AI基础

不要被数学吓到：张量就是装数据的多维盒子，AI模型的统一数据容器。 - 0维张量 = 单个数字：85，一个数值，比如某一天销量 - 1维张量 = 一维数组（向量）：[12,45,33]，好比一张表格的一行，3个SKU的销量 - 2维张量 = 矩阵：表格，行=样本，列=特征。比如100条历史销售记录，

从向量到QKV到点积到缩放到Softmax到加权融合，完整的Transformer注意力流程，全程业务语言，供应链案例贯穿。

用业务语言讲清楚 Cross-Attention：两组相互对应的信息，用A做查询方去检索匹配B里的内容。

余弦相似度是衡量两段文本语义相似程度的打分方法，只对比方向不看长短，是文本语义匹配的首选方案。

用纯业务语言解释向量的概念：向量就是把文字翻译成一串标准化数字，让计算机能理解和对比。

欧氏距离用来衡量两组特征整体的远近程度，同时兼顾方向与数值幅度，是结构化数值对比的首选方法。

用供应链业务案例讲透Self-Attention：一份数据内部互相查找关联，Q/K/V全部来自同一数据源，是理解Transformer的第一块基石。

详解向量相似度判断的底层逻辑：向量不是逐字编码，而是整体语义的打包。通过余弦相似度衡量方向重合度。

多头注意力赋予注意力多种子表达方式，8组独立QKV矩阵并行分析，同时捕捉因果、时序、实体、动作等多种关系。

欧氏距离同时考量特征方向和数值大小，适合结构化数值聚类、备件指标分类、坐标点位匹配等场景。