前馈神经网络：Transformer 模型的核心设计（三）
多头注意力机制：Transformer 模型的核心设计(二)
词语的语义受其上下文影响。例如，”model”一词在”machine learning model”与”fashion model”中表达完全不同的概念。
这种影响因素的计算和捕捉，正是 transformer 模型中 self-attention 机制的核心功能之一。
三角函数与位置编码：Transformer 模型的核心设计
词语的位置决定其语义功能，这是 seq2seq 模型必须解决的核心问题。比如，I saw a saw，两个 saw 在不同位置含义完全不同。
Transformer 模型并行处理所有输入词汇，失去了序列的内在顺序。位置编码通过将位置信息注入输入表示来解决这一问题。理想的位置编码应具备两个数学特性：位置的唯一性（不同位置有不同编码）和相对位置的可学习性（位置间的关系可被模型捕捉）。
ResNet 残差神经网络
神经网络的学习过程，亦如我们设置了一系列的函数，通过学习，让参数更加合理化，从而拟合从输入到输出的映射关系。
下面，通过 ResNet 结构，来理解神经网络的学习过程。
卷积、归一化和池化
卷积可以用于特征提取，归一化可以用于提高模型的泛化能力，池化可以用于减少特征的维度。
进程、线程和协程
进程，是程序运行时的实例，是操作系统分配资源的基本单位。确保了程序运行的独立性。
线程，是进程中的执行单元，是操作系统调度的最小单位。线程共享进程的内存空间，可以访问进程的资源。
协程，是一种用户态的轻量级”线程”，这种机制的关键在于 Python 中的事件循环。事件循环维护着一个就绪队列，通过不断轮询来检查和调度可以执行的协程。所有的协程都在同一个线程中执行，它们通过主动交出控制权来实现任务切换。
装饰器和装饰器模式
装饰，实际上是对函数、对象行为的改变，或是扩展、增强、甚至替换。它接收一个个体，最终输出一个装饰后的个体。
这里，装饰器是 Python 中的概念，而装饰器模式来源于设计模式。把它们放在一起，是因为它们都具备有”装饰”的特性，但也有一些不同。
创建自己的大语言模型
本文翻译自Step-by-Step Guide to Creating Your Own Large Language Model。从大语言模型的基本概念开始，逐步介绍如何创建自己的大语言模型。
AI 和认知卸载：将思考过程与机器共享
翻译 AI and cognitive offloading: sharing the thinking process with machines
AI
我们的大脑天生就能够减轻工作量（协作和使用工具），而 AI 这类工具把它推进到了一个新的高度。
这种与生俱来的能力，让我们可以把 思考 分享给工具、其他个体或技术，这种分布式认知的本质为协作和创新开辟了令人兴奋的可能。