前一篇：《全面解释人工智能LLM模型的真实工作原理（一）》
序言：
在上一篇文章中，我们从原理上构建了一个识别“叶子”和“花朵”的神经网络，并详细讲解了它的工作过程。这包括对输入数字逐个与权重相乘后求和，加上偏置值，最后通过非线性处理和统计分布计算来得出输出。这些操作使用了简单的数学运算（乘法、加法和非线性处理）。本节的重点是解答神经网络的权重和偏置值是如何得到的以及最关键的概念：如何让神经网络输出chatGPT一样的句子。为了让神经网络学到合适的权重和偏置，我们需要提供大量的学习数据（如大量的“叶子”和“花朵”图片），让网络在学习过程中调整每个神经元的权重和偏置值，最终实现正确分类。（
请动一下您的小手，订阅作者！
）
如何训练这个神经网络（模型）？
在上例中，我们为了测试，给模型预设了合适的权重和偏置，这样才能得到准确的输出。但在实际应用中，权重和偏置值是如何获得的呢？获得合适的‘权重’和‘偏置’这个过程就称为“训练模型”或“训练神经网络”，也可以理解为“人工智能的自我学习”；没错，这个过程就是“训练AI”。人类需要做的就是为模型提供优质数据来进行训练。
假设我们收集了一些数据，包括各种类型的“叶子”和“花朵”。然后，我们用工具将它们的颜色和体积转换成数字，给每个数据样本贴上“叶子”或“花朵”的标签（给数据取名字就称为“标注数据”），最终这些数据组成了我们的“训练数据集”。
训练神经网络的工作原理如下：
- 初始化权重
首先，从随机数开始，将神经元的每个参数/权重设为一个随机数。（启动训练程序时，计算机内存中未初始化的都是随机数，一般无须特别设定）
- 输入数据并获得初始输出
我们给神经网络输入“叶子”的数据表示（如 R=32，G=107，B=56，Vol=11.2），期望输出层第一个神经元的值大于第二个神经元的值，表示识别出“叶子”。假如预期“叶子”神经元的值是0.8，代表“花”的神经元值是0.2。
- 计算损失
因为初始权重是随机的，实际输出往往和预期有差异。比如，两个神经元的初始输出分别是0.6和0.4。我们可以通过求差并将差值平方相加计算损失：(0.8 – 0.6)² + (0.2 – 0.4)² = 0.04 + 0.04 = 0.08。理想情况下，我们希望损失接近于零，也就是“最小化损失”。
