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

 
圖解大模型：生成式AI原理與實(shí)戰(zhàn)
圖解大模型：生成式AI原理與實(shí)戰(zhàn)
Jay Alammar, Maarten Grootendorst 著
李博杰 譯
出版時(shí)間：2025年05月
頁(yè)數(shù)：349
“這本書(shū)延續(xù)了Jay和Maarten一貫的風(fēng)格，通過(guò)精美的插圖搭配深入淺出的文字，將復(fù)雜概念講解得形象生動(dòng)，為想要深入理解大模型底層技術(shù)的讀者提供了寶貴的學(xué)習(xí)資源?！?br /> ——吳恩達(dá)（Andrew Ng）
DeepLearning.AI創(chuàng)始人
“在大模型時(shí)代，想不出還有哪本書(shū)比這本更值得一讀！不要錯(cuò)過(guò)書(shū)中任何一頁(yè)，你會(huì)從中學(xué)到至關(guān)重要的知識(shí)。”
——Josh Starmer
YouTube熱門頻道StatQuest作者
近年來(lái)，AI的語(yǔ)言能力取得了驚人的進(jìn)展。得益于深度學(xué)習(xí)的快速發(fā)展，語(yǔ)言AI系統(tǒng)在文本理解與生成方面變得空前強(qiáng)大。這一趨勢(shì)不僅催生了新功能與新產(chǎn)品，也推動(dòng)了整個(gè)行業(yè)的發(fā)展。
本書(shū)以直觀、可視化的方式講解關(guān)鍵概念與工具，幫你掌握大模型的核心能力，并將其應(yīng)用于真實(shí)場(chǎng)景。你將學(xué)會(huì)如何使用預(yù)訓(xùn)練模型處理文案生成、內(nèi)容摘要等任務(wù)，構(gòu)建語(yǔ)義搜索系統(tǒng)，并利用常見(jiàn)的庫(kù)和模型實(shí)現(xiàn)文本分類、搜索與聚類。
通過(guò)本書(shū)，你將掌握：
● Transformer架構(gòu)及其在文本生成與表示中的優(yōu)勢(shì)
● 構(gòu)建高級(jí)大模型處理流程，用于文檔聚類并挖掘其中的主題
● 打造語(yǔ)義搜索引擎，借助稠密檢索、重排序等方法，實(shí)現(xiàn)超越關(guān)鍵詞搜索的能力
● 探索生成模型的使用方式，從提示工程到檢索增強(qiáng)生成
● 通過(guò)監(jiān)督微調(diào)、對(duì)比學(xué)習(xí)和上下文學(xué)習(xí)，訓(xùn)練并優(yōu)化適用于特定任務(wù)的大模型
  1. 對(duì)本書(shū)的贊譽(yù)
  2. 對(duì)本書(shū)中文版的贊譽(yù)
  3. 譯者序
  4. 中文版序
  5. 前言
  6. 第一部分　理解語(yǔ)言模型
  7. 第1章　大語(yǔ)言模型簡(jiǎn)介
  8. 1.1　什么是語(yǔ)言人工智能
  9. 1.2　語(yǔ)言人工智能的近期發(fā)展史
  10. 1.2.1　將語(yǔ)言表示為詞袋模型
  11. 1.2.2　用稠密向量嵌入獲得更好的表示
  12. 1.2.3　嵌入的類型
  13. 1.2.4　使用注意力機(jī)制編解碼上下文
  14. 1.2.5　“Attention Is All You Need”
  15. 1.2.6　表示模型：僅編碼器模型
  16. 1.2.7　生成模型：僅解碼器模型
  17. 1.2.8　生成式AI元年
  18. 1.3　“LLM”定義的演變
  19. 1.4　LLM的訓(xùn)練范式
  20. 1.5　LLM的應(yīng)用
  21. 1.6　開(kāi)發(fā)和使用負(fù)責(zé)任的LLM
