在自然语言处理(NLP)任务中，怎么处理数据——即怎么把文字输入到模型中进行处理？

“ 文本序列化是自然语言处理任务的前置条件，而文本序列化需要经过分词，构建词汇表和序列化的几个步骤**”**

在神经网络或者说在机器学习领域中，数据主要以向量的形式存在，表现形式为多维矩阵；但怎么把现实世界中的数据输入到神经网络中是机器学习的一个前提。

而现实世界中的数据格式虽然多种多样，但事实上无非以下几种主要模态：

• 文字
• 图片
• 视频

但我们也知道，计算机只认识数字，而不认识文字和图片；因此，就需要把这些数据转换为计算机能够识别的格式；而在神经网络模型中就是怎么把这些数据转换为向量的格式。

简单来说，就是把现实世界中的数据转化为用多维矩阵进行表示的过程。图片是由多个像素点组成，因此天生的就可以用矩阵表示；但文字却不同，处理起来要复杂得多。至于视频，就是动起来的多张图片。

文本处理

在自然语言处理任务中，要想把文本数据输入到神经网络中，需要经过大概以下几个步骤：

• 分词
• 构建词汇表
• 文本序列化

但为什么自然语言处理需要经过以下几个步骤？ 下面来介绍一下每个步骤的作用：

分词

在自然语言体系中，语义是以词或句子的形态体现的；因此，我们就需要去理解词或句子的意思；但众所周知的是，以我们汉语为例常用的词和字就几千个；而我们生活中绝大部分的语义都是由重复的字和词组成的。

因此，从效率的角度来讲，我们不可能把每个句子的语义都记下来；我们需要的是找到其中常用的字和词，然后通过类似排列组合的方式组合成一个个句子。

所以，自然语言处理的第一步就是分词；也就是说通过某种方式把句子中相同的字或词挑出来，组成一个字词列表。而常用的分词技术根据不同的语言又有不同的实现方式；比如说在英语体系中，很多时候每个单词就表示单独的意思；因此最简单的分词方式就是把每个不同的单词都找出来。

但在汉语言中，由于存在多音字，成语等具有复杂语言的形态；因此，汉语分词就不能使用找不同字的形式。

因此，分词的难点是怎么对文本数据进行拆分，但又不会影响到词语本身对意思。

词汇表

理解了什么是分词，以及为什么要分词，那么再理解词汇表就很简单了；对句子进行分词之后，就获取到了一个字和词的列表；因此就可以根据这个列表来构建词汇表，变成让计算机可以处理的数字格式。

学过计算机原理的应该都知道，计算机无法直接处理文字，因此文字在计算机中是通过编码的方式来实现的；比如说大名鼎鼎的ASCII码表，就是用八位二进制表示的。

而ASCII码表本质上就是一个字典结构，即使用K-V的形式来表示字符；需要计算机处理时就使用二进制表示，需要现实给人看时就使用字符表示；而词汇表就是类似ASCII码表的形式，把字或词作为K，把数字作为V。

这样一个数字就可以代表一个字或词；这样就可以让计算机处理。

在词汇表中有两个比较特殊的词汇，那就是UNK和PAD；我们知道常用的汉字只有几千个，但实际上的汉字有上万个；因此，我们根据文本数据的内容，可能并不能获取到所有的汉字；因此遇到“没见过”的汉字该怎么办呢，这时就使用UNK来表示。

而在矩阵计算中，需要的是相同的矩阵形式；比如说需要5*5的固定矩阵；但在自然语言中，每个句子的长度都不一样；短的可能就一两个字，长的可能有几十个字；这时变换的矩阵维度就不在相同。

dict = {    "UNK_TAG": 0,    "PAD_TAG": 1}

因此，就可以使用PAD对文字比较少的句子进行补充；而对文字比较长的句子进行截取。

文本序列化

在经过分词和构建词汇表之后，就可以对文本进行序列化；在自然语言处理任务中，文本需要转换为编码的数字进行表示；也就是把文字变成数字表示。

所以就有了一个从文字变成数字和从数字变成文字的过程；本质上其实就是在词汇表中，根据文本获取其编码的数字，以及根据编码的数字获取文字。

文本序列化最重要的一步，就是把数字表示的句子转换成向量表示，也就是多维矩阵；而这就需要通过one-hot或者word embedding的方式来进行序列化。

但是在使用word embedding之前，需要把句子的数字列表转换为tensor格式。

如何零基础入门 / 学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么我作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，希望可以帮助到更多学习大模型的人！至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

👉 福利来袭优快云大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

全套AGI大模型学习大纲+路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉 福利来袭优快云大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。