GPT 圖解 : 大模型是怎樣構建的
黃佳
- 出版商: 人民郵電
- 出版日期: 2023-12-01
- 定價: $479
- 售價: 8.5 折 $407
- 語言: 簡體中文
- 頁數: 254
- 裝訂: 平裝
- ISBN: 7115623686
- ISBN-13: 9787115623683
-
相關分類:
ChatGPT、LangChain、人工智慧、Text-mining
-
相關翻譯:
NLG 的王者 GPT 圖解 - LLM 的原來是這樣建構出來的 (繁中版)
買這商品的人也買了...
-
$1,200$948 -
$539$512 -
$880$695 -
$780$608 -
$352HuggingFace 自然語言處理詳解 — 基於 BERT 中文模型的任務實戰
-
$560$442 -
$454互聯網技術十講
-
$505穿越作業系統迷霧:從零實現作業系統
-
$454從零開始大模型開發與微調:基於 PyTorch 與 ChatGLM
-
$556大規模語言模型:從理論到實踐
-
$594$564 -
$820$648 -
$301智能邊緣計算
-
$505自然語言處理原理與實戰
-
$505LangChain 入門指南:構建高可復用、可擴展的 LLM 應用程序
-
$880$695 -
$658一本書講透 Elasticsearch:原理、進階與工程實務
-
$594$564 -
$556高效能並行運行時系統:設計與實現
-
$403Llama 大模型實踐指南
-
$607大語言模型:原理與工程實踐
-
$750$735 -
$680$537 -
$708$673 -
$780$616
相關主題
商品描述
人工智能(AI),尤其是生成式語言模型和生成式人工智能(AIGC)模型,正以驚人的速度改變著我們的世界。駕馭這股潮流的關鍵,莫過於探究自然語言處理(NLP)技術的深奧秘境。本書將帶領讀者踏上一段扣人心弦的探索之旅,讓其親身感受,並動手搭建語言模型。本書主要內容包括N-Gram,詞袋模型(BoW),Word2Vec(W2V),神經概率語言模型(NPLM),循環神經網絡(RNN),Seq2Seq(S2S),註意力機制,Transformer,從初代GPT到ChatGPT再到GPT-4等一系列突破性技術的誕生與演進。
本書將以生動活潑的筆觸,將枯燥的技術細節化作輕松幽默的故事和繽紛多彩的圖畫,引領讀者穿梭於不同技術的時空,見證自然語言處理技術的傳承、演進與蛻變。在這場不斷攀登技術新峰的奇妙之旅中,讀者不僅能深入理解自然語言處理技術的核心原理,還能自己動手,從零開始搭建起一個又一個語言模型。
無論你是在校學生還是人工智能從業者,這本書都將成為一盞明燈,照亮你探索人工智能無限奧秘的道路。
作者簡介
黄佳,笔名咖哥,新加坡科技研究局人工智能研究员。主攻方向为 NLP 大模型的研发与应用、持续学习、AI in FinTech。黄佳深耕人工智能领域多年,积累了丰富的科研项目和政府、银行、能源、医疗等领域 AI 项目落地实战经验,目前正与 PlatoX.AI 展开富有前景的技术合作。曾著有《零基础学机器学习》《数据分析咖哥十话》等多部热销书。同时,在极客时间开设专栏《零基础实战机器学习》《LangChain 实战课》,在深蓝学院开设视频课程“生成式预训练语言模型:理论与实战”。
目錄大綱
目 錄
序章 看似尋常最奇崛,成如容易卻艱辛 001
GPT-4:點亮人工通用智能的火花 002
人工智能演進之路:神經網絡兩落三起 004
現代自然語言處理:從規則到統計 007
何為語言?信息又如何傳播? 008
NLP是人類和電腦溝通的橋梁 009
NLP技術的演進史 010
大規模預訓練語言模型:BERT與GPT爭鋒 012
語言模型的誕生和進化 012
統計語言模型的發展歷程 014
基於Transformer架構的預訓練模型 016
“預訓練+微調大模型”的模式 018
以提示/指令模式直接使用大模型 019
從初代GPT到ChatGPT,再到GPT-4 021
GPT作為生成式模型的天然優勢 022
ChatGPT背後的推手——OpenAI 023
