舉報

會員
大模型應用開發:核心技術與領域實踐
最新章節:
封底
本書由科大訊飛與中國科大的大模型的資深專家聯合撰寫,一本書打通大模型的技術原理與應用實踐壁壘,深入大模型3步工作流程,詳解模型微調、對齊優化、提示工程等核心技術及不同場景的微調方案,全流程講解6個典型場景的應用開發實踐。本書共10章,從邏輯上分為“基礎知識”“原理與技術”“應用開發實踐”三部分。基礎知識(第1章)介紹大模型定義、應用現狀、存在的問題,以及發展趨勢。原理與技術(第2和3章)詳細講解大模型的構建流程、Transformer模型,以及模型微調、對齊優化、提示工程等核心技術,之后介紹了推理優化、大模型訓練、大模型評估、大模型部署等拓展技術。應用開發實踐(第4~10章)詳細講解大模型插件應用開發、RAG實踐,以及智能客服問答、學科知識問答、法律領域應用、醫療領域應用、智能助寫平臺等多領域的實踐。
目錄(161章)
倒序
- 封面
- 版權信息
- 內容簡介
- 前言
- 第1章 大模型概述
- 1.1 大模型的概念
- 1.2 大模型的應用現狀
- 1.2.1 國外的大模型
- 1.2.2 國內的大模型
- 1.2.3 大模型的應用情況
- 1.3 大模型存在的問題
- 1.3.1 機器幻覺
- 1.3.2 安全倫理
- 1.3.3 選擇錯誤目標
- 1.3.4 難以監督
- 1.4 大模型的發展趨勢
- 1.4.1 多模態能力
- 1.4.2 AI Agent
- 1.4.3 端側應用
- 1.4.4 可信任性及可解釋性
- 1.4.5 自我學習
- 1.5 本章小結
- 第2章 大模型核心技術
- 2.1 大模型構建流程
- 2.1.1 預訓練語言模型
- 2.1.2 模型微調
- 2.1.3 對齊優化
- 2.2 Transformer模型
- 2.2.1 Transformer模型概述
- 2.2.2 編碼器與解碼器
- 2.2.3 注意力機制
- 2.2.4 詞向量
- 2.2.5 位置編碼
- 2.2.6 規范化
- 2.2.7 激活函數
- 2.2.8 優化器
- 2.2.9 基于Transformer的大模型架構選擇
- 2.3 模型微調
- 2.3.1 指令微調數據集
- 2.3.2 調優策略
- 2.4 對齊優化
- 2.4.1 反饋
- 2.4.2 偏好模型
- 2.4.3 RLHF
- 2.5 提示工程
- 2.5.1 提示工程開發流程
- 2.5.2 提示設計開發
- 2.6 本章小結
- 第3章 大模型技術拓展
- 3.1 推理優化技術
- 3.1.1 解碼優化算法
- 3.1.2 推理加速策略
- 3.2 大模型訓練技術
- 3.2.1 并行訓練
- 3.2.2 訓練容錯
- 3.2.3 混合精度訓練
- 3.3 大模型評估
- 3.3.1 大模型評估概述
- 3.3.2 大模型評估任務
- 3.3.3 大模型評估數據集
- 3.3.4 大模型評估方法
- 3.4 大模型部署
- 3.4.1 模型環境搭建
- 3.4.2 模型運行測試
- 3.5 本章小結
- 第4章 插件應用開發實踐
- 4.1 應用概述
- 4.1.1 ChatGPT插件
- 4.1.2 LangChain插件
- 4.1.3 通用插件調用流程
- 4.2 天氣查詢插件開發
- 4.2.1 基于ChatGPT的插件開發
- 4.2.2 基于AutoGen的插件開發
- 4.3 語音交互插件開發
- 4.4 本章小結
- 第5章 RAG實踐
- 5.1 應用概述
- 5.2 RAG流程
- 5.3 環境構建
- 5.4 應用實踐
- 5.4.1 知識解析
- 5.4.2 檢索
- 5.4.3 增強
- 5.4.4 生成
- 5.5 本章小結
- 第6章 智能客服問答實踐
- 6.1 應用概述
- 6.2 環境構建
- 6.2.1 開發環境搭建
