快速部署大模型：LLM策略與實踐（基于ChatGPT等大語言模型）

定　價：￥79.00

作　者：	[美]斯楠·奧茲德米爾（Sinan Ozdemir）著，姚普白濤卜崇宇王蜀洪譯
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥75.10)

ISBN：	9787302661610	出版時間：	2024-06-01	包裝：	平裝-膠訂
開本：	24開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書主要圍繞如何充分挖掘、利用大語言模型的潛力，囊括了大語言模型的概念，如何通過提示詞更好地利用大語言模型，大語言模型在信息檢索、推薦系統(tǒng)、視覺問答等任務中的應用，以及大語言模型的微調(diào)、多模態(tài)訓練、模型生產(chǎn)應用等高階使用技巧。本書在講解過程中搭配大量的應用實例以及相關代碼，從大語言模型的概念、挖掘大語言模型潛力的方式到大語言模型的高級使用方式，讀者能夠?qū)⒏拍顚W習和實踐應用同步進行，是相關領域工程技術人員、學術人員以及對大語言模型感興趣的廣大讀者的不二之選。本書的內(nèi)容編排適合以下群體：（1）有一定的編程能力，但對大語言模型沒有充分的認知，想通過本書迅速掌握大語言模型的概念，并在相關業(yè)務領域（信息檢索、對話系統(tǒng)、推薦系統(tǒng)等）實現(xiàn)快速應用。（2）大語言模型某個研究領域的資深從業(yè)人員，但是想更全面地了解大語言模型在各個領域的研究應用現(xiàn)狀，實現(xiàn)對大語言模型從學術研究到生產(chǎn)應用的全方位系統(tǒng)認知。

作者簡介

　　斯楠·奧茲德米爾（Sinan Ozdemir）擁有數(shù)學碩士學位，是一位成功的人工智能企業(yè)家和風險投資顧問。在擔任約翰·霍普金斯大學講師期間，首次涉足數(shù)據(jù)科學和機器學習，并發(fā)明了人工智能領域的多項專利。后來創(chuàng)立了Kylie.ai——一個融合了對話式人工智能和機器人能力的創(chuàng)新平臺。Kylie.ai很快就因其獨特的價值主張而受到關注，最終被收購。在此期間，斯楠·奧茲德米爾開始創(chuàng)作大量關于數(shù)據(jù)科學、人工智能和機器學習的作品。關于譯者姚普中國科學院大學博士，現(xiàn)任京東資深算法工程師，多年從事算法設計與開發(fā)、算法框架引擎開發(fā)、算法產(chǎn)品化開發(fā)，在圖算法和大模型領域深耕多年，《圖深度學習從理論到實踐》作者。

