揭秘大模型 从原理到实战 与AI同行大模型应用开发GPT原理扩散模型原理LLM架构GLM构建大模型

本书从技术角度深度解析大模型的原理，从大模型的基础概念及领域发展现状入手，概述大模型的理论基础，介绍OpenAI GPT、清华大学GLM、Meta Llama等主流大模型的技术原理，并从大模型参数*微调、大模型指令微调、大模型训练优化和大模型推理优化等多角度解析大模型背后的技术，带领读者*掌握大模型的原理和实践方法。本书*介绍私有大模型的构建，手把手指导读者做技术选型并搭建自己的私有大模型。 本书适合人工智能领域有大模型开发需求或对大模型技术感兴趣的技术人员阅读，也适合普通用户扩展了解大模型的前沿应用。

第 1章 大模型简介 1
11 大模型初探 1
111 OpenAI大模型ChatGPT 1
112 国内大模型—360智脑 8
12 大模型的概念 9
13 百花齐放—大模型发展现状 9
14 压缩即智能—为什么ChatGPT拥有智能 11
141 直观理解通用人工智能 12
142 如何实现无损压缩 13
143 GPT是对数据的无损压缩 16
15 小结 19
16 参考文献 19
第 2章 大模型理论基础 20
21 什么是语言模型 20
22 传统语言模型 21
221 循环神经网络（RNN） 21
222 长短期记忆（LSTM）网络 22
223 门控循环单元（GRU） 24
23 大模型基础结构—Transformer 25
231 Transformer的模型结构 25
232 Transformer输入表示 29
233 多头注意力 30
234 编码器结构 36
235 解码器结构 40
236 Softmax输出 44
24 Transformer应用实践—机器 翻译 46
241 葡萄牙文翻译为英文 46
242 英文翻译为中文 51
25 小结 52
26 参考文献 53
第3章 OpenAI GPT系列大模型 54
31 GPT发展历史— 从GPT-1到GPT-4 54
32 GPT-1技术原理 55
321 GPT-1的模型结构 56
322 GPT-1应用实践—中文文本 分类 58
33 GPT-2技术原理 63
331 GPT-2的模型结构 64
332 GPT-2应用实践—文本分类和 文本生成 66
34 GPT-3技术原理 69
341 GPT-3的模型结构 70
342 GPT-3多项任务评估 71
35 横空出世—ChatGPT 74
351 真正的通用人工智能— ChatGPT 74
352 有监督微调 75
353 训练奖励模型 77
354 使用强化学习微调预训练 模型 78
355 ChatGPT应用 79
36 GPT-4 80
361 GPT-4的涌现能力 80
362 大模型预测扩展 81
363 GPT-4性能分析 82
364 GPT-4应用 84
37 小结 84
38 参考文献 84
第4章 清华大学通用预训练 模型—GLM 86
41 GLM简介 87
42 GLM技术原理 89
421 预训练目标 91
422 GLM的模型结构 92
423 微调GLM 93
424 效果评估 94
43 ChatGLM-6B全参数微调实践 94
431 环境搭建 95
432 全参数微调 96
433 效果评估 101
44 GLM-10B全参数微调实践 101
441 代码结构 102
442 全参数微调 103
443 效果评估 108
45 小结 109
46 参考文献 109
第5章 Meta开源大模型 —Llama 110
51 Llama简介 110
52 Llama技术原理 111
521 Llama预训练数据 111
522 Llama的模型结构 113
523 Llama优化器 114
53 Llama改进版—Llama 2 114
531 Llama 2简介 115
532 Llama 2预训练 116
533 Llama 2有监督微调 118
534 基于人类反馈的强化学习 119
54 Llama 2应用实践 121
541 Hugging Face玩转Llama 2 122
542 微调Llama 2 122
55 小结 124
56 参考文献 124
第6章 大模型参数* 微调 125
61 LoRA—低秩矩阵分解 125
611 LoRA基本原理 125
612 LoRA低秩矩阵初始化 127
613 LoRA开源实现 127
62 谷歌参数*微调— Adapter Tuning 128
63 斯坦福轻量级微调— Prefix-Tuning 129
64 谷歌微调方法— Prompt Tuning 130
65 清华大学参数微调— P-Tuning 131
66 P-Tuning改进版— P-Tuning v2 132
67 大模型参数*微调实践 134
