本書深入淺出地介紹了現代大型人工智能（Artificial Intelligence，AI）模型技術，從對話機器人的發展歷程和人工智能的理念出發，詳細闡述了大模型私有化部署過程，深入剖析了Transformer架構，旨在幫助讀者領悟大模型的核心原理和技術細節。
本書的講解風格獨樹一幟，將深奧的技術術語轉化為簡潔明瞭的語言，案例敘述既嚴謹又充滿趣味，讓讀者在輕鬆愉快的閱讀體驗中自然而然地吸收和理解AI知識。本書提供完整的代碼示例，可幫助讀者將抽象的理論知識轉化為手頭的實際技能。本書不僅理論知識豐富，實戰案例更能幫助讀者在專業領域內高效地應用AI技術。
無論是初學者還是有一定基礎的工程師，都能通過本書掌握大模型的核心原理和操作技巧，獲得私有化部署大模型的能力，精通Transformer架構，並能運用高效微調策略優化大模型，成為大模型領域的行家裡手。
| FindBook |
|
有 1 項符合
庄建的圖書 |
 |
$ 516 | 大模型實戰：微調、優化與私有化部署
作者：庄建 出版社：電子工業出版社 出版日期：2024-12-01 語言：簡體中文 規格：平裝 / 308頁 / 19 x 26 x 1.54 cm / 普通級/ 1-1  博客來 - 工程技術
- 來源網頁  看圖書介紹
|
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：大模型實戰：微調、優化與私有化部署
內容簡介
目錄
第1章 從零開始大模型之旅
1.1 對話機器人歷史
1.1.1 人機同頻交流
1.1.2 人機對話發展歷史
1.2 人工智能
1.2.1 從感知到創造
1.2.2 通用人工智能
1.2.3 發展方向
1.2.4 本書焦點
1.3 本章小結
第2章 大模型私有化部署
2.1 CUDA環境準備
2.1.1 基礎環境
2.1.2 大模型運行環境
2.1.3 安裝顯卡驅動
2.1.4 安裝CUDA
2.1.5 安裝cuDNN
2.2 深度學習環境準備
2.2.1 安裝Anaconda環境
2.2.2 服務器環境下的環境啟動
2.2.3 安裝PyTorch
2.3 GLM-3和GLM
2.3.1 GLM-3介紹
2.3.2 GLM-4介紹
2.4 GLM-4私有化部署
2.4.1 創建虛擬環境
2.4.2 下載GLM-4項目文件
2.4.3 安裝項目依賴包
2.4.4 下載模型權重
2.5 運行GLM-4的方式
2.5.1 基於命令行的交互式對話
2.5.2 基於Gradio庫的Web端對話應用
2.5.3 OpenAI風格的API調用方法
2.5.4 模型量化部署
2.6 本章小結
第3章 大模型理論基礎
3.1 自然語言領域中的數據
3.1.1 時間序列數據
3.1.2 分詞
3.1.3 Token
3.1.4 Embedding
3.1.5 語義向量空間
3.2 語言模型歷史演進
3.2.1 語言模型歷史演進
3.2.2 統計語言模型
3.2.3 神經網絡語言模型
3.3 注意力機制
3.3.1 RNN模型
3.3.2 Seq2Seq模型
3.3.3 Attention注意力機制
3.4 Transformer架構
3.4.1 整體架構
3.4.2 Self-Attention
3.4.3 Multi-Head Attention
3.4.4 Encoder
3.4.5 Decoder
3.4.6 實驗效果
3.5 本章小結
第4章 大模型開發工具
4.1 Huggingface
4.1.1 Huggingface介紹
4.1.2 安裝Transformers庫
4.2 大模型開發工具
4.2.1 開發範式
4.2.2 Transformers庫核心設計
4.3 Transformers庫詳解
4.3.1 NLP任務處理全流程
4.3.2 數據轉換形式
4.3.3 Tokenizer
4.3.4 模型加載和解讀
4.3.5 模型的輸出
4.3.6 模型的保存
4.4 全量微調訓練方法
4.4.1 Datasets庫和Accelerate庫
4.4.2 數據格式
4.4.3 數據預處理
4.4.4 模型訓練的參數
4.4.5 模型訓練
4.4.6 模型評估
