Peta::NN - 表面细节
内容提要
Peta::NN 是一个用 Perl 编写的神经网络库，无需外部框架，专注训练小型模型（几千到几十万权重），用于处理字符串的窄任务。它支持链式组合模型，可在 CPU 和 GPU 后端运行，训练德语名词复数等任务准确率达 98% 以上。库约 7000 行，强调小模型组合优于大模型，已在 CPAN 发布。
延伸解读
小模型组合的实用价值
Peta::NN 的核心思路是用多个小模型组合替代单个大模型。每个小模型只回答一个关于字符串的窄问题，例如德语名词复数变化。这种设计让每个部分可单独训练、测量和替换，便于调试和验证。文章指出，一个任务若对单个小模型太难，通常可拆成几个小任务，如德语第三格复数拆分为元音变化、词尾重写和添加格标记三步。这种组合方式保留了模型的可解释性，避免了大型模型的黑箱问题。
训练目标与数据划分的严谨性
Peta::NN 要求模型在训练前声明目标，例如在未见过的数据上达到 93% 准确率。训练会持续到满足目标，若停滞则自动扩宽网络，并从不同随机起点再训练一个模型以确认结果非偶然。数据划分基于字段值的哈希，确保同一名词在每次运行、每台机器和每个 Perl 版本中都位于同一侧。此外，库会提前指出模型无法学习的样本，如因窗口限制无法区分的训练对，避免将其误计为训练失败。
GPU 与 CPU 后端的性能权衡
Peta::NN 支持 plain、pdl 和 gpu 三种后端。在训练小模型时，GPU 因每次训练步约 1 毫秒的固定开销，反而不如 CPU 快；随着模型或批次增大，GPU 优势才显现。例如批次为 16 时，约 2 万权重是交叉点；批次为 512 时，GPU 在所有规模上都领先。推理时，融合链在 GPU 上从几百个字符串开始比管道快十倍，但单个字符串因传输开销慢十倍。库会自动计时选择最快后端，无需手动指定。
适用边界与当前限制
Peta::NN 专注于拼写层面的窄任务，模型只读取单词的表面形式，通常仅最后六个字符。它不处理需要句子上下文才能决定的问题，例如英语词性标注仅靠拼写只能达到 80.8% 准确率，提升需引入上下文模型而非增大模型。此外，模型对超出其知识范围的输入仍会给出答案，如三语言识别器对法语会自信地误判为已知语言之一。库尚处早期，无 API 稳定性承诺，且不适用于图像、声音或大模型场景。
Q&A
Peta::NN 是什么？它有什么主要特点？
Peta::NN 是一个用 Perl 编写的神经网络库，不依赖外部框架，专注于训练小型模型（几千到几十万权重），用于处理字符串的窄任务。它支持链式组合模型，可在 CPU 和 GPU 后端运行，训练德语名词复数等任务准确率达 98% 以上。库约 7000 行，强调小模型组合优于大模型，已在 CPAN 发布。
Peta::NN 为什么选择用 Perl 实现而不是用 Python 训练再移植？
因为 PetaMem 有 25 年 Perl 自然语言处理经验，但规则方法有局限，而 CPAN 上缺乏能从 Perl 数据训练模型并组合模型的工具。现有工具要么绑定已退役框架，要么只能运行别处训练的模型，要么没有网络层。因此他们决定用 Perl 实现，以便直接在 Perl 中定义、训练、测量和部署模型。
Peta::NN 的模型是如何定义和训练的？
模型通过声明式配置定义，指定读取字段、预测字段、附加信息、读取字符数（如最后 6 个字符）和目标（如未见数据准确率 0.93）。训练自动进行，直到在未见数据上达到目标，若停滞则扩大网络，并从另一个随机起点训练第二个模型以确认非侥幸。无需指定层、优化器、损失函数或训练循环。
Peta::NN 的链式组合模型有什么优势？
链式组合将复杂任务分解为多个小模型，每个模型更易训练和验证。链本身也是模型，可保存、加载、作为更大链的一部分，且各部分可独立训练、测量和替换。参数按名称传递，无需手动连接。例如德语与格复数由三个模型组成，比一个大模型更易正确实现。
Peta::NN 在 GPU 上的性能如何？与 CPU 相比有什么不同？
GPU 适合大批量处理：在融合链上，当一次处理几百个字符串时，GPU 比管道快十倍；但单个字符串在 GPU 上慢十倍。训练时，小模型在 CPU 上更快，因为 GPU 每步约 1 毫秒固定开销；当模型或批量增大时 GPU 反超，例如批量 512 时 GPU 快 46 倍。库会自动选择最快后端。
Peta::NN 有哪些局限性或注意事项？
Peta::NN 尚处早期，无 API 稳定性承诺。模型只基于拼写，无法处理需要句子上下文的任务；对未知输入会强行给出答案（如三语言识别器对法语会误判）。它不支持图像、声音或大模型，也不适合需要自动微分或张量库的场景。
