$	把两个区域里对应位置相乘，再把所有乘积加起来，本质就是向量的点积/内积。这里输入像素放在 `L5:N8`，对应权重放在 `$D$5:$F$8`。
`+ $G$5`	$+ b_j^{(1)}$	加上隐藏层第 1 个神经元的偏置。
`1/(1+EXP(-O11))`	$\sigma(z) = \frac{1}{1 + e^{-z}}$	Sigmoid 激活函数。
`MMULT($D$17:$F$17, O14:O16)`	$\sum_{j=1}^{3} w_{kj}^{(2)} \cdot a_j^{(2)}$	矩阵乘法。`$D$17:$F$17` 是 1×3 的输出行权重，`O14:O16` 是 3×1 的隐藏层输出列向量，乘出来是一个标量。
`+ $G$17`	$+ b_k^{(3)}$	加上输出层第 k 个神经元的偏置。

一句话总结：Excel 里先用 SUMPRODUCT 做点积，再用 MMULT 做矩阵乘法，最后都加上偏置、过 Sigmoid。

2.4 计算例子

例子 1：隐藏层神经元（SUMPRODUCT 在算什么）

完整公式是：

$$ z_j^{(2)} = \sum_{i=1}^{12} w_{ji}^{(1)} \cdot x_i + b_j^{(1)} $$

为了手写方便，下面只看前 3 个输入和权重，演示这个过程。假设：

$$ \mathbf{w} = [-2.06,\ 3.36,\ -0.63]^\top,\quad b = -0.99,\quad \mathbf{x} = [1,\ 1,\ 1]^\top $$

$$ \begin{aligned} z &= (-2.06) \times 1 + 3.36 \times 1 + (-0.63) \times 1 + (-0.99) \\ &= -0.32 \\[6pt] a &= \sigma(-0.32) = \frac{1}{1 + e^{0.32}} \approx 0.42 \end{aligned} $$

Excel 里会用 SUMPRODUCT(L5:N8, $D$5:$F$8) 一次性把 12 项都乘好再加起来，然后 + $G$5 加上偏置。

例子 2：输出层神经元（MMULT 在算什么）

隐藏层输出（来自书中 Excel 第一个样本的近似值）：

$$ \mathbf{a}^{(2)} = [1.5 \times 10^{-6},\ 0.99999999,\ 0.99999997]^\top $$

输出神经元 1 的权重和偏置：

$$ \mathbf{w}_1^{(2)} = [-14.25,\ -3.70,\ 9.33],\quad b_1^{(2)} = 6.64 $$

输出层的计算就是一次 1×3 矩阵 × 3×1 向量：

$$ \begin{aligned} z_1^{(3)} &= (-14.25) \times 1.5 \times 10^{-6} + (-3.70) \times 0.99999999 + 9.33 \times 0.99999997 + 6.64 \\ &\approx -3.70 + 9.33 + 6.64 \\ &\approx 12.28 \\[6pt] a_1^{(3)} &= \sigma(12.28) \approx 0.999995 \end{aligned} $$

含义：模型非常确信这个样本是“0”。Excel 里的 MMULT($D$17:$F$17, O14:O16) 做的就是这一步矩阵乘法。

2.5 流程图

flowchart LR
    I["输入图像像素 x"] --> W1["隐藏层加权求和 z²"]
    W1 --> A1["Sigmoid 激活 a²"]
    A1 --> W2["输出层加权求和 z³"]
    W2 --> A2["输出概率 a³"]
    A2 --> C["计算损失 C"]
    C --> S["Excel 求解器调整 w, b"]
    S --> W1

2.6 使用注意点 / 避坑

求解器=黑盒：Excel Solver 是通过数值方法搜索最优解，参数多的时候很慢，且容易陷入局部最优。
权重初始化别全 0：如果所有权重相同，所有神经元学到的东西也相同，模型退化成“单神经元”。
数据量不能太少：书中只有几十张图是为了教学，真实项目通常需要成千上万张。
输出层要配对损失函数：二分类用 Sigmoid + 交叉熵，多分类用 Softmax + 交叉熵。

