AI和大模型——梯度散度和旋度

一、标量和向量

向量和标量估计大多数接触过物理的都清楚。当然,线性代数中也对其有着广泛的应用。向量很好理解,只有大小没有方向。比如一个点有坐标或者描述一个质量值,这些都是标题。而向量是有方向和大小,这个也很好理解,比如飞机的航速。飞机的航速不但有大小,还有方向性。

如果将一个空间内的点都给出一个标量值,那么这就是标量场;同样,如果都赋值为向量值,则构成了向量场。

二、标量和向量函数

为了描述标量场和向量场,就引入了数学函数。通常用来描述标量场的是标量函数,它就是大家常见的一些函数。如果输入相关的坐标值就可以得到确定的结果。

复制代码
f(x,y)=x*x+y*

向量场通常是以向量函数进行描述。它一般如:

复制代码
v(x,y)=(3x y)  说明:3x和y是上下的向量表示

三、偏导数和梯度

∇,德尔塔。多维空间导数的算符化表示。它具备多个分量,即偏导数算符。可以与向量计算一样对每个分量进行运算。而每个分量的导数是不是和前面分析的梯度是不是一致。∇f就是梯度(gradient)的表示。如果对标量场进行梯度运算,它的结果一定会是向量场。即对每个坐标增加了方向的限制。

四、散度和旋度

有了梯度以后就可以对相关的数据进行运算即将∇算子和向量场进行运算。它有两种运算方式,点积和叉积。这就需要有一些线性代数的基础知识了,什么是点积和叉积?不明白的需要补一补。

  1. Divergence
    散度,将二者进行点积运算∇⋅v(也叫内积),得到的就是散度,散度的计算结果是一个标题(数字)。它用来描述扩散的程度。散度在AI领域中,用来衡量概率分布的差异,是大模型训练中的核心工具之一。它一般用于蒸馏、模型分析监控以及对强化学习的增强上。
  2. Curl
    旋度,将二者进行叉积运算∇xv,得到的就旋度,计算旋度的结果仍然是一个向量场,它用于描述旋转的程度。而旋度一般应用于一些非梯度学习和生成模型中。属于一种较新的研究方向

五、总结

果然越是拆解底层的大模型和AI的一些技术点就需要引入更多的数学知识了。还是那句话,不想探究底层的技术点的,可以忽略本文。不过还是建议对常见的一些术语掌握比较好,否则和人沟通就有难度了。

相关推荐
吴佳浩1 小时前
我把 HAMi 摆回一台双卡机器上跑了一遍:GPU 编排的性能账,到底记在谁头上
人工智能·gpu
forest_095 小时前
《AI 编程 Harness 实战手册》04|审批这道门:点了一百次“允许”,还剩多少作用?
人工智能·算法·prompt·agi
火山引擎开发者社区6 小时前
当 RPA 遇上 Agent:MUA 混合执行 Workflow 深度拆解
人工智能
严肃小白兔6 小时前
第 10/24 期:深度神经网络的自动求导机制与梯度验证
人工智能·神经网络·dnn
火山引擎开发者社区6 小时前
定档12.16-12.18!FORCE原动力大会上海见!
人工智能
努力的MM1237 小时前
CAIE 二级和阿里云大模型 ACP 怎么选?企业 AI 工程与云平台开发能力对比
人工智能
老金带你玩AI7 小时前
Kling Image 4.0来了!8K和组图直出,电商人的提效神器?
人工智能
孟健7 小时前
用 unslop 拯救 AI 生成网页的塑料感,7 分钟重构落地实测
前端·人工智能·ai编程
stormzhangV8 小时前
Google 重返第一梯队
人工智能·google·aigc