4.5 本章小結
第5章 高效微調方法
5.1 主流的高效微調方法介紹
5.1.1 微調方法介紹
5.1.2 Prompt的提出背景
5.2 PEFT庫快速入門
5.2.1 介紹
5.2.2 設計理念
5.2.3 使用
5.3 Prefix Tuning
5.3.1 背景
5.3.2 核心技術解讀
5.3.3 實現步驟
5.3.4 實驗結果
5.4 Prompt Tuning
5.4.1 背景
5.4.2 核心技術解讀
5.4.3 實現步驟
5.4.4 實驗結果
5.5 P-Tuning
5.5.1 背景
5.5.2 核心技術解讀
5.5.3 實現步驟
5.5.4 實驗結果
5.6 P-Tuning V2
5.6.1 背景
5.6.2 核心技術解讀
5.6.3 實現步驟
5.6.4 實驗結果
5.7 本章小結
第6章 LoRA微調GLM-4實戰
6.1 LoRA
6.1.1 背景
6.1.2 核心技術解讀
6.1.3 LoRA的特點
6.1.4 實現步驟
6.1.5 實驗結果
6.2 AdaLoRA
6.2.1 LoRA的缺陷
6.2.2 核心技術解讀
6.2.3 實現步驟
6.2.4 實驗結果
6.3 QLoRA
6.3.1 背景
6.3.2 技術原理解析
6.4 量化技術
6.4.1 背景
6.4.2 量化技術分類
6.4.3 BitsAndBytes庫
6.4.4 實現步驟
6.4.5 實驗結果
6.5 本章小結
第7章 提示工程入門與實踐
7.1 探索大模型潛力邊界
7.1.1 潛力的來源
7.1.2 Prompt的六個建議
7.2 Prompt實踐
7.2.1 四個經典推理問題
7.2.2 大模型原始表現
7.3 提示工程
7.3.1 提示工程的概念
7.3.2 Few-shot
7.3.3 通過思維鏈提示法提升模型推理能力
7.3.4 Zero-shot-CoT提示方法
7.3.5 Few-shot-CoT提示方法
7.4 Least-to-Most Prompting（LtM提示方法）
7.4.1 Least-to-Most Prompting基本概念
7.4.2 Zero-shot-LtM提示過程
7.4.3 效果驗證
7.5 提示使用技巧
7.5.1 B.R.O.K.E提示框架
7.5.2 C.O.A.S.T提示框架
7.5.3 R.O.S.E.S提示框架
7.6 本章小結
第8章 大模型與中間件
8.1 AI Agent
8.1.1 從AGI到Agent
8.1.2 Agent概念
8.1.3 AI Agent應用領域
8.2 大模型對話模式
8.2.1 模型分類
8.2.2 多角色對話模式
8.3 多角色對話模式實戰
8.3.1 messages參數結構及功能解釋
8.3.2 messages參數中的角色劃分
8.4 Function Calling功能
…….
1.1 對話機器人歷史
1.1.1 人機同頻交流
1.1.2 人機對話發展歷史
1.2 人工智能
1.2.1 從感知到創造
1.2.2 通用人工智能
1.2.3 發展方向
1.2.4 本書焦點
1.3 本章小結
第2章 大模型私有化部署
2.1 CUDA環境準備
2.1.1 基礎環境
2.1.2 大模型運行環境
2.1.3 安裝顯卡驅動
2.1.4 安裝CUDA
2.1.5 安裝cuDNN
2.2 深度學習環境準備
2.2.1 安裝Anaconda環境
2.2.2 服務器環境下的環境啟動
2.2.3 安裝PyTorch
2.3 GLM-3和GLM
2.3.1 GLM-3介紹
2.3.2 GLM-4介紹
2.4 GLM-4私有化部署
2.4.1 創建虛擬環境
2.4.2 下載GLM-4項目文件
2.4.3 安裝項目依賴包
2.4.4 下載模型權重
2.5 運行GLM-4的方式
2.5.1 基於命令行的交互式對話
2.5.2 基於Gradio庫的Web端對話應用
2.5.3 OpenAI風格的API調用方法
2.5.4 模型量化部署
2.6 本章小結
第3章 大模型理論基礎
3.1 自然語言領域中的數據
3.1.1 時間序列數據
3.1.2 分詞
3.1.3 Token
3.1.4 Embedding
3.1.5 語義向量空間
