博士论文 | 神经网络的结构与表示 147页

由于神经网络 在人工智能领域占据主导地位，一个试图了解其内部工作原理的研究分支领域应运而生。这个子领域的一个标准方法是将神经网络主要理解为代表人类可理解的特征。另一种探索较少的可能性是将它们理解为多步骤的计算机程序。这样做的一个先决条件似乎是某种形式的模块化:网络的不同部分独立运行，足以被孤立地理解，并实现不同的可解释子例程。

为了找到神经网络内部的模块化结构 ，我们首先使用图聚类工具。从这个意义上说，一个网络是可聚类的，如果它可以被分成内部连通性强但外部连通性弱的神经元组。我们发现，经过训练的神经网络通常比随机初始化的网络具有更强的可聚类性，并且通常相对于与训练网络具有相同权值分布的随机网络具有可聚类性。我们研究了促进集群性的因素，并针对这一目标开发了新的方法。

为了使模块化对理解神经网络有价值，它需要具有某种功能相关性。我们针对的功能关联类型是功能的局部专门化。神经网络是局部专门化的，其计算图的部分可以抽象地表示为执行与整体任务相关的一些可理解的子任务。我们提出了局部专门化的两个代理:重要性 ，它反映了神经元集对网络性能的价值;以及一致性，这反映了他们的神经元与输入特征的一致性。然后，我们使用通常用于解释单个神经元的技术来操作这些代理，将它们应用于由图聚类算法产生的神经元组。我们的研究结果表明，聚类能够成功地发现重要且连贯的神经元组，尽管并非所有发现的神经元组都是如此。

最后，我们使用了一个使用更标准的可解释性工具的案例研究，旨在理解激活空间中方向所代表的特征，并将其应用于分析基于游戏CoinRun的奖励函数训练的神经网络。尽管我们的网络实现了较低的测试损失，但可解释性工具的应用表明，网络不能充分表示相关特征，并且严重错误地预测了分布之外的奖励。也就是说，这些工具并不能清楚地显示网络实际执行的计算。这不仅说明了需要更好的可解释性工具来理解泛化行为，而且还激励了它:如果我们把这些网络作为通过强化学习训练的策略的"动机系统"模型，结论是，当部署在更丰富的环境中时，这些网络可能会有能力追求错误的目标，这表明需要可解释性技术来阐明泛化行为。

论文题目： Structure and Representation in Neural Networks

作者：Daniel Filan

类型： 2024年博士论文

学校： University of California, Berkeley（美国加州大学伯克利分校）

下载链接：

链接: https://pan.baidu.com/s/1KglyRT5s70UE-obnqc0piw?pwd=pee7

硕博论文汇总：

链接: https://pan.baidu.com/s/1Gv3R58pgUfHPu4PYFhCSJw?pwd=svp5

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。