  22. 1.7　有限的資源就夠了
  23. 1.8　與LLM交互
  24. 1.8.1　專有模型
  25. 1.8.2　開(kāi)源模型
  26. 1.8.3　開(kāi)源框架
  27. 1.9　生成你的第一段文本
  28. 1.10　小結(jié)
  29. 第2章　詞元和嵌入
  30. 2.1　LLM的分詞
  31. 2.1.1　分詞器如何處理語(yǔ)言模型的輸入
  32. 2.1.2　下載和運(yùn)行LLM
  33. 2.1.3　分詞器如何分解文本
  34. 2.1.4　詞級(jí)、子詞級(jí)、字符級(jí)與字節(jié)級(jí)分詞
  35. 2.1.5　比較訓(xùn)練好的LLM分詞器
  36. 2.1.6　分詞器屬性
  37. 2.2　詞元嵌入
  38. 2.2.1　語(yǔ)言模型為其分詞器的詞表保存嵌入
  39. 2.2.2　使用語(yǔ)言模型創(chuàng)建與上下文相關(guān)的詞嵌入
  40. 2.3　文本嵌入（用于句子和整篇文檔）
  41. 2.4　LLM之外的詞嵌入
  42. 2.4.1　使用預(yù)訓(xùn)練詞嵌入
  43. 2.4.2　word2vec算法與對(duì)比訓(xùn)練
  44. 2.5　推薦系統(tǒng)中的嵌入
  45. 2.5.1　基于嵌入的歌曲推薦
  46. 2.5.2　訓(xùn)練歌曲嵌入模型
  47. 2.6　小結(jié)
  48. 第3章　LLM的內(nèi)部機(jī)制
  49. 3.1　Transformer模型概述
  50. 3.1.1　已訓(xùn)練Transformer LLM的輸入和輸出
  51. 3.1.2　前向傳播的組成
  52. 3.1.3　從概率分布中選擇單個(gè)詞元（采樣/解碼）
  53. 3.1.4　并行詞元處理和上下文長(zhǎng)度
  54. 3.1.5　通過(guò)緩存鍵 值加速生成過(guò)程
  55. 3.1.6　Transformer塊的內(nèi)部結(jié)構(gòu)
  56. 3.2　Transformer架構(gòu)的最新改進(jìn)
  57. 3.2.1　更高效的注意力機(jī)制
  58. 3.2.2　Transformer塊
  59. 3.2.3　位置嵌入：RoPE
  60. 3.2.4　其他架構(gòu)實(shí)驗(yàn)和改進(jìn)
  61. 3.3　小結(jié)
  62. 第二部分　使用預(yù)訓(xùn)練語(yǔ)言模型
  63. 第4章　文本分類
  64. 4.1　電影評(píng)論的情感分析
  65. 4.2　使用表示模型進(jìn)行文本分類
  66. 4.3　模型選擇
  67. 4.4　使用特定任務(wù)模型
  68. 4.5　利用嵌入向量的分類任務(wù)
  69. 4.5.1　監(jiān)督分類
  70. 4.5.2　沒(méi)有標(biāo)注數(shù)據(jù)怎么辦
  71. 4.6　使用生成模型進(jìn)行文本分類
  72. 4.6.1　使用T5
  73. 4.6.2　使用ChatGPT進(jìn)行分類
  74. 4.7　小結(jié)
  75. 第5章　文本聚類和主題建模
  76. 5.1　ArXiv文章：計(jì)算與語(yǔ)言
  77. 5.2　文本聚類的通用流程
  78. 5.2.1　嵌入文檔
  79. 5.2.2　嵌入向量降維
  80. 5.2.3　對(duì)降維后的嵌入向量進(jìn)行聚類
  81. 5.2.4　檢查生成的簇
  82. 5.3　從文本聚類到主題建模
  83. 5.3.1　BERTopic：一個(gè)模塊化主題建?？蚣?
