LLM大语言模型算法训练，带你变身为AI大语言模型算法工程师。
下种植 uri：
自然语言处理中的 Transformer 模型真正改变了我们处理文本数据的方式。
Transformer 是自然语言处理领域最新发展的幕后推手，包括 Google 的 BERT。
了解 Transformer 的工作原理、它与语言建模、序列到序列建模的关系，以及它如何支持 Google 的 BERT 模型。
编码跟译码器这都是递归神经网络。
在编码器中的每个时间步，循环神经网络从输入序列中获取一个词向量（习），从前一个时间步获得一个潜伏状态（hi）。
隐藏状态在每个时间步更新。
最后一个单元的隐藏状态称为上下文向量（context vector）。它包含有关输入序列的信息。
然后将此上下文向量传递给解码器，然后使用解码器生成目标序列（英语短语）。
如果我们使用注意力机制，隐式状态的加权总和将作为上下文向量传递给解码器。
Langchain是一个基于大型语言模型（LLM）的应用开发框架，它提供了一整套工具、组件和接口，简化了创建大型模型应用的过程，方便开发者使用语言模型实现复杂的任务，如聊天机器人、文档问答、各种基于提示的助手。 根据官方网站，它可以使您的应用程序具有数据感知和代理性
数据感知：即数据感知，可以将语言模型与其他**数据连接起来，例如允许语言模型回答指定文档的问题; agentic：可以让语言模型与其所处的环境进行交互，实现第一机器人的功能，帮助用户完成指定的任务;
让我们从一个简单的例子开始：
Langchain集成了许多流行的语言模型，提供了一套统一的接口供开发者直接使用，比如在上面的例子中，我们介绍了OpenAI的LLM，然后调用了它llm.predict()方法允许语言模型完成后续内容的生成。 如果你想使用其他语言模型，你只需要用其他的东西替换上面的OpenAI，比如流行的Anthropic，在那里你可以找到Langchain目前支持的所有语言模型接口。
回到上面的例子，llm.predict()该方法实际上调用了 OpenAI 的接口，该界面会给出提示并允许 AI 生成后续内容; 我们知道，除了 Completions 之外，OpenAI 还提供了一个接口，也可以用来生成后续内容，而且它比 Completions 更强大，可以赋予一系列的对话内容，让 AI 生成后续回复，从而实现类似聊天的聊天功能。