圖書目錄

第1部分大模型介紹
第1章大模型概述
1.1什么是大模型
1.1.1大模型的定義
1.1.2大模型的關鍵特征
1.1.3大模型是如何工作的
1.2當前流行的大模型
1.2.1BERT
1.2.2GPT3和 ChatGPT
1.2.3T5
1.3垂直領域大模型
1.4大模型的應用
1.4.1經(jīng)典的NLP任務
1.4.2自由文本生成
1.4.3信息檢索/神經(jīng)語意搜索
1.4.4聊天機器人
1.5本章小結
第2章大模型語義檢索
2.1簡介
2.2語義檢索的任務
2.3非對稱語義檢索方案概述
2.4組件
2.4.1文本嵌入器
2.4.2文檔分塊
2.4.3向量數(shù)據(jù)庫
2.4.4Pinecone
2.4.5開源替代方案
2.4.6檢索結果重排
2.4.7API
2.5完整方案
2.6閉源組件的成本
2.7本章小結
第3章提示詞工程入門
3.1簡介
3.2提示詞工程
3.2.1LLM的對齊
3.2.2LLM提問
3.2.3小樣本學習
3.2.4結構化輸出
3.2.5人物角色提示詞
3.3跨模型提示詞工程
3.3.1ChatGPT
3.3.2Cohere
3.3.3開源提示詞工程
3.4采用ChatGPT構建問答機器人
3.5本章小結
第2部分充分挖掘大模型的潛力
第4章通過定制化微調(diào)優(yōu)化大模型
4.1簡介
4.2遷移學習與微調(diào)入門
4.2.1微調(diào)過程的解釋
4.2.2閉源預訓練模型作為基礎模型
4.3OpenAI 微調(diào) API 概覽
4.3.1GPT3微調(diào) API
4.3.2案例學習：亞馬遜評論情感分類
4.3.3數(shù)據(jù)指南和最佳實踐
4.4使用OpenAI CLI實現(xiàn)自定義數(shù)據(jù)微調(diào)
4.5設置 OpenAI CLI
4.6LLM微調(diào)實踐
4.6.1采用量化指標評測大模型
4.6.2定性評估技術
4.6.3將微調(diào)的GPT3模型集成到應用程序中
4.6.4案例學習：亞馬遜評論分類
4.7本章小結
第5章高級提示工程
5.1提示注入攻擊
5.2輸入/輸出驗證
5.3批處理提示
5.4提示鏈
5.4.1提示鏈作為防御提示注入的手段
5.4.2使用提示鏈來防止提示填充
5.4.3使用提示鏈來安全地使用多模態(tài)LLM
5.5思維鏈提示
5.6重新審視小樣本學習
5.7測試和迭代快速開發(fā)
5.8本章小結
第6章定制嵌入層和模型架構
6.1案例研究：構建一個推薦系統(tǒng)
6.1.1定義問題和數(shù)據(jù)
6.1.2推薦系統(tǒng)的定義
6.1.3基于萬條用戶行為數(shù)據(jù)構建推薦系統(tǒng)
6.1.4生成自定義字段來對比項目的相似性
6.1.5采用基礎詞向量構建基線
6.1.6準備微調(diào)數(shù)據(jù)
6.1.7使用Sentence Transformers微調(diào)開源嵌入器
6.1.8微調(diào)效果總結
6.2本章小結
第3部分大模型的高級使用
第7章超越基礎模型
7.1案例研究：視覺問答
7.1.1模型簡介： DistilBERT、視覺轉(zhuǎn)換器和GPT2
7.1.2隱藏狀態(tài)投影和融合
7.1.3交叉注意力是什么以及為什么至關重要
7.1.4定制多模式聯(lián)運模型
7.1.5數(shù)據(jù)：視覺問答
7.1.6VQA訓練迭代
7.1.7結果總結
7.2案例研究：從反饋中強化學習
7.2.1FLANT5模型
7.2.2獎勵模型：情感和語法正確性
7.2.3Transformer強化學習
7.2.4RLF訓練循環(huán)
7.2.5結果總結
7.3本章小結
第8章開源大模型的高級微調(diào)方法
8.1案例研究：采用BERT對動漫進行多標簽分類
8.1.1采用Jaccard相似分來評估動漫標題多標簽分類的效果
8.1.2簡單的微調(diào)大模型訓練流程
8.1.3通用的開源大模型微調(diào)技巧
8.1.4結果總結
8.2采用GPT2生成LaTeX
8.2.1開源大模型的提示詞工程
8.2.2結果總結
8.3Sinan嘗試做出聰明而優(yōu)美的回應： SAWYER
8.3.1有監(jiān)督指令微調(diào)
8.3.2獎勵模型的訓練
8.3.3從(期望的)人類反饋中進行強化學習
8.3.4結果總結
8.4日新月異的微調(diào)世界
8.5本章小結
第9章將LLM應用于生產(chǎn)
9.1閉源LLM應用于生產(chǎn)
9.2開源LLM應用于生產(chǎn)
9.2.1將LLM應用于推理
9.2.2互操作性
9.2.3模型量化
9.2.4模型剪枝
9.2.5知識蒸餾
9.2.6大模型的成本預估
9.2.7模型推送到Hugging Face倉庫
9.3本章小結
9.3.1歡迎向社區(qū)貢獻代碼
9.3.2繼續(xù)加油
第4部分附錄
附錄ALLM常見問題解答
附錄BLLM術語表
附錄CLLM應用架構