91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
生成式AI入門與AWS實戰(zhàn)
生成式AI入門與AWS實戰(zhàn)
Chris Fregly, Antje Barth, Shelbee Eigenbrode 著
生成式AI技術(shù)興趣小組 譯
出版時間：2024年05月
頁數(shù)：238
“我對這本書的出版感到非常興奮——它很好地融合了重要的背景知識、理論信息及詳細的實踐代碼和深入講解。我很喜歡閱讀它，相信你也會喜歡！”
——Jeff Barr
AWS副總裁兼首席布道師

如今，企業(yè)正迅速地將生成式AI整合到其產(chǎn)品和服務(wù)中。但是，關(guān)于這項技術(shù)的影響和前景，存在大量的炒作（和誤解）。通過這本書，來自AWS的Chris Fregly、Antje Barth和Shelbee Eigenbrode將幫助CTO、機器學習從業(yè)者、應(yīng)用程序開發(fā)者、業(yè)務(wù)分析師、數(shù)據(jù)工程師和數(shù)據(jù)科學家找到實際的方法來使用這一令人興奮的新技術(shù)。
通過本書，你將學習生成式AI項目生命周期，包括確定用例、模型選擇、模型微調(diào)、RAG、RLHF和模型量化、優(yōu)化與部署。你還將探索不同類型的模型，包括大語言模型和多模態(tài)模型，如用于生成圖像的Stable Diffusion和用于回答有關(guān)圖像問題的Flamingo/IDEFICS。
● 將生成式AI應(yīng)用于你的業(yè)務(wù)用例
● 確定哪種生成式AI模型適合你的任務(wù)
● 實踐提示工程和上下文學習
● 通過LoRA在你的數(shù)據(jù)集上微調(diào)生成式AI模型
● 通過RLHF使生成式AI模型與人類價值觀對齊
● 通過RAG增強你的模型
● 探索LangChain和ReAct等以開發(fā)agent
● 通過Amazon Bedrock構(gòu)建生成式AI應(yīng)用程序
  1. 第1章　生成式AI用例、基礎(chǔ)知識和項目生命周期
  2. 1.1　用例和任務(wù)
  3. 1.2　基礎(chǔ)模型和模型中心
  4. 1.3　生成式AI項目生命周期
  5. 1.4　AWS上的生成式AI
  6. 1.5　為什么選擇基于AWS構(gòu)建生成式AI
  7. 1.6　在AWS上構(gòu)建生成式AI應(yīng)用程序
  8. 1.7　小結(jié)
  9. 第2章　提示工程與上下文學習
  10. 2.1　提示與完成
  11. 2.2　token
  12. 2.3　提示工程
  13. 2.4　提示結(jié)構(gòu)
  14. 2.4.1　指令
  15. 2.4.2　上下文
  16. 2.5　通過少樣本推理進行上下文學習
  17. 2.5.1　零樣本推理
  18. 2.5.2　單樣本推理
  19. 2.5.3　少樣本推理
  20. 2.5.4　上下文學習出錯
  21. 2.5.5　上下文學習實踐
  22. 2.6　提示工程實踐
  23. 2.7　推理配置參數(shù)
  24. 2.8　小結(jié)
  25. 第3章　大型語言基礎(chǔ)模型
  26. 3.1　大型語言基礎(chǔ)模型簡介
  27. 3.2　分詞器
  28. 3.3　嵌入向量
  29. 3.4　Transformer
  30. 3.4.1　輸入和上下文窗口
  31. 3.4.2　嵌入層
  32. 3.4.3　編碼器
  33. 3.4.4　自注意力
  34. 3.4.5　解碼器
  35. 3.4.6　Softmax輸出
  36. 3.5　基于Transformer的基礎(chǔ)模型的類別
  37. 3.6　預(yù)訓練數(shù)據(jù)集
  38. 3.7　縮放定律
  39. 3.8　計算最優(yōu)模型
  40. 3.9　小結(jié)
  41. 第4章　顯存和計算優(yōu)化
  42. 4.1　顯存容量的挑戰(zhàn)
  43. 4.2　數(shù)據(jù)類型和數(shù)值精度
  44. 4.3　量化
  45. 4.3.1　fp16
  46. 4.3.2　bfloat16
  47. 4.3.3　fp8
  48. 4.3.4　int8
  49. 4.4　優(yōu)化自注意力層
  50. 4.4.1　FlashAttention
  51. 4.4.2　分組查詢注意力
  52. 4.5　分布式GPU集群計算
  53. 4.5.1　分布式數(shù)據(jù)并行
  54. 4.5.2　全分片數(shù)據(jù)并行