2.7 异常场景处理

求解器提示“找不到可行解”：检查公式是否有 #VALUE!、输入是否规范、约束是否合理。
训练集准确率 100% 但测试集很差：过拟合，增加数据或加正则化/Dropout。
输出全是一个类别：标签不平衡，或最后一层权重初始化导致，检查损失函数是否写对。

三、NN 误差反向传播法（Backpropagation）

3.1 核心思想：链式法则

反向传播就是从输出倒推，计算每个权重对最终误差的贡献。

中学学过的复合函数求导：

如果 $y=f(u)$，$u=g(x)$，那么 $\frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx}$。

神经网络层数很多，就是一层一层套起来的复合函数。反向传播只是把链式法则系统化地算一遍。

3.2 计算图

flowchart LR
    X["x"] --> M["× w"]
    B["b"] --> S["+ b = z"]
    M --> S
    S --> A["Sigmoid a"]
    A --> L["损失 C"]
    L --> D["反向求 ∂C/∂w, ∂C/∂b"]
    D --> M
    D --> B

3.3 反向传播公式（简化版）

设某层输出为 $a$，加权输入为 $z$，下一层传来的误差为 $\delta_{\text{next}}$：

$$ \begin{aligned} \delta &= \delta_{\text{next}} \cdot w \cdot \sigma’(z) \\ \frac{\partial C}{\partial w} &= a_{\text{prev}} \cdot \delta \\ \frac{\partial C}{\partial b} &= \delta \end{aligned} $$

其中 $\sigma’(z)$ 是 Sigmoid 的导数：

$$ \sigma’(z) = \sigma(z) \cdot (1 - \sigma(z)) $$

3.4 计算例子

假设只有一个输入 x = 1，目标输出 t = 1。

网络：

$$ \begin{aligned} z &= w \cdot x + b \\ a &= \sigma(z) \\ C &= \frac{1}{2}(a - t)^2 \quad \text{（平方误差）} \end{aligned} $$

初始 w = 0.5，b = 0，学习率 η = 0.1。

前向：

$$ \begin{aligned} z &= 0.5 \times 1 + 0 = 0.5 \\ a &= \sigma(0.5) \approx 0.6225 \\ C &= \frac{1}{2}(0.6225 - 1)^2 \approx 0.0712 \end{aligned} $$

反向：

$$ \begin{aligned} \frac{\partial C}{\partial a} &= a - t = -0.3775 \\ \sigma’(z) &= a(1 - a) \approx 0.6225 \times 0.3775 \approx 0.2350 \\ \delta &= \frac{\partial C}{\partial a} \cdot \sigma’(z) \approx -0.0887 \\[6pt] \frac{\partial C}{\partial w} &= x \cdot \delta = -0.0887 \\ \frac{\partial C}{\partial b} &= \delta = -0.0887 \end{aligned} $$

更新：

$$ \begin{aligned} w_{\text{new}} &= 0.5 - 0.1 \times (-0.0887) \approx 0.5089 \\ b_{\text{new}} &= 0 - 0.1 \times (-0.0887) \approx 0.0089 \end{aligned} $$

再算一次前向，a 会比 0.6225 更接近 1，误差减小。

3.5 流程图

flowchart TD
    F["前向传播：算 z, a, C"] --> B["从输出层开始反向求 δ"]
    B --> G["计算 ∂C/∂w, ∂C/∂b"]
    G --> U["梯度下降更新权重"]
    U --> F

3.6 使用注意点 / 避坑

坑	说明	处理
Sigmoid 梯度消失	输入很大或很小时，Sigmoid 导数接近 0，深层网络传不动误差	用 ReLU / LeakyReLU
ReLU 死亡	某些神经元永远输出 0，梯度也永远 0	用 LeakyReLU、PReLU，或调小学习率
梯度爆炸	深层网络梯度越乘越大，权重变成 NaN	梯度裁剪（Gradient Clipping）、BatchNorm、残差连接
损失与输出不匹配	用 Sigmoid 配 Softmax 损失会出问题	二分类用 `binary_crossentropy`，多分类用 `categorical_crossentropy`
batch 太小	梯度噪声大，训练抖动	增大 batch，或使用带动量的优化器

