LLM模型
什么是LLM大语言模型？Large Language Model，从量变到质变
大语言模型（英文：Large Language Model，缩写LLM），也称大型语言模型，是一种人工智能模型，旨在理解和生成人类语言。它们在大量的文本数据上进行训练，可以执行广泛的任务，包括文本总结、翻译、情感分析等等。LLM的特点是规模庞大，包含数十亿的参数，帮助它们学习语言数据中的复杂模式。这些模型通常基于深度学习架构，如转化器，这有助于它们在各种NLP任务上取得令人印象深刻的表现。
Embedding模型
https://www.163.com/dy/article/IGFFHP1U0518R7MO.html
在机器学习和自然语言处理中，Embedding模型是指将高维度的数据（例如文字、图片、视频）映射到低维度空间的过程。简单来说，embedding向量就是一个N维的实值向量，它将输入的数据表示成一个连续的数值空间中的点。
Transformer
transformer是一种用于自然语言处理（NLP）的深度学习模型。它是一种基于注意力机制的神经网络，最初由Google在2017年提出。Transformer模型已经在许多NLP任务中取得了显著的成功，例如机器翻译和文本生成。
Transformer模型的主要优点是它可以处理变长的输入序列，而不需要使用循环神经网络（RNN）或卷积神经网络（CNN）。这使得它能够更好地捕捉长期依赖关系，并且可以并行计算，从而加快训练速度。
如果您想使用Transformer模型来训练自己的NLP模型，您可以使用现有的Transformer实现，例如Google的BERT或OpenAI的GPT。这些模型已经在大型语料库上进行了预训练，并且可以通过微调来适应特定的NLP任务。您还可以使用现有的NLP库，例如Hugging Face的Transformers库，来轻松地使用这些模型。
RNN
RNN是一种递归神经网络，它可以处理变长的序列数据，例如文本或时间序列数据。它通过在每个时间步骤上输入当前输入和前一个时间步骤的隐藏状态来处理序列数据。这使得它能够捕捉序列中的时间依赖关系，例如语言中的语法和语义。
CNN
CNN是一种卷积神经网络，通常用于处理图像数据。它通过在输入数据上应用卷积核来提取特征，并使用池化操作来减小特征图的大小。这使得它能够捕捉图像中的局部模式和结构。
LSTM
长短时记忆网络（LSTM），它是一种特殊的RNN，可以更好地处理长期依赖关系。它通过使用门控单元来控制信息的流动，从而避免了梯度消失或梯度爆炸的问题。LSTM已经在许多NLP任务中取得了成功，例如语言建模和情感分析。
双向RNN
双向RNN，它可以同时考虑序列的正向和反向信息。它通过在每个时间步骤上输入当前输入和前一个时间步骤的隐藏状态以及后一个时间步骤的隐藏状态来处理序列数据。这使得它能够更好地捕捉序列中的上下文信息，并且已经在许多NLP任务中取得了成功，例如命名实体识别和语义角色标注。
初次之外的模型
深度置信网络（DBN）、变分自编码器（VAE）和生成对抗网络（GAN）。共计8种。
8种模型擅长怎么用
循环神经网络（RNN）
循环神经网络（RNN）：适用于处理变长的序列数据，例如文本或时间序列数据。它通过在每个时间步骤上输入当前输入和前一个时间步骤的隐藏状态来处理序列数据。这使得它能够捕捉序列中的时间依赖关系，例如语言中的语法和语义。
长短时记忆网络（LSTM）
长短时记忆网络（LSTM）：是一种特殊的RNN，可以更好地处理长期依赖关系。它通过使用门控单元来控制信息的流动，从而避免了梯度消失或梯度爆炸的问题。LSTM已经在许多NLP任务中取得了成功，例如语言建模和情感分析。
双向RNN
双向RNN：可以同时考虑序列的正向和反向信息。它通过在每个时间步骤上输入当前输入和前一个时间步骤的隐藏状态以及后一个时间步骤的隐藏状态来处理序列数据。这使得它能够更好地捕捉序列中的上下文信息，并且已经在许多NLP任务中取得了成功，例如命名实体识别和语义角色标注。
卷积神经网络（CNN）
卷积神经网络（CNN）：通常用于处理图像数据。它通过在输入数据上应用卷积核来提取特征，并使用池化操作来减小特征图的大小。这使得它能够捕捉图像中的局部模式和结构。
Transformer模型
Transformer模型：可以处理变长的序列数据，例如文本或时间序列数据，而不需要使用RNN或CNN。它使用自注意力机制来计算输入序列中每个元素的表示，从而捕捉序列中的长期依赖关系。这使得它能够更好地处理长序列，并且可以并行计算，从而加快训练速度。
深度置信网络（DBN）
深度置信网络（DBN）：是一种无监督学习模型，通常用于特征学习和数据降维。它由多个堆叠的受限玻尔兹曼机组成，可以学习输入数据的分布，并生成新的样本。
变分自编码器（VAE）
变分自编码器（VAE）：也是一种无监督学习模型，通常用于生成模型和数据降维。它通过学习输入数据的潜在分布来生成新的样本，并且可以用于数据压缩和特征学习。
生成对抗网络（GAN）
生成对抗网络（GAN）：也是一种生成模型，可以生成新的样本。它由两个神经网络组成：生成器和判别器。生成器用于生成新的样本，而判别器用于区分生成的样本和真实的样本。这使得生成器能够不断改进生成的样本，以使其更接近真实的样本。