AI人工智能和大模型（概念）之二

Pytorch的安装

通过Anaconda安装PyTorch更为便捷

张量：（1）Tensor可以是高维的（2）并非是PyTorch中才有的概念（3）PyTorch运算的基本单元（4）基础数据定义和运算（5）在PyTorch中支持GPU运算，自动求导等操作

机器学习两种典型的任务：（1）分类任务是对离散值进行预测（2）回归任务是对连续值进行预测

大模型中的相关概念

样本：一条数据；
特征：被观测对象的可测量特性，例如西瓜的颜色、瓜蒂、纹路、敲击声等；
特征向量：用一个 d 维向量表征一个样本的所有或部分特征；
标签(label)/真实值：样本特征对应的真实类型或者真实取值，即正确答案；
数据集(dataset)：多条样本组成的集合；
训练集(train)：用于训练模型的数据集合；
评估集(eval)：用于在训练过程中周期性评估模型效果的数据集合；
测试集(test)：用于在训练完成后评估最终模型效果的数据集合；

模型：可以从数据中学习到的，可以实现特定功能/映射的函数；
误差/损失：样本真实值与预测值之间的误差；
预测值：样本输入模型后输出的结果；
模型训练：使用训练数据集对模型参数进行迭代更新的过程；
模型收敛：任意输入样本对应的预测结果与真实标签之间的误差稳定；
模型评估：使用测试数据和评估指标对训练完成的模型的效果进行评估的过程；
模型推理/预测：使用训练好的模型对数据进行预测的过程；
模型部署：使用服务加载训练好的模型，对外提供推理服务；

Step：一次梯度更新的过程；
Epoch：模型完成一次完整训练集的训练；

梯度：梯度是一个向量（矢量），函数在一点处沿着该点的梯度方向变化最快，变化率最大。
换而言之，自变量沿着梯度方向变化，能够使因变量（函数值）变化最大。