我的 AI 学习地图V2 · 学习地图 · 2026.10
← 返回网络机制

NOTE 04 / 网络机制

从输入到输出,终于有一条完整链

输入表示、主干、输出头、后处理,终于有了连贯的分工。

个人学习记录 · 原始对话见引文 · 整理核对于 2026-10-16
我的原话
所以基本上我来总结一下,图或者语言,经过编码 变成模型可处理向量 模型处理好的向量通常就是高维的特征的向量,然后人类根据这个向量解码,根据不同的任务设计解码出来的结果,语言图片分类等等。对吗
N-M159 · 2026-09-29 · 原对话 ↗
我的原话
所以模型做的事情就是一个预测,概率生成器
B-M115 · 2026-09-26 · 原对话 ↗

原 AI 解释 · 摘要

原对话用编码、模型处理、输出映射和后处理串起不同任务;B-M116 随后把所有模型概括成“条件概率分布生成器”。前一条有助于建立整体链条,后一条需要限制范围。

整理核对

第一段原话已经把输入表示、内部处理和任务输出分开了。要改的是“人类根据向量解码”:通常是预先设计、训练或配置的输出模块与算法执行,而不是人临时读取每个高维向量。

概率生成器:只保留适用部分

自回归语言模型给出下一个 token 的分布;分类模型可把 logits 转成类别概率。但回归网络可能直接输出数值,扩散网络可能预测噪声或速度场。因此,通用表述仍是“可训练的输入到输出映射”,不能把全部 AI 压成一种概率输出接口。

可以固定下来的四问

输入是什么数字表示?主干怎样变换它?输出头预测什么?训练和实际使用分别怎样读取这些输出?这四问能贯穿后面的所有模型。

继续追问 · 整理者建议

同样用四问比较一个分类器、一个语言模型和一个去噪网络,检查自己是否把“模型一次前向”和“完整生成过程”混在一起。

关于这篇笔记,留下一个问题 →