“ 向量是大模型的基石，嵌入是大模型的入口 ”
最近在研究RAG然后带来了对嵌入与向量的思考；毕竟嵌入与向量是实现大模型的基础；嵌入解决的是数据向量化的问题，而向量解决的是数据之间的关系问题。
Embedding中文翻译是嵌入，但更形象的理解是——在机器学习和大模型中，嵌入是一种数据向量化或向量表示的技术；简单来说就相当于一个转换器，把人类能够理解的数据包括文本，图像等转换为大模型方便处理的向量数据。
而向量是数学概念中的一个表示有大小和方向的量，其空间几何意义就是一个带有方向的箭头，并且可以平移；而更直观的理解可以把向量当成一个多维矩阵，更确切的说是用多维矩阵来描述向量。
因此，我们在大模型技术中所说的向量指的并不是空间维度；而是数据所构成的维度。所以说，向量是一个数学概念，而矩阵是向量在计算机中的载体。
嵌入与向量
向量
向量在数学上表示的一个有方向和大小的量，在计算机中的载体是一个多维矩阵；因此向量从某些方面讲就具备矩阵的性质，比如维度变换。
在大模型中数据一半通过多维矩阵来描述，比如大模型参数中有一个很重要的参数就是维度(dimension)；这个维度指的就是多维矩阵的维度，维度越高，能够表示的场景就越复杂。
但同样，由于矩阵中存在着太多无用数据；因此就产生了密集矩阵和稀疏矩阵的区别；而稀疏矩阵可以通过降维的方式来压缩其矩阵大小，以此来获取更高的存储效率。
高维矩阵与低维矩阵的区别就类似于图片中的像素点；像素点越多，图片质量越好，观感上就更细腻；而像素点越低，图像就越模糊，丢失的东西就越多。
但同样的图片效果怎么样，除了像素点之外还有你观看距离的影响，离得越远，像素点的影响越小。
而为了解决近距离观看的效果，升维就有了用武之地；而远距离观看，就可以对数据进行降维处理，节省空间，提升效率。
而至于怎么描述数据之间的语义关系，就是通过向量之间的计算——比如欧式距离，余弦，内积等。
嵌入
嵌入虽然本质上都是把离散数据映射到高维矩阵中，通过向量的空间关系来捕捉数据之间的语义关系；但其在不同的场景中又有一定的区别。
词嵌入
词嵌入是将单词映射为数值向量，以捕捉单词间的语义和句法关系，为自然语言处理任务提供有效的特征表示。
方法与技术：词嵌入通过预测单词上下文（如Word2Vec）或全局词频统计（如GloVe）来学习，也可使用深度神经网络捕捉更复杂的语言特征。
图像嵌入
图像嵌入是将图像转换为低维向量，以简化处理并保留关键信息供机器学习使用。
方法与技术：利用深度学习模型（如CNN）抽取图像特征，通过降维技术映射到低维空间，训练优化嵌入向量。
在机器学习中，Embedding 主要是指将离散的高维数据（如文字、图片、音频）映射到低纬度的连续向量空间。这个过程会生成由实数构成的向量，用于捕捉原始数据的潜在的关系和结构。
