Digital representation: text, bilder och ljud

Allt som matas in i en modell är numeriska värden. Frågan är bara hur konverteringen sker.

• Text: varje tecken har ett unikt nummer (Unicode). A = 65, å = 229, 😀 = 128512. En textsträng är i grunden en lista med tal. (Språkmodeller går ett steg längre och grupperar tecken till tokens.)
• Bild: ett rutnät av pixlar; varje pixel representeras av tre tal 0–255 (rött, grönt, blått). En bild på 1000 × 1000 pixlar innehåller 3 miljoner tal.
• Ljud: en mikrofon mäter lufttryck 44 100 gånger per sekund; varje mätning är ett tal. En sekunds ljud motsvarar 44 100 tal.

Modellen tolkar inte vad talen betyder i sig — den identifierar mönster i de numeriska sekvenserna.

text = "Hej!"
print([ord(c) for c in text])        # [72, 101, 106, 33]
print(chr(229))                        # å

# en 2×2-bild i RGB: rader → pixlar → (r, g, b)
bild = [[(255, 0, 0), (0, 255, 0)],
        [(0, 0, 255), (0, 0, 0)]]
print(bild[0][1])                      # (0, 255, 0) — grön

# en sekund tyst ljud vid 8 kHz
ljud = [0] * 8000

Storlek: 1000 × 1000 pixlar × 3 byte = 3 MB okomprimerat. Komprimering (JPEG, MP3) minskar filstorleken genom att ta bort information som människan inte uppfattar.