從初代GPT到ChatGPT,再到GPT-4的進化史 024
第 1課 高樓萬丈平地起:語言模型的雛形N-Gram和簡單文本表示Bag-of-Words 026
1.1 N-Gram模型 026
1.2 “詞”是什麽,如何“分詞” 030
1.3 創建一個Bigram字符預測模型 032
1.4 詞袋模型 036
1.5 用詞袋模型計算文本相似度 037
小結 042
思考 043
第 2課 問君文本何所似: 詞的向量表示Word2Vec和Embedding 044
2.1 詞向量 ≈ 詞嵌入 045
2.2 Word2Vec:CBOW模型和Skip-Gram模型 047
2.3 Skip-Gram模型的代碼實現 050
2.4 CBOW模型的代碼實現 061
2.5 通過nn.Embedding來實現詞嵌入 063
小結 067
思考 068
第3課 山重水復疑無路:神經概率語言模型和循環神經網絡 069
3.1 NPLM的起源 070
3.2 NPLM的實現 072
3.3 循環神經網絡的結構 079
3.4 循環神經網絡實戰 082
小結 086
思考 087
第4課 柳暗花明又一村:Seq2Seq編碼器-解碼器架構 088
4.1 Seq2Seq架構 089
4.2 構建簡單Seq2Seq架構 092
小結 103
思考 103
第5課 見微知著開慧眼:引入註意力機制 104
5.1 點積註意力 105
5.2 縮放點積註意力 114
5.3 編碼器-解碼器註意力 116
5.4 註意力機制中的Q、K、V 122
5.5 自註意力 125
5.6 多頭自註意力 126
5.7 註意力掩碼 129
5.8 其他類型的註意力 131
小結 132
思考 132
第6課 層巒疊翠上青天:搭建GPT核心組件Transformer 133
6.1 Transformer架構剖析 133
6.1.1 編碼器-解碼器架構 135
6.1.2 各種註意力的應用 135
6.1.3 編碼器的輸入和位置編碼 140
6.1.4 編碼器的內部結構 141
6.1.5 編碼器的輸出和編碼器-解碼器的連接 142
6.1.6 解碼器的輸入和位置編碼 143
6.1.7 解碼器的內部結構 145
6.1.8 解碼器的輸出和Transformer的輸出頭 146
6.2 Transformer代碼實現 148
6.3 完成翻譯任務 176
6.3.1 數據準備 177
6.3.2 訓練Transformer模型 179
6.3.3 測試Transformer模型 179
小結 181
思考 182
第7課 芳林新葉催陳葉:訓練出你的簡版生成式GPT 183
7.1 BERT與GPT爭鋒 184
7.2 GPT:生成式自回歸模型 188
7.3 構建GPT模型並完成文本生成任務 191
7.3.1 搭建GPT模型(解碼器) 192
7.3.2 構建文本生成任務的數據集 195
7.3.3 訓練過程中的自回歸 198
7.3.4 文本生成中的自回歸(貪婪搜索) 200
7.4 使用WikiText2數據集訓練Wiki-GPT模型 201
7.4.1 用WikiText2構建Dataset和DataLoader 202
7.4.2 用DataLoader提供的數據進行訓練 206
7.4.3 用Evaluation Dataset評估訓練過程 207
7.4.4 文本生成中的自回歸(集束搜索) 209
小結 212
思考 213
第8課 流水後波推前波:ChatGPT基於人類反饋的強化學習 214
8.1 從GPT到ChatGPT 215
8.2 在Wiki-GPT基礎上訓練自己的簡版ChatGPT 218
8.3 用Hugging Face預訓練GPT微調ChatGPT 225
8.4 ChatGPT的RLHF實戰 233
8.4.1 強化學習基礎知識 235
8.4.2 簡單RLHF實戰 237
小結 243
思考 244
第9課 生生不息的循環:使用強大的GPT-4 API 245
9.1 強大的OpenAI API 245
9.2 使用GPT-4 API 249
小結 251
思考 252
後 記 莫等閑,白了少年頭 253