在深度学习中，训练和推理是两个紧密相关但又有所不同的阶段。训练过程通过调整模型参数来优化模型性能，而推理过程则利用训练好的模型进行预测。

训练和推理在目标、过程、计算资源等方面存在差异。训练过程注重模型的参数调整和优化，需要大量的标注数据和计算资源；而推理过程则注重模型的预测能力，需要快速且准确地生成预测结果。

Training vs Inference

_一、模型训练_

什么是模型训练（Training）？使用一组已知的数据（称为训练数据）来训练（或学习）一个模型，以便该模型能够学习数据的内在模式和特征，从而能够准确地对新数据进行预测或分类。

如何进行模型训练？根据任务和数据特点选择合适的模型架构，准备并预处理数据，设置训练参数，使用训练集进行模型训练以最小化损失函数，通过验证集评估性能并调整参数，最终获得性能优越的模型。

一、选择合适的模型架构

根据任务类型和数据特点，选择合适的模型架构。例如，对于图像识别任务，可以选择卷积神经网络（CNN）；对于序列预测任务，可以选择循环神经网络（RNN）或Transformer等。

二、准备数据

1. 收集数据：获取与任务相关的数据集。

2. 数据预处理：对原始数据进行必要的预处理，如灰度化、二值化、噪声去除、数据增强（如旋转、缩放、翻转等）以及归一化或标准化等，以提高模型的学习效果和泛化能力。

3. 划分数据集：将数据集划分为训练集、验证集和测试集。训练集用于训练模型，验证集用于调整模型参数和选择最优模型，测试集用于评估模型的最终性能。

三、设置训练参数

确定适当的超参数，如学习率、批处理大小、训练周期（或迭代次数）、优化器等。这些参数对模型的训练效果和速度有重要影响。

四、训练模型

使用准备好的训练集和选择的模型架构进行模型训练。在训练过程中，算法会不断调整模型的参数，以最小化损失函数。损失函数用于衡量模型预测输出与真实输出之间的差距，常用的损失函数包括均方误差（MSE）、交叉熵损失等。

五、评估性能与调整参数

1. 评估性能：在验证集上评估模型的性能，并记录关键指标，如准确率、精度、召回率、F1分数等。这些指标用于衡量模型的预测能力和泛化能力。

2. 调整参数：根据性能评估结果调整超参数，如学习率、批处理大小等。可以采用网格搜索、随机搜索、贝叶斯优化等调参技术来自动寻找最优参数组合。

二、模型推理

什么是模型推理（Inference）？在模型训练完成后，使用训练好的模型对新数据进行预测或生成的过程。

在模型训练阶段，模型通过大量数据的学习，掌握了某种特定的能力或模式。而在推理阶段，模型则利用这种能力对新的、未见过的数据进行处理，以产生预期的输出。

如何评估模型性能？模型评估（Evaluation）是指对训练完成的模型进行性能分析和测试的过程，以确定模型在新数据上的表现如何。

分类任务常见的评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1 Score）等。

1. 准确率（Accuracy）

• 定义：准确率是最直观也最常被提及的评估指标之一，它衡量的是模型预测正确的样本数占总样本数的比例。

• 计算公式：准确率 = (真正例 + 真负例) / (真正例 + 假正例 + 真负例 + 假负例)

2. 精确率（Precision）

• 定义：精确率是指模型预测为正例中真正是正例的比例，它反映了模型预测为正例的结果的可信度。

• 计算公式：精确率 = 真正例 / (真正例 + 假正例)

3. 召回率（Recall）

• 定义：召回率，也称为灵敏度（Sensitivity）或真正例率（True Positive Rate），是指模型在所有实际为正类的样本中，被正确预测为正类的样本的比例。它反映了模型捕获正类样本的能力。

• 计算公式：召回率 = 真正例 / (真正例 + 假负例)

4. F1分数（F1 Score）

• 定义：F1分数是精确率和召回率的调和平均数，旨在综合两者的表现，提供一个平衡指标。

• 计算公式：F1分数 = 2 * (精确率 * 召回率) / (精确率 + 召回率)

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】或点击下方蓝色字 即可免费领取↓↓↓

**读者福利 |** 👉2024最新版CSDN大礼包：《AGI大模型学习资源包》免费分享 **（安全链接，放心点击）**