  55. 4.6　基于AWS的分布式計算
  56. 4.6.1　通過Amazon SageMaker進行全分片數(shù)據(jù)并行
  57. 4.6.2　AWS Neuron SDK和AWS Trainium
  58. 4.7　小結(jié)
  59. 第5章　微調(diào)和評估
  60. 5.1　指令微調(diào)簡介
  61. 5.1.1　Llama2-Chat
  62. 5.1.2　Falcon-Chat
  63. 5.1.3　FLAN-T5
  64. 5.2　指令數(shù)據(jù)集
  65. 5.2.1　多任務(wù)指令數(shù)據(jù)集
  66. 5.2.2　FLAN：示例多任務(wù)指令數(shù)據(jù)集
  67. 5.2.3　提示模板
  68. 5.2.4　將自定義數(shù)據(jù)集轉(zhuǎn)換為指令數(shù)據(jù)集
  69. 5.3　指令微調(diào)的過程
  70. 5.3.1　Amazon SageMaker Studio
  71. 5.3.2　Amazon SageMaker JumpStart
  72. 5.3.3　將Amazon SageMaker Estimator用于Hugging Face
  73. 5.4　模型評估
  74. 5.4.1　評估指標
  75. 5.4.2　基準測試和數(shù)據(jù)集
  76. 5.5　小結(jié)
  77. 第6章　高效參數(shù)微調(diào)
  78. 6.1　全量微調(diào)與PEFT
  79. 6.2　LoRA和QLoRA
  80. 6.2.1　LoRA基礎(chǔ)
  81. 6.2.2　秩
  82. 6.2.3　目標模塊和網(wǎng)絡(luò)層
  83. 6.2.4　應(yīng)用LoRA
  84. 6.2.5　將LoRA 適配器與原始模型合并
  85. 6.2.6　維護獨立的LoRA適配器
  86. 6.2.7　全量微調(diào)與LoRA性能比較
  87. 6.2.8　QLoRA
  88. 6.3　Prompt Tuning和軟提示
  89. 6.4　小結(jié)
  90. 第7章　基于人類反饋的強化學習微調(diào)
  91. 7.1　與人類價值觀對齊：有用的、誠實的、無害的
  92. 7.2　強化學習概述
  93. 7.3　訓練自定義獎勵模型
  94. 7.3.1　通過人機交互收集訓練數(shù)據(jù)集
  95. 7.3.2　人類標注者的示例指令
  96. 7.3.3　通過Amazon SageMaker Ground Truth進行人工標注
  97. 7.3.4　準備訓練獎勵模型的排序數(shù)據(jù)
  98. 7.3.5　訓練獎勵模型
  99. 7.4　現(xiàn)有獎勵模型：Meta的有害性檢測器
  100. 7.5　通過人類反饋進行強化學習微調(diào)
  101. 7.5.1　在RLHF中使用獎勵模型
  102. 7.5.2　近端策略優(yōu)化強化學習算法
  103. 7.5.3　使用PPO進行RLH微調(diào)
  104. 7.5.4　緩解獎勵破解
  105. 7.5.5　通過RLHF進行參數(shù)高效微調(diào)
  106. 7.6　評估RLHF微調(diào)模型
  107. 7.6.1　定性評估
  108. 7.6.2　定量評估
  109. 7.6.3　載入評估模型
  110. 7.6.4　定義評估指標聚合函數(shù)
  111. 7.6.5　比較前后的評估指標
  112. 7.7　小結(jié)
  113. 第8章　模型部署優(yōu)化
  114. 8.1　模型推理優(yōu)化
  115. 8.1.1　剪枝
  116. 8.1.2　通過GPTQ進行訓練后量化
  117. 8.1.3　蒸餾
  118. 8.2　大模型推理容器
  119. 8.3　AWS Inferentia：專為推理而打造的硬件
  120. 8.4　模型更新和部署策略
  121. 8.4.1　A/B測試
  122. 8.4.2　影子模型部署
  123. 8.5　指標和監(jiān)控
  124. 8.6　自動伸縮
  125. 8.6.1　自動伸縮策略
  126. 8.6.2　定義自動伸縮策略
  127. 8.7　小結(jié)
  128. 第9章　通過RAG和agent實現(xiàn)基于上下文的推斷
  129. 9.1　大語言模型的局限性
  130. 9.1.1　幻覺
  131. 9.1.2　知識截斷
  132. 9.2　RAG
  133. 9.2.1　外部知識源