3.7 异常场景处理

某层梯度全为 0：可能是激活函数“死”了，或学习率过大导致参数进入饱和区。检查激活函数输出分布。
训练 loss 下降但验证 loss 上升：典型过拟合，早停或加 Dropout。
不同层梯度尺度差 1000 倍：深层网络梯度不稳定，考虑 Batch Normalization 或更合适的初始化（He/Xavier）。

四、CNN 求解器（卷积神经网络训练）

4.1 卷积是什么？

卷积 = 用一个小窗口（卷积核 / filter）在图片上滑来滑去，局部加权求和。

好处：

捕捉边缘、纹理等局部特征。
同一个核扫完整张图，参数少很多。

4.2 池化（Pooling）

池化 = 把一小块区域压缩成一个数，常用 Max Pooling（取最大值）。

作用：降维、减少计算量、让特征对位置变化不那么敏感。

4.3 计算例子

输入图像（4×4）：

卷积核（2×2）：

1  1
1 -1

卷积（无 padding，stride=1）第一步取左上角：

1×1 + 1×1 + 1×1 + (-1)×1 = 2

滑完得到 3×3 特征图：

2  0  0
0  2  0
0  0  2

Max Pooling（2×2，stride=2）：

2  0
0  2

然后拉平成 [2, 0, 0, 2]，接到全连接层做分类。

书中 5-4 CNN（求解器）.xlsx 就是用类似流程识别“文字 1、2、3”。

4.4 结构图

flowchart LR
    I["输入图像"] --> C["卷积层"]
    C --> R["激活函数 ReLU/Sigmoid"]
    R --> P["池化层 Max Pooling"]
    P --> F["拉平 Flatten"]
    F --> D["全连接层"]
    D --> O["输出分类"]

4.5 使用注意点 / 避坑

输出尺寸算错：卷积后尺寸为 $H_{\text{out}} = \frac{H_{\text{in}} - K + 2P}{S} + 1$，忘记 padding 会导致后续层维度不匹配。
核太大：会丢失细节，图像任务一般 3×3 最常用。
池化丢失位置信息：如果任务需要精确定位（如目标检测的边界框），Max Pooling 不宜太多。
通道数暴涨：每加一个卷积层通道数翻倍会迅速爆显存，要结合池化或stride=2降采样。

4.6 异常场景处理

特征图全 0：可能是权重初始化太差，或学习率过大导致 ReLU 全部死亡。加 BatchNorm 或换初始化。
输出尺寸报错：逐层打印特征图 shape，检查核大小、stride、padding。
显存不足：减小 batch size，或减少通道数/层数。

五、CNN 误差反向传播法

5.1 卷积层的反向传播

卷积的反向传播本质上仍是卷积，只是：

误差图需要和旋转 180° 的卷积核做卷积。
再乘以当前层激活函数的导数。

简化公式：

$$ \delta_l = \delta_{l+1} \circledast \text{rot180}(W_{l+1}) \odot f’(z_l) $$

其中 ⊛ 表示卷积，⊙ 表示对应元素相乘。

5.2 池化层的反向传播

Max Pooling 反向传播最简单：把误差传回给“最大值所在位置”，其余位置填 0。

flowchart LR
    subgraph 前向
        A["2 1\n0 3"] --> B["Max=3"]
    end
    subgraph 反向
        E["误差 0.5"] --> C["0   0\n0 0.5"]
    end
    B -.-> E

5.3 计算例子

前向 Max Pooling 2×2：

输入：          输出：
2  1            3
0  3

反向时，如果输出位置误差是 0.5，传回输入应为：

0    0
0  0.5

然后继续往前传给卷积层。

5.4 流程图

flowchart TD
    subgraph 前向
        F1["卷积 + 激活"] --> F2["Max Pooling"] --> F3["全连接输出"]
    end
    subgraph 反向
        B1["输出层误差 δ"] --> B2["池化层反向：把误差还给最大值位置"]
        B2 --> B3["卷积层反向：rot180 核卷积 δ"]
        B3 --> B4["更新卷积核权重"]
    end
    F3 -.-> B1

