万本电子书0元读

万本电子书0元读

顶部广告

大模型RAG实战:RAG原理、应用与系统构建电子书

(1)作者经验丰富:3位作者在一线互联网大厂和上市公司又多年的AI技术经验和算法经验,是RAG领域的实践者和布道者。(2)理论全面深:系统梳理与大模型和RAG相关核心技术和优化方法,全面总结RAG的范式演变。(3)内容实战导向:不仅讲解了各种RAG系统的训练方法,而且还讲解了如何从零搭建一个RAG系统以及RAG系统在大模型应用发中的使用。

售       价:¥

纸质售价:¥74.20购买纸书

61人正在读 | 0人评论 6.6

作       者:汪鹏,谷清水,卞龙鹏

出  版  社:机械工业出版社

出版时间:2024-08-28

字       数:9.9万

所属分类: 科技 > 计算机/网络 > 计算机理论与教程

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

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
内容简介这是一本全面讲解RAG技术原理、实战应用与系统构建的著作。作者结合自身丰富的实战经验,详细阐述了RAG的基础原理、核心组件、优缺以及使用场景,同时探讨了RAG在大模型应用发中的变革与潜力。书中不仅揭示了RAG技术背后的数学原理,还通过丰富的案例与代码实现,引导读者从理论走向实践,轻松掌握RAG系统的构建与优化。无论你是深度学习初学者,还是希望提升RAG应用技能的发者,本书都将为你提供宝贵的参考与指导。通过阅读本书,你将掌握以下知识:?透彻理解RAG的召回和生成模块算法?高级RAG系统的技巧?RAG系统的各种训练方式方法?深了解RAG的范式变迁?实战0基础搭建RAG系统?实战高级RAG系统微调与流程搭建<br/>【推荐语】<br/>(1)作者经验丰富:3位作者在一线互联网大厂和上市公司又多年的AI技术经验和算法经验,是RAG领域的实践者和布道者。(2)理论全面深:系统梳理与大模型和RAG相关核心技术和优化方法,全面总结RAG的范式演变。(3)内容实战导向:不仅讲解了各种RAG系统的训练方法,而且还讲解了如何从零搭建一个RAG系统以及RAG系统在大模型应用发中的使用。<br/>【作者】<br/>汪鹏 资深NLP技术专家和AI技术专家,拥有多年NLP落地经验。擅长结合用户场景,针对性地设计图谱、问答、检索、多模态、AIGC等相关的算法和落地方案。在Kaggle获得多枚奖牌,等级master。拥有公众号“NLP前沿”。 谷清水 毕业于清华大学,有国内多家大厂工作经历,7年深度学习项目发经验。在KDD-CUP等机器学习竞赛中多次获奖,持有多项发明专利。知乎ID:“战士金”。 卞龙鹏 某上市公司资深AI算法工程师,多年互联网一线工作经验,10年机器学习与数据挖掘经验。持多项发明专利,发表多篇SCI文章,主攻机器视觉、模式识别、自然语言处理。<br/>
目录展开

前折页

书名页

前言

第一部分 基础

第1章 RAG与大模型应用

1.1 大模型应用的方向:RAG

1.1.1 什么是RAG

1.1.2 RAG与模型微调的对比

1.1.3 RAG带来的范式改变

1.2 为什么需要RAG

1.2.1 大模型的知识更新问题

1.2.2 大模型生成结果的不可解释性问题

1.2.3 大模型的数据泄露问题

1.2.4 大模型的训练成本问题

1.3 RAG的工作流程

1.3.1 数据准备

1.3.2 数据召回

1.3.3 答案生成

1.4 RAG的优缺点

1.4.1 RAG的优点

1.4.2 RAG的缺点

1.5 RAG的使用场景

1.6 RAG面临的挑战

1.6.1 LLM的伸缩法则与知识库大小的关系

1.6.2 相似度搜索的性能问题

1.7 本章小结

第2章 语言模型基础

2.1 Transformer

2.1.1 词嵌入

2.1.2 编码器

2.1.3 解码器

2.1.4 解码头

2.2 自动编码器

2.2.1 ELMo

2.2.2 BERT

2.3 自回归模型

2.3.1 GPT

2.3.2 LLaMA

2.4 本章小结

第3章 文本召回模型

3.1 文本召回模型基础

3.2 稠密向量检索模型

3.2.1 SimCSE

3.2.2 SBERT

3.2.3 CoSENT

3.2.4 WhiteBERT

3.2.5 SGPT

3.3 稀疏向量检索模型

3.3.1 朴素词袋模型

3.3.2 TF-IDF

3.3.3 BM25

3.4 重排序模型

3.5 本章小结

第二部分 Part 2 原理

第4章 RAG核心技术与优化方法

4.1 提示词工程

4.1.1 提示词工程基础

4.1.2 RAG场景下的提示词设计

4.2 文本切块

4.2.1 固定大小文本切块

4.2.2 基于NLTK的文本切块

4.2.3 特殊格式文本切块

4.2.4 基于深度学习模型的文本切块

4.3 向量数据库

4.3.1 Faiss

4.3.2 Milvus

4.3.3 Weaviate

4.3.4 Chroma

4.3.5 Qdrant

4.4 召回环节优化

4.4.1 短文本全局信息增强

4.4.2 召回内容上下文扩充

4.4.3 文本多向量表示

4.4.4 查询内容优化

4.4.5 召回文本重排序

4.4.6 多检索器融合

4.4.7 结合元数据召回

4.5 效果评估

4.5.1 召回环节评估

4.5.2 模型回答评估

4.6 LLM能力优化

4.6.1 LLM微调

4.6.2 FLARE

4.6.3 Self-RAG

4.7 本章小结

第5章 RAG范式演变

5.1 基础RAG系统

5.1.1 基础流程

5.1.2 存在的问题

5.2 先进RAG系统

5.3 大模型主导的RAG系统

5.4 多模态RAG系统

5.5 本章小结

第6章 RAG系统训练

6.1 RAG系统的训练难点

6.2 训练方法

6.3 独立训练

6.4 序贯训练

6.4.1 冻结召回模块

6.4.2 冻结生成模块

6.5 联合训练

6.5.1 异步更新索引

6.5.2 批近似

6.6 本章小结

第三部分 Part 3 实战

第7章 基于LangChain实现RAG应用

7.1 LangChain基础模块

7.2 基于LangChain实现RAG

7.3 基于Streamlit搭建一个ChatPDF可视化应用

7.4 本章小结

第8章 RAG系统构建与微调实战

8.1 向量模型构建

8.1.1 模型选型

8.1.2 训练数据构造

8.1.3 向量模型训练

8.1.4 向量模型联合训练

8.2 大模型指令微调

8.3 复杂问题处理

8.3.1 微调数据构造

8.3.2 微调数据处理

8.3.3 复杂问题推理处理

8.4 本章小结

后折页

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部