自然语言处理(NaturalLanguage Processing，NLP)是人工智能的一大分支领域，其主要目的是让机器理解人类的语言文字，从而执行一系列任务。

通常来说，语音识别、文本生成、情感分析、知识图谱、机器翻译、问答系统、聊天机器人等都是常见的自然语言处理任务。

如果继续划分下去，自然语言处理还可被细分为自然语言理解(Natural Language Understanding，NLU)和自然语言生成(Natural Language Generation, NLG )

相比计算机视觉相关的任务，自然语言处理任务难度更高。与图片和视频相比，语言文字受到方言、表达方式、歧义等多种因素的影响，更不用说，很多文字并非字面意思，需要联系上下文来理解其更加深层次的含义。

举个自然语言处理领域的经典例子，“南京市长江大桥”这句话就可以有两种断句方式，一种是“南京市”和“长江大桥”;另一种则是“南京市长”和“江大桥"。

当模型没有联系上下文时，很难判断这句话的真实意图是什么。此外，像“C罗梅开二度”这句话，对模型来说，更是难上加难，因为它既不知道C罗是谁，更不知道“梅开二度”在足球中是什么含义。

在2019年之前，自然语言处理使用的技术主要是循环神经网络(Recurent Neural Network，RNN)和卷积神经网络(Convolutional Neural Network，CNN)等特征抽取器。

卷积神经网络主要由卷积层、池化层和全连接层组成。如图3-6所示：

其中，卷积层用来提取图像中的特征，随着卷积层不断加深，提取的特征范围也在加大，相当于人眼从局部开始逐步看到整体：池化层则是用来降维，大幅度降低参数的量级。

从而简化网络：全连接层就是普通的神经网络层，池化层的输出就是全连接层的输入，全连接层的输出就是卷积神经网络整体的输出结果。

看到这里，你很可能会有疑问，卷积神经网络不是应用在图像领域吗?和自然语言处理有什么关系呢?

其实在大部分情况下，文本数据和图像数据一样，都会被处理后转化为矩阵的形式作为模型的输入，此时对于卷积神经网络，数据本身是图像、文字或语音，又有什么区别呢?

相比卷积神经网络来说，循环神经网络最大的特性就是对于序列数据的处理非常有效，能挖掘出数据中的时序信息及语义信息，天然适合处理文本和语音数据。

从图3-7所示的循环神经网络示意图中可以看到，输入数据(绿色部分)之间是有前后关联的，在处理数据的时候每一个隐藏层的神经元(蓝色部分)都会接收从上一个时刻传来的历史信息，这也就意味着循环神经网络拥有了像人类一样的记忆能力，这是一个重要的突破!

介绍完卷积神经网络和循环神经网络后，补充说明一下，上面之所以说“在2019年之前”，是因为在2018年尾BERT(其全称是Bidirectinal Encoder Representation fromTransformer，是一种用于语言表征的预训练模型)模型的横空出世，彻底改变了自然语言处理的范式。

预训练模型其实很容易理解，记住**“举一反三”**这四个字就可以。当预训练模型训练好以后，仅需要对该模型最后几层的神经元权重进行微调(Fime Tuning)，再利用一些新数据进行增量的训练，即可将模型的能力迁移到其他领域。

通俗地说，预训练模型就相当于“站在了巨人的肩膀上”，可以在开始就获得及格线以上的成绩，并在此基础上继续进步。

在预训练模型被大范围使用之前，使用传统的深度学习算法，想让模型得到更好的效果，就需要在数据量和神经网络的层数上做文章，通常需要数据在量级上的提升并不断叠加更深的神经网络。

虽然这种“暴力解法”也可以使得模型效果更好，但总体来说，性价比不高。同时，哪怕卷积神经网络和循环神经网络等特征抽取器进行各种变形，但表达能力依旧受限，传统的深度学习算法仍旧无法学到数据里蕴含的更深刻的含义。

在这种情况下，BERT的出现让此前的循环神经网络和卷积神经网络等方法黯然失色，自此之后，自然语言处理领域几乎被 BERT实现了“大一统”，无论是在学术界还是工业界，自然语言处理研究和应用的突破几乎离不开BERT的变体。

BERT之所以能取得这么大的突破，和其将特征抽取器从循环神经网络和卷积神经网络统一成Transformer架构有很大的关系。那我们下期再来详细介绍一下Transformer是如何为AIGC奠基的。

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

👉大模型学习指南+路线汇总👈

我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到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】

相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！