  84. 5.3.2　添加特殊的“樂(lè)高積木塊”
  85. 5.3.3　文本生成的“樂(lè)高積木塊”
  86. 5.4　小結(jié)
  87. 第6章　提示工程
  88. 6.1　使用文本生成模型
  89. 6.1.1　選擇文本生成模型
  90. 6.1.2　加載文本生成模型
  91. 6.1.3　控制模型輸出
  92. 6.2　提示工程簡(jiǎn)介
  93. 6.2.1　提示詞的基本要素
  94. 6.2.2　基于指令的提示詞
  95. 6.3　高級(jí)提示工程
  96. 6.3.1　提示詞的潛在復(fù)雜性
  97. 6.3.2　上下文學(xué)習(xí)：提供示例
  98. 6.3.3　鏈?zhǔn)教崾荆悍纸鈫?wèn)題
  99. 6.4　使用生成模型進(jìn)行推理
  100. 6.4.1　思維鏈：先思考再回答
  101. 6.4.2　自洽性：采樣輸出
  102. 6.4.3　思維樹(shù)：探索中間步驟
  103. 6.5　輸出驗(yàn)證
  104. 6.5.1　提供示例
  105. 6.5.2　語(yǔ)法：約束采樣
  106. 6.6　小結(jié)
  107. 第7章　高級(jí)文本生成技術(shù)與工具
  108. 7.1　模型輸入/輸出：基于LangChain加載量化模型
  109. 7.2　鏈：擴(kuò)展LLM的能力
  110. 7.2.1　鏈?zhǔn)郊軜?gòu)的關(guān)鍵節(jié)點(diǎn)：提示詞模板
  111. 7.2.2　多提示詞鏈?zhǔn)郊軜?gòu)
  112. 7.3　記憶：構(gòu)建LLM的對(duì)話回溯能力
  113. 7.3.1　對(duì)話緩沖區(qū)
  114. 7.3.2　窗口式對(duì)話緩沖區(qū)
  115. 7.3.3　對(duì)話摘要
  116. 7.4　智能體：構(gòu)建LLM系統(tǒng)
  117. 7.4.1　智能體的核心機(jī)制：遞進(jìn)式推理
  118. 7.4.2　LangChain中的ReAct實(shí)現(xiàn)
  119. 7.5　小結(jié)
  120. 第8章　語(yǔ)義搜索與RAG
  121. 8.1　語(yǔ)義搜索與RAG技術(shù)全景
  122. 8.2　語(yǔ)言模型驅(qū)動(dòng)的語(yǔ)義搜索實(shí)踐
  123. 8.2.1　稠密檢索
  124. 8.2.2　重排序
  125. 8.2.3　檢索評(píng)估指標(biāo)體系
  126. 8.3　RAG
  127. 8.3.1　從搜索到RAG
  128. 8.3.2　示例：使用LLM API進(jìn)行基于知識(shí)的生成
  129. 8.3.3　示例：使用本地模型的RAG
  130. 8.3.4　高級(jí)RAG技術(shù)
  131. 8.3.5　RAG效果評(píng)估
  132. 8.4　小結(jié)
  133. 第9章　多模態(tài)LLM
  134. 9.1　視覺(jué)Transformer
  135. 9.2　多模態(tài)嵌入模型
  136. 9.2.1　CLIP：構(gòu)建跨模態(tài)橋梁
  137. 9.2.2　CLIP的跨模態(tài)嵌入生成機(jī)制
  138. 9.2.3　OpenCLIP
  139. 9.3　讓文本生成模型具備多模態(tài)能力
  140. 9.3.1　BLIP-2：跨越模態(tài)鴻溝
  141. 9.3.2　多模態(tài)輸入預(yù)處理
  142. 9.3.3　用例1：圖像描述
  143. 9.3.4　用例2：基于聊天的多模態(tài)提示詞
  144. 9.4　小結(jié)
  145. 第三部分　訓(xùn)練和微調(diào)語(yǔ)言模型
  146. 第10章　構(gòu)建文本嵌入模型
  147. 10.1　嵌入模型
  148. 10.2　什么是對(duì)比學(xué)習(xí)
  149. 10.3　SBERT
  150. 10.4　構(gòu)建嵌入模型
  151. 10.4.1　生成對(duì)比樣本
  152. 10.4.2　訓(xùn)練模型
  153. 10.4.3　深入評(píng)估
  154. 10.4.4　損失函數(shù)
  155. 10.5　微調(diào)嵌入模型
  156. 10.5.1　監(jiān)督學(xué)習(xí)
  157. 10.5.2　增強(qiáng)型SBERT
  158. 10.6　無(wú)監(jiān)督學(xué)習(xí)
  159. 10.6.1　TSDAE
  160. 10.6.2　使用TSDAE進(jìn)行領(lǐng)域適配
  161. 10.7　小結(jié)
  162. 第11章　為分類任務(wù)微調(diào)表示模型
  163. 11.1　監(jiān)督分類
  164. 11.1.1　微調(diào)預(yù)訓(xùn)練的BERT模型
  165. 11.1.2　凍結(jié)層
  166. 11.2　少樣本分類
