[
-
内容大纲
本书全程图解式讲解，通过大量全彩插图拆解概念，让读者真正告别学习大模型的枯燥和复杂。
全书分为三部分，依次介绍语言模型的原理、应用及优化。第一部分理解语言模型（第1～3章），解析语言模型的核心概念，包括词元、嵌入向量及Transformer架构，帮助读者建立基础认知。第二部分使用预训练语言模型（第4～9章），介绍如何使用大模型进行文本分类、聚类、语义搜索、文本生成及多模态扩展，提升模型的应用能力。第三部分训练和微调语言模型（第10～12章），探讨大模型的训练与微调方法，包括嵌入模型的构建、分类任务的优化及生成式模型的微调，以适应特定需求。
本书适合对大模型感兴趣的开发者、研究人员和行业从业者。读者无须深度学习基础，只要会用Python，就可以通过本书深入理解大模型的原理并上手大模型应用开发。书中示例还可以一键在线运行，让学习过程更轻松。 -
作者介绍
-
目录
对本书的赞誉
对本书中文版的赞誉
译者序
中文版序
前言
第一部分 理解语言模型
第1章 大语言模型简介
1.1 什么是语言人工智能
1.2 语言人工智能的近期发展史
1.2.1 将语言表示为词袋模型
1.2.2 用稠密向量嵌入获得更好的表示
1.2.3 嵌入的类型
1.2.4 使用注意力机制编解码上下文
1.2.5 “Attention Is All You Need”
1.2.6 表示模型：仅编码器模型
1.2.7 生成模型：仅解码器模型
1.2.8 生成式AI元年
1.3 “LLM”定义的演变
1.4 LLM的训练范式
1.5 LLM的应用
1.6 开发和使用负责任的LLM
1.7 有限的资源就够了
1.8 与LLM交互
1.8.1 专有模型
1.8.2 开源模型
1.8.3 开源框架
1.9 生成你的第一段文本
1.10 小结
第2章 词元和嵌入
2.1 LLM的分词
2.1.1 分词器如何处理语言模型的输入
2.1.2 下载和运行LLM
2.1.3 分词器如何分解文本
2.1.4 词级、子词级、字符级与字节级分词
2.1.5 比较训练好的LLM分词器
2.1.6 分词器属性
2.2 词元嵌入
2.2.1 语言模型为其分词器的词表保存嵌入
2.2.2 使用语言模型创建与上下文相关的词嵌入
2.3 文本嵌入（用于句子和整篇文档）
2.4 LLM之外的词嵌入
2.4.1 使用预训练词嵌入
2.4.2 word2vec算法与对比训练
2.5 推荐系统中的嵌入
2.5.1 基于嵌入的歌曲推荐
2.5.2 训练歌曲嵌入模型
2.6 小结
第3章 LLM的内部机制
3.1 Transformer模型概述
3.1.1 已训练Transformer LLM的输入和输出
3.1.2 前向传播的组成
3.1.3 从概率分布中选择单个词元（采样 解码）
3.1.4 并行词元处理和上下文长度
3.1.5 通过缓存键 值加速生成过程
3.1.6 Transformer块的内部结构
3.2 Transformer架构的最新改进
3.2.1 更高效的注意力机制
3.2.2 Transformer块
3.2.3 位置嵌入：RoPE
3.2.4 其他架构实验和改进
3.3 小结
第二部分 使用预训练语言模型
第4章 文本分类
4.1 电影评论的情感分析
4.2 使用表示模型进行文本分类
4.3 模型选择
4.4 使用特定任务模型
4.5 利用嵌入向量的分类任务
4.5.1 监督分类
4.5.2 没有标注数据怎么办
4.6 使用生成模型进行文本分类
4.6.1 使用T
4.6.2 使用ChatGPT进行分类
4.7 小结
第5章 文本聚类和主题建模
5.1 ArXiv文章：计算与语言
5.2 文本聚类的通用流程
5.2.1 嵌入文档
5.2.2 嵌入向量降维
5.2.3 对降维后的嵌入向量进行聚类
5.2.4 检查生成的簇
5.3 从文本聚类到主题建模
5.3.1 BERTopic：一个模块化主题建模框架
5.3.2 添加特殊的“乐高积木块”
5.3.3 文本生成的“乐高积木块”
5.4 小结
第6章 提示工程
6.1 使用文本生成模型
6.1.1 选择文本生成模型
6.1.2 加载文本生成模型
6.1.3 控制模型输出
6.2 提示工程简介
6.2.1 提示词的基本要素
6.2.2 基于指令的提示词
6.3 高级提示工程
6.3.1 提示词的潜在复杂性
6.3.2 上下文学习：提供示例
6.3.3 链式提示：分解问题
6.4 使用生成模型进行推理
6.4.1 思维链：先思考再回答
6.4.2 自洽性：采样输出
6.4.3 思维树：探索中间步骤
6.5 输出验证
6.5.1 提供示例
6.5.2 语法：约束采样
