（1）作者背景权威：作者是湘潭大学的博导，是科技部国家重子课题（大模型相关）的负责人，是资深的大模型技术专家和布道者。 （2）作者经验丰富：对ChatGPT、Llama2等大模型有深研究，带领团队成功训练并部署司法领域的大模型。 （3）全套技术原理：围绕ChatGPT，系统阐述了大模型的工作原理、运行机制、架构设计和底层技术等大模型工程师需要掌握的所有理论知识。
售 价：¥
纸质售价：¥54.50购买纸书
6.6
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
本书主要内容
本书读者对象
联系作者
致谢
第1章 人工智能的新里程碑——ChatGPT
1.1 ChatGPT的发展历程
1.2 ChatGPT的能力
1.3 大语言模型的技术演化
1.4 大语言模型的技术栈
1.5 大语言模型带来的影响
1.6 大语言模型复现的壁垒
1.7 大语言模型的局限性
1.8 小结
第2章 深入理解Transformer模型
2.1 Transformer模型简介
2.2 自注意力机制
2.3 多头注意力机制
2.4 前馈神经网络
2.5 残差连接
2.6 层归一化
2.7 位置编码
2.8 训练与优化
2.9 小结
第3章 生成式预训练
3.1 生成式预训练简介
3.2 GPT的模型架构
3.3 生成式预训练过程
3.4 有监督微调
3.5 小结
第4章 无监督多任务与零样本学习
4.1 编码器与解码器
4.2 GPT-2的模型架构
4.3 无监督多任务
4.4 多任务学习与零样本学习的关系
4.5 GPT-2的自回归生成过程
4.6 小结
第5章 稀疏注意力与基于内容的学习
5.1 GPT-3的模型架构
5.2 稀疏注意力模式
5.3 元学习和基于内容的学习
5.4 概念分布的贝叶斯推断
5.5 思维链的推理能力
5.6 小结
第6章 大语言模型的预训练策略
6.1 预训练数据集
6.2 预训练数据的处理
6.3 分布式训练模式
6.4 分布式训练的技术路线
6.5 训练策略案例
6.6 小结
第7章 近端策略优化算法
7.1 传统的策略梯度方法
7.2 Actor-Critic算法
7.3 信任域策略优化算法
7.4 PPO算法的原理
7.5 小结
第8章 人类反馈强化学习
8.1 强化学习在ChatGPT迭代中的作用
8.2 InstructGPT训练数据集
8.3 人类反馈强化学习的训练阶段
8.4 奖励建模算法
8.5 PPO算法在InstructGPT中的应用
8.6 多轮对话能力
8.7 人类反馈强化学习的必要性
8.8 小结
第9章 大语言模型的低算力领域迁移
9.1 指令自举标注
9.2 人工智能反馈
9.3 低秩自适应
9.4 量化：降低部署的算力要求
9.5 SparseGPT剪枝算法
9.6 开源大语言模型的低算力迁移案例
9.7 小结
第10章 中间件编程
10.1 补齐短板——LangChain恰逢其时
10.2 多模态融合中间件
10.3 AutoGPT自主代理与任务规划
10.4 中间件框架的竞品
10.5 小结
第11章 大语言模型的未来之路
11.1 强人工智能之路
11.2 数据资源枯竭
11.3 自回归模型的局限性
11.4 具身智能
11.5 小结
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
