【 在 chunhui 的大作中提到: 】
: 哪位给科普一下。多谢。这些参数是具体指什么？参数是由什么划分出来的，根据什么来划分这些参数？

目前的所谓大模型， 一般就是指AI里的神经网络模型，
计算机科学的神经网络可以简单的理解为人脑的数字化，
怎么数字化比如两个神经元， 人类的神经是通过神经脉冲传导的，
数字化就是一个参数，也就是标记两个神经元连接强度的权值（常常用不同长度的浮点数表示），
另外， 除了这个连接权值， 一个神经元本身还有一个偏置值，
当然，这只是通常的一种神经元类型， 还会有更复杂的， 基于能量系统的，基于概率分布的仿真模型。
基本都是来源于物理或者数学。
本质上， 一个有很多层的神经网络， 就是一个复合很多次的深度复合函数，而函数的每个变量值
又是一个很多维度的向量， 这两者的数字化， 共同形成了一个超大的，复杂的矩阵。
而所谓的学习， 就是让输入的数据，经过这个复杂的复合函数后得到的输出的数据，与我们期望的目标结果之间产生关联， 需要通过改变这个复杂复合函数中
参数矩阵里面的参数值来实现的，其实，这个过程则是纯粹数学优化方法。至少现在看， 这个和人脑的进化和学习机理是不相干的。
--
修改:poggy FROM 124.126.1.*
FROM 124.126.1.*

【 在 chunhui 的大作中提到: 】
: 这个 很多维度的向量 维度都加起来就是参数数量？这些向量数是不是对应的神经元链接数？

这个维度， 你可以认为是不同的属性， 比如颜色， 会有红，黄， 蓝， 透明度之类的。
一个物品， 会有长宽高，重量， 价格， 制造时间， 保质期， 成本等等的。
一个人也类似。
每一个物品的总和构成一个样本集， 模型就建立在这个样本集的拟合上， 样本和维度是连乘的关系，而不是简单相加。
至于这些维度换算关系， 并不需要有严格限定，不同的网络结构设计可以不一样。
还是以颜色为例， 你有一副图， 有一万个像素， 每个像素有红绿蓝和透明度特征。
你可以输入设计成10000， 却有四个通道的网络， 通道网络之间相互独立，
你也可以设计出10000x4的输入， 四个特征融合到一起，都在一层，构成一张网络， 这样通道之间就不是相互独立了。
--
FROM 115.171.245.*