今天来聊一聊BERT和GPT的向量化，从而了解大模型的第二步：Embedding。

Embedding（嵌入）是大语言模型（如 BERT 和 GPT）的核心组件，其作用是将人类语言转换为机器能理解的数值向量。这一过程类似于为每个词、子词或符号赋予一个“数字身份证”，使得模型能够捕捉语义信息，让相似的词（如“快乐”和“高兴”）在向量空间中距离更近。

一、BERT（Token + Segment + Position）

BERT的Embedding：三元嵌入融合

一、工作流程：

BERT的Embedding包括三个部分：Token Embeddings（词嵌入）、Segment Embeddings（分段嵌入）和Position Embeddings（位置嵌入）。

Embeddings = Token Embeddings + Segment Embeddings + Position Embeddings

（1）Token Embeddings

将输入文本中的单词或子词映射为固定维度的向量（如BERT-base为768维）。技术上使用WordPiece分词算法处理文本，解决未登录词（OOV）问题。例如，“playing”被拆分为“play”和“##ing”。

同时在输入序列头部添加特殊标记[CLS]（用于分类任务）和[SEP]（分隔句子）。

例如，句子“my dog is cute. he likes playing”处理为[CLS] my dog is cute [SEP] he likes play ##ing [SEP]。

（2）Segment Embeddings

区分不同句子（如问答对中的问题和答案），用A标识第一个句子（如问题），B标识第二个句子（如答案）。当单句输入时，所有位置标记为A。这样使得BERT的Embedding设计更注重理解（如问答）。

例如，输入[CLS] my dog is cute [SEP] he likes play ##ing [SEP]中，[CLS] my dog is cute [SEP]对应全A， he likes play ##ing [SEP]对应全B。

（3）Position Embeddings

编码单词在序列中的位置信息，用于解决长距离依赖问题，通过可训练的绝对位置嵌入表示位置信息，最大支持512个位置。每个位置（0~511）对应一个可学习的向量，与Token Embedding维度一致。

例如，输入[CLS] my dog is cute [SEP] he likes play ##ing [SEP]中，位置编码分别对应0-10（11个位置向量）。

二、专业术语：

忽略：WordPiece算法、可训练的绝对位置嵌入

关注：固定维度的向量（768维）、Token Embeddings（词嵌入）、Segment Embeddings（分段嵌入）和Position Embeddings（位置嵌入）

三、GPT（Token + Position）

GPT的Embedding：双元嵌入简化

GPT的Embedding层仅包含Token Embedding和Position Embedding，舍弃Segment Embedding。

Embeddings = Token Embeddings + Position Embeddings

（1）Token Embeddings

采用与BERT相似的词向量映射，但基于自回归任务优化生成能力。GPT使用字节对编码（BPE）进行分词，Token Embedding维度更高（如GPT-3为12288维）。

（2）Position Embeddings

使用可学习的绝对位置编码（如GPT-3的12288维向量），或旋转位置编码（RoPE）增强长文本处理能力。在生成长文本时，RoPE允许模型处理超过训练长度的序列（如4096→8192）。

GPT专注于单向生成任务，无需区分句子边界，因此舍弃Segment Embedding，从而简化嵌入结构以提升效率。

四、专业术语：

忽略：自回归任务、字节对编码（BPE）、旋转位置编码（RoPE）

关注：Token Embeddings（词嵌入）和Position Embeddings（位置嵌入）

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】