6.6 小结
第7章 高级文本生成技术与工具
7.1 模型输入 输出：基于LangChain加载量化模型
7.2 链：扩展LLM的能力
7.2.1 链式架构的关键节点：提示词模板
7.2.2 多提示词链式架构
7.3 记忆：构建LLM的对话回溯能力
7.3.1 对话缓冲区
7.3.2 窗口式对话缓冲区
7.3.3 对话摘要
7.4 智能体：构建LLM系统
7.4.1 智能体的核心机制：递进式推理
7.4.2 LangChain中的ReAct实现
7.5 小结
第8章 语义搜索与RAG
8.1 语义搜索与RAG技术全景
8.2 语言模型驱动的语义搜索实践
8.2.1 稠密检索
8.2.2 重排序
8.2.3 检索评估指标体系
8.3 RAG
8.3.1 从搜索到RAG
8.3.2 示例：使用LLM API进行基于知识的生成
8.3.3 示例：使用本地模型的RAG
8.3.4 高级RAG技术
8.3.5 RAG效果评估
8.4 小结
第9章 多模态LLM
9.1 视觉Transformer
9.2 多模态嵌入模型
9.2.1 CLIP：构建跨模态桥梁
9.2.2 CLIP的跨模态嵌入生成机制
9.2.3 OpenCLIP
9.3 让文本生成模型具备多模态能力
9.3.1 BLIP-2：跨越模态鸿沟
9.3.2 多模态输入预处理
9.3.3 用例1：图像描述
9.3.4 用例2：基于聊天的多模态提示词
9.4 小结
第三部分 训练和微调语言模型
第10章 构建文本嵌入模型
10.1 嵌入模型
10.2 什么是对比学习
10.3 SBERT
10.4 构建嵌入模型
10.4.1 生成对比样本
10.4.2 训练模型
10.4.3 深入评估
10.4.4 损失函数
10.5 微调嵌入模型
10.5.1 监督学习
10.5.2 增强型SBERT
10.6 无监督学习
10.6.1 TSDAE
10.6.2 使用TSDAE进行领域适配
10.7 小结
第11章 为分类任务微调表示模型
11.1 监督分类
11.1.1 微调预训练的BERT模型
11.1.2 冻结层
11.2 少样本分类
11.2.1 SetFit：少样本场景下的高效微调方案
11.2.2 少样本分类的微调
11.3 基于掩码语言建模的继续预训练
11.4 命名实体识别
11.4.1 数据准备
11.4.2 命名实体识别的微调
11.5 小结
第12章 微调生成模型
12.1 LLM训练三步走：预训练、监督微调和偏好调优
12.2 监督微调
12.2.1 全量微调
12.2.2 参数高效微调
12.3 使用QLoRA进行指令微调
12.3.1 模板化指令数据
12.3.2 模型量化
12.3.3 LoRA配置
12.3.4 训练配置
12.3.5 训练
12.3.6 合并权重
12.4 评估生成模型
12.4.1 词级指标
12.4.2 基准测试
12.4.3 排行榜
12.4.4 自动评估
12.4.5 人工评估
12.5 偏好调优、对齐
12.6 使用奖励模型实现偏好评估自动化
12.6.1 奖励模型的输入和输出
12.6.2 训练奖励模型
12.6.3 训练无奖励模型
12.7 使用DPO进行偏好调优
12.7.1 对齐数据的模板化
12.7.2 模型量化
12.7.3 训练配置
12.7.4 训练
12.8 小结
附录 图解DeepSeek-R
后记
同类热销排行榜
- C语言与程序设计教程(高等学校计算机类十二五规划教材)16
- 电机与拖动基础(教育部高等学校自动化专业教学指导分委员会规划工程应用型自动化专业系列教材)13.48
- 传感器与检测技术(第2版高职高专电子信息类系列教材)13.6
- ASP.NET项目开发实战(高职高专计算机项目任务驱动模式教材)15.2
- Access数据库实用教程(第2版十二五职业教育国家规划教材)14.72
- 信号与系统(第3版下普通高等教育九五国家级重点教材)15.08
- 电气控制与PLC(普通高等教育十二五电气信息类规划教材)17.2
- 数字电子技术基础(第2版)17.36
- VB程序设计及应用(第3版十二五职业教育国家规划教材)14.32
- Java Web从入门到精通(附光盘)/软件开发视频大讲堂27.92
推荐书目
-
孩子你慢慢来/人生三书 华人世界率性犀利的一枝笔，龙应台独家授权《孩子你慢慢来》20周年经典新版。她的《...
-
时间简史(插图版) 相对论、黑洞、弯曲空间……这些词给我们的感觉是艰深、晦涩、难以理解而且与我们的...
-
本质(精) 改革开放40年，恰如一部四部曲的年代大戏。技术突变、产品迭代、产业升级、资本对接...