开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

社区首页 >专栏 >推开AI的门

推开AI的门

作者头像

白玉光

修改于 2026-02-09 18:02:33

修改于 2026-02-09 18:02:33

2130

举报

概述

当第一次体验到大模型带给你的惊喜时，你有没有想过，它到底是怎么思考的？你或许忙碌、疲惫，连思考“它是怎么思考的”都来不及去思考。可是在过去的很长时间里，模型参数、token、向量化、蒸馏、温度系数等层出不穷的新概念，不断地融入你的工作和生活，你也许已经习以为常，日用而不知。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

大模型部署

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

大模型部署

评论

登录后参与评论

0 条评论

热度

最新

目录

1. 你有没有想过

2. 即便是十几年后

3. 既不是神经也不是网络
- 3.1. 输入层、隐藏层、输出层
- 3.2. 正向传播
- 3.3. 神经元
- 3.4. 线性与非线性
- 3.5. 激活函数与激活
- 3.6. 权重和偏置
- 3.7. 神经网络的参数
- 3.8. 权重与参数、变量、数据

4. 神经网络的学习
- 4.1. 神经网络与矩阵运算
- 4.2. 预测值、目标值、神经网络学习
- 4.3. 照进神经网络的光
- 4.4. 损失函数
- 4.5. 什么是反向传播
- 4.6. 反向传播在传播什么
- 4.7. 权重更新策略
- 4.8. 链式求导与连续性
- 4.9. 梯度下降

5. 初识大语言模型
- 5.1. 大语言模型与神经网络
- 5.2. Token、分词
- 5.3. 词表与词表大小
- 5.4. 向量化和词嵌入
- 5.5. 大模型的输出
- 5.6. Softmax与概率预测
- 5.7. 概率与token映射
- 5.8. 单标签与多分类

6. 我的昨天在消失，明天不可知
- 6.1. 上下文
- 6.2. 循环神经网络
- 6.3. 自注意力与Transformer
- 6.4. 稀疏自注意力

7. 大模型是怎么训练的
- 7.1. 训练数据
- 7.2. 超参数
- 7.3. 批量（batch）
- 7.4. 步长（step）
- 7.5. 训练轮次
- 7.6. 过拟合与欠拟合
- 7.7. 监督学习和自监督学习
- 7.8. 温度系数
- 7.9. 蒸馏学习

8. AI浪潮下的基础设施
- 8.1. AI与区块链算力
- 8.2. GPU卡与CUDA
- 8.3. 大模型并行计算
- 8.4. 数据并行
- 8.5. 模型并行
- 8.6. NCCL集合通信
- 8.7. GPU服务器内通信
- 8.8. GPU服务器间通信

9. 大模型的使用
- 9.1. 大模型的不足
- 9.2. Agent
- 9.3. MCP
- 9.4. RAG
- 9.5. A2A

10. 结尾

11. 广而告之