  134. 9.2.2　RAG工作流
  135. 9.2.3　文檔加載
  136. 9.2.4　分塊
  137. 9.2.5　文檔檢索和重新排序
  138. 9.2.6　提示增強
  139. 9.3　RAG編排和實現(xiàn)
  140. 9.3.1　文檔加載和分塊
  141. 9.3.2　向量embedding存儲和檢索
  142. 9.3.3　檢索鏈
  143. 9.3.4　通過MMR進行重新排序
  144. 9.4　agent
  145. 9.4.1　ReAct框架
  146. 9.4.2　PAL框架
  147. 9.5　生成式AI應(yīng)用程序
  148. 9.6　FMOps：實施生成式人工智能項目生命周期　
  149. 9.6.1　實驗注意事項
  150. 9.6.2　開發(fā)注意事項
  151. 9.6.3　生產(chǎn)部署注意事項
  152. 9.7　小結(jié)
  153. 第10章　多模態(tài)基礎(chǔ)模型
  154. 10.1　用例
  155. 10.2　多模態(tài)提示工程實踐
  156. 10.3　圖像生成和增強
  157. 10.3.1　圖像生成
  158. 10.3.2　圖像編輯和增強
  159. 10.4　圖像補全、圖像外部填充、depth-to-image
  160. 10.4.1　圖像補全
  161. 10.4.2　圖像外部填充
  162. 10.4.3　depth-to-image
  163. 10.5　圖像描述和視覺問答
  164. 10.5.1　圖像描述
  165. 10.5.2　內(nèi)容審查
  166. 10.5.3　視覺問答
  167. 10.6　模型評估
  168. 10.6.1　文生圖任務(wù)
  169. 10.6.2　正向擴散
  170. 10.6.3　非語言推理
  171. 10.7　擴散模型架構(gòu)
  172. 10.7.1　正向擴散
  173. 10.7.2　反向擴散
  174. 10.7.3　U-Net
  175. 10.8　Stable Diffusion 2架構(gòu)
  176. 10.8.1　文本編碼器
  177. 10.8.2　U-Net和擴散過程
  178. 10.8.2　文本條件控制
  179. 10.8.3　交叉注意力
  180. 10.8.4　采樣器
  181. 10.8.5　圖像解碼器
  182. 10.9　Stable Diffusion XL架構(gòu)
  183. 10.9.1　U-Net和交叉注意力
  184. 10.9.2　精修器
  185. 10.9.3　條件控制
  186. 10.10　小結(jié)
  187. 第11章　通過Stable Diffusion進行受控生成和微調(diào)
  188. 11.1　ControlNet
  189. 11.2　微調(diào)
  190. 11.2.1　DreamBooth
  191. 11.2.2　DreamBooth和PEFT-LoRA
  192. 11.2.3　文本反演
  193. 11.3　通過RLHF進行人類偏好對齊
  194. 11.4　小結(jié)
  195. 第12章　Amazon Bedrock：用于生成式AI的托管服務(wù)
  196. 12.1　Bedrock基礎(chǔ)模型
  197. 12.1.1　Amazon Titan基礎(chǔ)模型
  198. 12.1.2　來自StabilityAI公司的Stable Diffusion基礎(chǔ)模型
  199. 12.2　Bedrock推理API
  200. 12.3　大語言模型
  201. 12.3.1　生成SQL代碼
  202. 12.3.2　總結(jié)文本
  203. 12.3.3　嵌入
  204. 12.4　微調(diào)
  205. 12.5　agent
  206. 12.6　多模態(tài)模型
  207. 12.6.1　文生圖
  208. 12.6.2　圖生圖
  209. 12.7　數(shù)據(jù)隱私和網(wǎng)絡(luò)安全
  210. 12.8　治理和監(jiān)控
  211. 12.9　小結(jié)
書名：生成式AI入門與AWS實戰(zhàn)
譯者：生成式AI技術(shù)興趣小組 譯
國內(nèi)出版社：人民郵電出版社
出版時間：2024年05月
頁數(shù)：238
書號：978-7-115-64416-9
原版書書名：Generative AI on AWS
原版書出版商：O'Reilly Media
Chris Fregly
 