3.2 語言模型歷史演進
3.2.1 語言模型歷史演進
3.2.2 統計語言模型
3.2.3 神經網絡語言模型
3.3 注意力機制
3.3.1 RNN模型
3.3.2 Seq2Seq模型
3.3.3 Attention注意力機制
3.4 Transformer架構
3.4.1 整體架構
3.4.2 Self-Attention
3.4.3 Multi-Head Attention
3.4.4 Encoder
3.4.5 Decoder
3.4.6 實驗效果
3.5 本章小結
第4章 大模型開發工具
4.1 Huggingface
4.1.1 Huggingface介紹
4.1.2 安裝Transformers庫
4.2 大模型開發工具
4.2.1 開發範式
4.2.2 Transformers庫核心設計
4.3 Transformers庫詳解
4.3.1 NLP任務處理全流程
4.3.2 數據轉換形式
4.3.3 Tokenizer
4.3.4 模型加載和解讀
4.3.5 模型的輸出
4.3.6 模型的保存
4.4 全量微調訓練方法
4.4.1 Datasets庫和Accelerate庫
4.4.2 數據格式
4.4.3 數據預處理
4.4.4 模型訓練的參數
4.4.5 模型訓練
4.4.6 模型評估
4.5 本章小結
第5章 高效微調方法
5.1 主流的高效微調方法介紹
5.1.1 微調方法介紹
5.1.2 Prompt的提出背景
5.2 PEFT庫快速入門
5.2.1 介紹
5.2.2 設計理念
5.2.3 使用
5.3 Prefix Tuning
5.3.1 背景
5.3.2 核心技術解讀
5.3.3 實現步驟
5.3.4 實驗結果
5.4 Prompt Tuning
5.4.1 背景
5.4.2 核心技術解讀
5.4.3 實現步驟
5.4.4 實驗結果
5.5 P-Tuning
5.5.1 背景
5.5.2 核心技術解讀
5.5.3 實現步驟
5.5.4 實驗結果
5.6 P-Tuning V2
5.6.1 背景
5.6.2 核心技術解讀
5.6.3 實現步驟
5.6.4 實驗結果
5.7 本章小結
第6章 LoRA微調GLM-4實戰
6.1 LoRA
6.1.1 背景
6.1.2 核心技術解讀
6.1.3 LoRA的特點
6.1.4 實現步驟
6.1.5 實驗結果
6.2 AdaLoRA
6.2.1 LoRA的缺陷
6.2.2 核心技術解讀
6.2.3 實現步驟
6.2.4 實驗結果
6.3 QLoRA
6.3.1 背景
6.3.2 技術原理解析
6.4 量化技術
6.4.1 背景
6.4.2 量化技術分類
6.4.3 BitsAndBytes庫
6.4.4 實現步驟
6.4.5 實驗結果
6.5 本章小結
第7章 提示工程入門與實踐
7.1 探索大模型潛力邊界
7.1.1 潛力的來源
7.1.2 Prompt的六個建議
7.2 Prompt實踐
7.2.1 四個經典推理問題
7.2.2 大模型原始表現
7.3 提示工程
7.3.1 提示工程的概念
7.3.2 Few-shot
7.3.3 通過思維鏈提示法提升模型推理能力
7.3.4 Zero-shot-CoT提示方法
7.3.5 Few-shot-CoT提示方法
7.4 Least-to-Most Prompting（LtM提示方法）
7.4.1 Least-to-Most Prompting基本概念
7.4.2 Zero-shot-LtM提示過程
7.4.3 效果驗證
7.5 提示使用技巧
7.5.1 B.R.O.K.E提示框架
7.5.2 C.O.A.S.T提示框架
7.5.3 R.O.S.E.S提示框架
7.6 本章小結
第8章 大模型與中間件
8.1 AI Agent
8.1.1 從AGI到Agent
8.1.2 Agent概念
8.1.3 AI Agent應用領域
8.2 大模型對話模式
8.2.1 模型分類
8.2.2 多角色對話模式
8.3 多角色對話模式實戰
8.3.1 messages參數結構及功能解釋
8.3.2 messages參數中的角色劃分
8.4 Function Calling功能
…….
|