5.5 使用注意点 / 避坑

坑	说明	处理
Max Pooling 不可导	它本身不是光滑函数，但反向传播时我们只把梯度传给最大值位置，工程上可行	注意保存前向时的“最大值位置掩码”
stride > 1 反向 upsample 复杂	误差图尺寸变小，传回去要补 0	框架会自动处理，手写时要小心
Padding 的梯度	padding 区域不应该有梯度，加 padding 时要把这些位置屏蔽	反向传播只更新非 padding 区域
BatchNorm 插在卷积后	会改变反向传播的梯度分布，但通常更稳定	BN 需要和卷积一起训练

5.6 异常场景处理

卷积核学不到东西：检查初始化、学习率，或前面层是否已经“死掉”。
深层 CNN loss 不下降：可能是梯度消失，加残差连接（ResNet）或 BatchNorm。
训练集准确率很高，测试集很低：CNN 参数多，极易过拟合，加数据增强、Dropout、L2 正则化。

六、通用训练避坑指南

下面这 10 条适用于 NN 和 CNN：

数据先归一化：像素除以 255，数值特征减去均值除以标准差。
划分训练 / 验证 / 测试集：不要拿测试集调参。
从小模型开始：先跑通一个两层的 baseline，再加深。
学习率是最重要的超参数：先用默认值，再按 10 倍上下调。
监控 loss 曲线：训练 loss 和验证 loss 一起画，才能判断是否过拟合。
早停 Early Stopping：验证 loss 连续 N 轮不降就停。
权重初始化：ReLU 用 He 初始化，Sigmoid/Tanh 用 Xavier/Glorot 初始化。
Batch Size：小 batch（16-64）通常泛化更好，大 batch 训练更快但可能陷在尖锐最小值。
标签检查：花 10 分钟抽样看标签是否正确，比调一周模型都有效。
随机种子固定：方便复现和对比实验。

七、异常场景与业务异常处理

7.1 训练阶段

异常	可能原因	处理
Loss = NaN	学习率过大、梯度爆炸、log(0)	降低学习率、梯度裁剪、加 ε
Loss 完全不降	学习率太小、数据损坏、标签全相同	逐步调大 lr、检查数据pipeline
验证 loss 上升	过拟合	早停、Dropout、数据增强、简化模型
训练 loss 和验证 loss 都高	欠拟合	增加模型容量、训练更久、减少正则
类别严重不平衡	某些类别样本极少	加权损失、过采样、Focal Loss

7.2 部署/业务阶段

业务异常	表现	处理
概念漂移	线上数据分布变了，模型准确率下降	监控分布、定期重训、在线学习
输入越界	用户上传纯黑图、超大图、非图片文件	前置校验、异常输入兜底规则
adversarial 样本	人眼看不出区别，模型却错判	对抗训练、输出置信度+人工复核
长尾类别错误	冷门类别识别率低	收集更多样本、用度量学习/少样本学习
时延/成本超标	模型太大，推理慢	剪枝、量化、蒸馏、换小模型

7.3 一个实用的排查 checklist

□ 输入数据范围对吗？（0~1 还是 -1~1？）
□ 标签编码对吗？（one-hot / integer / 概率？）
□ 损失函数和输出激活匹配吗？
□ 第一层输出 shape 符合预期吗？
□ 权重还有在更新吗？（打印梯度范数）
□ 训练一个 batch 能过拟合吗？（ Sanity Check ）
□ 学习率是不是在合理区间？

八、总结

算法	核心作用	一句话口诀
梯度下降法	找函数最小值	看梯度，反方向，迈小步
NN 求解器	用优化器直接调权重	输入加权求和，Sigmoid 出概率
NN 反向传播	高效算每个权重的梯度	从后往前，链式求导
CNN 求解器	图像特征提取 + 分类	卷积找局部特征，池化降维
CNN 反向传播	卷积和池化的梯度回传	卷积核旋转 180°，池化只传最大值

如果你是第一次接触，建议：

先打开 2-11 梯度下降法.xlsx，改改 η 和起点，看 z 怎么变。
再打开 3-5 NN（求解器）.xlsx，试着改输入像素，观察输出概率。
最后对照 4-4、5-4、5-6 这几个 Excel，理解“求解器版”和“反向传播版”其实是同一套东西的不同实现方式。

本文档持续维护中。如果有哪一步的公式或例子让你卡住，欢迎在评论区指出，我会继续用更直观的方式补充图解。