Chris Fregly是AWS的首席AI和機器學習開發(fā)者和布道者，居住在舊金山。他經(jīng)常在全世界的AI和機器學習會議上演講，包括O’Reilly AI Superstream系列。之前，Chris曾是PipelineAI的創(chuàng)建者，Databricks的解決方案工程師，以及Netflix的軟件工程師。
 
 
Antje Barth
 
Antje Barth是AWS的高級AI和機器學習開發(fā)者和倡導者，居住于德國杜塞爾多夫。Antje是“Women in Big Data”杜塞爾多夫分部的聯(lián)合創(chuàng)始人，她頻繁在全世界的AI和機器學習會議和聚會上演講。她同時也任職于O’Reilly AI Superstream大會并策劃內(nèi)容。
 
 
Shelbee Eigenbrode
 
Shelbee Eigenbrode是AWS生成式AI首席解決方案架構(gòu)師。她在多個技術(shù)領(lǐng)域獲得了超過35項專利。
 
 
本書封面插圖中的動物是棕背嘲鶇（Mimus dorsalis）。
這種非遷徙性、陸生的嘲鶇棲息在阿根廷和玻利維亞的干旱地帶，如灌木叢和荒漠灌木叢中。它們在那里覓食并在仙人掌或灌木中筑巢。由于對棕背嘲鶇的研究較少，關(guān)于它的飲食、覓食和繁殖行為知之甚少。
幸運的是，棕背嘲鶇的叫聲錄音相對容易獲得。目擊者描述棕背嘲鶇的歌聲為一系列重復的刺耳音符和輕笑?？偟膩碚f，嘲鶇以其模仿其他鳥類的歌聲以及昆蟲和兩棲動物的聲音而聞名，通常聲音很大且快速連續(xù)。一組研究人員甚至將它們——憑借它們創(chuàng)造新穎歌曲模式的能力——與偉大的古典作曲家和現(xiàn)代藝術(shù)家如Kendrick Lamar相提并論。
盡管棕背嘲鶇的種群數(shù)量尚未精確量化，但國際自然保護聯(lián)盟（IUCN）將其歸類為無危物種。O’Reilly圖書封面插圖中的許多動物都是瀕危物種，它們都對世界至關(guān)重要。
購買選項
定價：99.80元
書號：978-7-115-64416-9
出版社：人民郵電出版社