（1）作者背景资深：4位作者都是博士，现在或曾在国内微软、百度等大厂从事AI相关技术的研究与发。 （2）作者经验丰富：4位作者在大厂工作多年，在自然语言处理、推荐搜索、对话系统等领域积累了丰富的项目经验。 （3）工程化视角：本书从工程化的角度讲解了大语言模型的核心技术、训练方法、在各领域的应用，展示了这一系统性工程的复杂性与实现路径。 （4）从门到阶：从大模型的原理和基础构件手，到大模型的分布式训练和各场景应用，再到大模型的优化，零基础门，成为大模型高手。
售 价：¥
纸质售价：¥49.00购买纸书
6.4
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
前言
第1章 语言模型简介
1.1 传统语言模型
1.1.1 n-gram语言模型
1.1.2 神经网络语言模型
1.1.3 传统语言模型的应用
1.2 大语言模型
1.2.1 大模型的发展历程
1.2.2 训练大模型的挑战
1.2.3 大模型的应用
1.3 大模型实例
1.3.1 基座模型实例
1.3.2 对齐模型实例
1.4 小结
第2章 大模型网络结构
2.1 Seq2Seq结构
2.2 注意力机制
2.3 Transformer架构
2.3.1 Transformer模型结构
2.3.2 编码器单元
2.3.3 解码器单元
2.3.4 位置编码
2.4 词元化
2.4.1 BPE
2.4.2 字节级BPE
2.4.3 WordPiece
2.4.4 Unigram语言模型
2.4.5 SentencePiece
2.5 解码策略
2.5.1 贪心搜索
2.5.2 集束搜索
2.5.3 Top-k采样
2.5.4 核采样
2.5.5 温度采样
2.6 小结
第3章 大模型学习范式的演进
3.1 预训练与微调的原理和典型模型
3.1.1 预训练与微调
3.1.2 三个典型模型
3.2 多任务学习的原理和典型模型
3.2.1 多任务学习
3.2.2 两个典型模型
3.3 大规模模型的能力
3.3.1 少样本学习
3.3.2 提示学习
3.3.3 上下文学习
3.4 小结
第4章 大模型对齐训练
4.1 对齐
4.1.1 对齐的定义
4.1.2 对齐的衡量指标
4.2 基于人类反馈的强化学习
4.2.1 监督微调的原理
4.2.2 训练奖励模型的原理
4.2.3 强化学习的原理
4.3 基于AI反馈的强化学习
4.4 直接偏好优化
4.5 超级对齐
4.6 小结
第5章 大模型评测与数据集
5.1 大模型评测方法
5.1.1 人工评测
5.1.2 自动评测
5.2 大模型评测指标
5.2.1 准确率、精确率、召回率与F1分数
5.2.2 困惑度
5.2.3 BLEU与ROUGE
5.2.4 pass@k
5.3 大模型能力评测基准
5.3.1 MMLU
5.3.2 GSM8K
5.3.3 C-Eval
5.3.4 HumanEval
5.4 数据集及预处理方法
5.4.1 预训练数据集
5.4.2 指令微调数据集
5.4.3 人工反馈数据集
5.4.4 数据预处理方法
5.5 小结
第6章 分布式训练与内存优化
6.1 大模型扩展法则
6.2 分布式训练策略
6.2.1 数据并行
6.2.2 张量并行
6.2.3 流水线并行
6.2.4 混合并行
6.3 大模型训练中的不稳定现象
6.4 分布式训练集群架构
6.4.1 中心化架构：参数服务器
6.4.2 去中心化架构：集合通信
6.5 内存优化策略
6.5.1 混合精度训练
6.5.2 梯度检查点
6.5.3 梯度累积
6.5.4 FlashAttention
6.6 分布式训练框架
6.7 小结
第7章 大模型的垂直场景适配方案
7.1 从零开始训练新模型
7.2 全量参数微调
7.3 低参数量微调
7.3.1 适配器方法
7.3.2 提示词微调
7.3.3 前缀微调
7.3.4 LoRA
7.4 超低参数量微调的探索
7.5 小结
第8章 知识融合与工具使用
8.1 知识融合
8.1.1 检索增强生成
8.1.2 解码器融合
8.1.3 提示融合
8.2 工具使用
8.2.1 WebGPT
8.2.2 LaMDA
8.2.3 Toolformer
8.3 自主智能体
8.3.1 自主智能体的组件
8.3.2 自主智能体的工作流程
8.4 小结
第9章 大模型的进阶优化
9.1 模型小型化
9.1.1 模型量化
9.1.2 知识蒸馏
9.1.3 参数剪枝
9.2 推理能力及其延伸
9.2.1 思维链
9.2.2 零样本思维链
9.2.3 最少到最多提示
9.2.4 ReAct：推理能力+行动能力
9.3 代码生成
9.3.1 Codex
9.3.2 代码生成的要素
9.4 多模态大模型
9.4.1 BEiT-3
9.4.2 CLIP
9.4.3 Flamingo
9.4.4 MiniGPT-4
9.5 高质量数据的作用与构建
9.5.1 LIMA
9.5.2 教科书级数据
9.6 模型能力“涌现”的原因
9.7 小结
第10章 大模型的局限性与未来发展方向
10.1 大模型的局限性
10.1.1 事实性错误
10.1.2 理解和推理缺陷
10.1.3 知识更新问题
10.1.4 安全性问题
10.1.5 计算资源限制
10.2 大模型的未来发展方向
10.2.1 更强的记忆：从通用到个性化
10.2.2 装上“手脚”：赋予模型使用工具的能力
10.2.3 多模态交互：穿越文本的边界
10.3 小结
参考文献
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