  167. 11.2.1　SetFit：少樣本場(chǎng)景下的高效微調(diào)方案
  168. 11.2.2　少樣本分類的微調(diào)
  169. 11.3　基于掩碼語(yǔ)言建模的繼續(xù)預(yù)訓(xùn)練
  170. 11.4　命名實(shí)體識(shí)別
  171. 11.4.1　數(shù)據(jù)準(zhǔn)備
  172. 11.4.2　命名實(shí)體識(shí)別的微調(diào)
  173. 11.5　小結(jié)
  174. 第12章　微調(diào)生成模型
  175. 12.1　LLM訓(xùn)練三步走：預(yù)訓(xùn)練、監(jiān)督微調(diào)和偏好調(diào)優(yōu)
  176. 12.2　監(jiān)督微調(diào)
  177. 12.2.1　全量微調(diào)
  178. 12.2.2　參數(shù)高效微調(diào)
  179. 12.3　使用QLoRA進(jìn)行指令微調(diào)
  180. 12.3.1　模板化指令數(shù)據(jù)
  181. 12.3.2　模型量化
  182. 12.3.3　LoRA配置
  183. 12.3.4　訓(xùn)練配置
  184. 12.3.5　訓(xùn)練
  185. 12.3.6　合并權(quán)重
  186. 12.4　評(píng)估生成模型
  187. 12.4.1　詞級(jí)指標(biāo)
  188. 12.4.2　基準(zhǔn)測(cè)試
  189. 12.4.3　排行榜
  190. 12.4.4　自動(dòng)評(píng)估
  191. 12.4.5　人工評(píng)估
  192. 12.5　偏好調(diào)優(yōu)、對(duì)齊
  193. 12.6　使用獎(jiǎng)勵(lì)模型實(shí)現(xiàn)偏好評(píng)估自動(dòng)化
  194. 12.6.1　獎(jiǎng)勵(lì)模型的輸入和輸出
  195. 12.6.2　訓(xùn)練獎(jiǎng)勵(lì)模型
  196. 12.6.3　訓(xùn)練無(wú)獎(jiǎng)勵(lì)模型
  197. 12.7　使用DPO進(jìn)行偏好調(diào)優(yōu)
  198. 12.7.1　對(duì)齊數(shù)據(jù)的模板化
  199. 12.7.2　模型量化
  200. 12.7.3　訓(xùn)練配置
  201. 12.7.4　訓(xùn)練
  202. 12.8　小結(jié)
  203. 附錄　圖解DeepSeek-R1
  204. 后記
書(shū)名：圖解大模型：生成式AI原理與實(shí)戰(zhàn)
譯者：李博杰 譯
國(guó)內(nèi)出版社：人民郵電出版社
出版時(shí)間：2025年05月
頁(yè)數(shù)：349
書(shū)號(hào)：978-7-115-67083-0
原版書(shū)書(shū)名：Hands-On Large Language Models: Language Understanding and Generation
原版書(shū)出版商：O'Reilly Media
Jay Alammar
 
Jay Alammar，Cohere總監(jiān)兼工程研究員，知名大模型技術(shù)博客博主，DeepLearning.AI、Udacity熱門課程作者。
 
 
Maarten Grootendorst
 
Maarten Grootendorst，IKNL（荷蘭綜合癌癥中心）高級(jí)臨床數(shù)據(jù)科學(xué)家，知名大模型技術(shù)博客博主，BERTopic等大模型軟件包作者，DeepLearning.AI、Udacity熱門課程作者。
 
 
本書(shū)封面上的動(dòng)物為紅大袋鼠（Osphranter rufius）。作為袋鼠家族中體形最大者，其體長(zhǎng)可達(dá)1.5米以上，尾長(zhǎng)近1米。它們行動(dòng)迅捷，跳躍行進(jìn)時(shí)速超過(guò)56千米，單次跳躍高度可達(dá)1.8米，跨度可達(dá)7.6米。雙眼獨(dú)特的分布令其擁有近300度的廣闊視野。
紅大袋鼠之名源于其雄性個(gè)體的短毛呈紅棕色，這種顏色來(lái)自其皮膚腺體分泌的紅色油脂。雌性紅大袋鼠則通常通體呈藍(lán)灰色，毛色略泛棕。由于顏色特點(diǎn)，雄性紅大袋鼠常被澳大利亞人稱作“紅色巨人”（big reds），而雌性紅大袋鼠因行動(dòng)速度更勝雄性，常被澳大利亞人稱作“藍(lán)色飛影”（blue fliers）。
紅大袋鼠棲息于開(kāi)闊干旱的林間地帶，廣布澳大利亞大陸，唯北部、西南部及東海岸地區(qū)鮮見(jiàn)其蹤。環(huán)境變化會(huì)直接影響紅大袋鼠的繁殖策略，雌性紅大袋鼠可通過(guò)獨(dú)特的繁殖調(diào)控能力暫?；蛲七t受孕及分娩，直至環(huán)境改善，或至前代幼崽完全脫離育兒袋。
購(gòu)買選項(xiàng)
定價(jià)：159.80元
書(shū)號(hào)：978-7-115-67083-0
出版社：人民郵電出版社