- 6.2.2 開源模型下載
- 6.3 應用開發
- 6.3.1 實現多輪對話系統
- 6.3.2 提示優化
- 6.3.3 第三方工具調用
- 6.4 應用部署
- 6.5 本章小結
- 第7章 學科知識問答實踐
- 7.1 應用概述
- 7.2 環境構建
- 7.2.1 開發環境搭建
- 7.2.2 項目參數配置
- 7.3 學科知識圖譜
- 7.3.1 大模型與知識圖譜
- 7.3.2 學科知識圖譜構建流程
- 7.3.3 學科知識數據集
- 7.3.4 學科知識處理
- 7.4 應用開發
- 7.4.1 功能設置
- 7.4.2 知識庫構建
- 7.4.3 基于LangChain的問答實踐
- 7.5 本章小結
- 第8章 法律領域應用實踐
- 8.1 應用概述
- 8.2 對話數據微調
- 8.2.1 法律對話數據預處理
- 8.2.2 對話微調工具編寫
- 8.2.3 模型微調框架的參數配置
- 8.2.4 微調前后的對話問答對比
- 8.3 指令微調
- 8.3.1 法律指令數據集預處理
- 8.3.2 指令微調工具編寫
- 8.3.3 法律大模型指令問答評估
- 8.3.4 微調前后的對話問答對比
- 8.4 部署驗證
- 8.5 本章小結
- 第9章 醫療領域應用實踐
- 9.1 應用概述
- 9.2 醫療數據集構建
- 9.2.1 增量預訓練數據集
- 9.2.2 有監督微調數據集
- 9.2.3 直接偏好優化數據集
- 9.2.4 模型評測數據集
- 9.3 增量預訓練與微調
- 9.3.1 增量預訓練
- 9.3.2 有監督微調
- 9.3.3 直接偏好優化
- 9.4 部署驗證
- 9.5 模型評估
- 9.5.1 配置評估任務
- 9.5.2 啟動評估任務
- 9.5.3 可視化評估結果
- 9.6 本章小結
- 第10章 智能助寫平臺實踐
- 10.1 應用概述
- 10.2 業務邏輯
- 10.2.1 系統總體設計
- 10.2.2 模塊設計
- 10.3 功能實現
- 10.3.1 寫作潤色功能
- 10.3.2 批閱糾錯功能
- 10.3.3 智能翻譯功能
- 10.3.4 個人中心功能
- 10.4 本章小結
- 附錄 大模型的發展階段
- A.1 統計語言模型
- A.2 神經網絡語言模型
- A.3 預訓練語言模型
- A.4 大語言模型
- 推薦閱讀
- 作者簡介
- 封底 更新時間:2025-02-10 15:45:04
推薦閱讀
- 人工智能不會做什么:100億人類與100億機器人共存的未來
- 機器人系統設計及應用
- TensorFlow移動端機器學習實戰
- GPT-4o極簡入門與繪畫大全
- DeepSeek:打開財富密碼
- 妙用DeepSeek:創意落地速通指南
- 深度學習時代的計算機視覺算法
- 展望:人工智能,物我合一
- 深度學習之TensorFlow:入門、原理與進階實戰
- 物聯網技術應用:智能家居(第2版)
- 智能計算系統實驗教程
- 人工智能:改變未來的顛覆性技術
- 基于NI Multisim 11的PLD/PIC/PLC的仿真設計
- 合成生物學智能化設計與應用
- 智能家居產品 從設計到運營
- 一本書讀懂智能家居核心技術
- 金融智能:AI如何為銀行、保險、證券業賦能
- 知識圖譜:認知智能理論與實戰
- 創意之星
- 知識圖譜導論
- 深入理解OpenCV:實用計算機視覺項目解析
- Serverless架構下的AI應用開發:入門、實戰與性能優化
- 深度學習
- 智能家居設計:樹莓派上的Python實現
- AI與區塊鏈智能
- 大模型實戰:從零實現RAG與Agent系統
- 深入理解神經網絡:從邏輯回歸到CNN
- ROS與ROS2開發指南
- 人機溝通法則:理解數字世界的設計與形成
- 巨浪:生成式AI的史詩與現實