671 安装ChatGLM2-6B环境依赖 134
672 安装P-Tuning v2环境依赖 135
68 小结 136
69 参考文献 137
第7章 大模型指令微调 138
71 指令微调 138
72 指令微调和提示的异同 139
73 大模型思维链—优化模型 推理能力 139
731 思维链的开山之作— 思维链提示 140
732 *样本提示思维链 142
733 多数投票—自洽性 144
734 *少到*多提示过程 144
735 大模型微调 146
736 微调思维链 148
737 思维链的局限 149
74 谷歌指令微调数据集—Flan 2022 150
75 小结 152
76 参考文献 152
第8章 大模型训练优化 153
81 稀疏Transformer 153
811 稀疏Transformer提出背景 154
812 稀疏Transformer实现原理 155
82 旋转位置编码 159
821 传统位置编码—*位置 编码 160
822 二维旋转位置编码 160
823 多维旋转位置编码 161
824 旋转位置编码的*计算 161
825 旋转位置编码的远程衰减 162
826 Llama和ChatGLM中的旋转位置编码实现 164
827 旋转位置编码的外推性 167
83 大模型混合精度训练 168
831 浮点数据类型 168
832 使用FP16训练神经网络的 问题 169
833 混合精度训练相关技术 170
84 样本拼接 173
85 大模型并行训练 175
86 小结 175
87 参考文献 176
第9章 大模型推理优化 177
91 大模型量化 177
911 量化的优势 178
912 对称量化和非对称量化 178
92 大模型文本生成的解码策略 180
921 束搜索 182
922 top-k采样 183
923 top-p采样 184
924 温度采样 186
925 联合采样 187
93 小结 188
第 10章 AIGC和大模型 结合 189
101 AIGC引来新一轮投资热 189
102 生成对抗网络 191
1021 生成对抗网络的模型结构 191
1022 生成对抗网络的训练过程 193
1023 生成对抗网络实战—生成 手写体数字图像 194
103 AIGC主流模型—去噪扩散 概率模型 198
1031 去噪扩散概率模型的原理 198
1032 去噪扩散概率模型的训练 过程 200
1033 去噪扩散概率模型实战—生成 手写体数字图像 201
104 引入文字的去噪扩散概率模型 214
1041 去噪扩散概率模型的文字生成 图像过程 215
1042 利用CLIP模型生成文本 向量 216
1043 在U-Net模型中使用文本 向量 217
1044 引入文字的去噪扩散概率模型的 训练过程 218
105 去噪扩散概率模型改进版— Stable Diffusion 220
1051 Stable Diffusion的文字生成图像过程 221
1052 Stable Diffusion前向扩散过程优化 221
1053 Stable Diffusion反向去噪过程优化 222
1054 Stable Diffusion的完整流程 224
1055 Stable Diffusion应用场景 224
106 小结 226
107 参考文献 226
第 11章 大模型和推荐系统结合 228
111 大模型和推荐系统的异同 228
112 大模型和推荐系统的3种不同结合方法 229
1121 基于大模型构建特征 229
1122 基于大模型建模行为序列 230
1123 基于行为序列微调大模型 231
113 大模型和推荐系统的结合效果 232
1131 两阶段模式 232
1132 端到端模式 233
1133 预训练+两阶段/端到端模式 233
1134 预训练+两阶段/端到端+ID特征模式 234
114 小结 235
115 参考文献 235
第 12章 构建私有大模型 236
121 大模型百花齐放 236
122 选择基座模型 238
123 环境安装 238
124 模型加载 239
1241 代码调用 239
1242 网页版示例 240
1243 命令行示例 241
125 低成本部署 242
1251 模型量化 242
1252 CPU部署 242
1253 Mac部署 242
1254 多卡部署 242
126 构建自己的私有大模型 243
1261 数据准备 244
1262 有监督微调 244
1263 部署私有大模型 248
1264 灾难性遗忘问题 249
1265 程序思维提示—解决复杂数值推理 252
127 小结 258
128 参考文献 258


文亮 硕士毕业于电子科技大学，奇虎360智脑团队*算法*，参与过千亿参数级别大模型的训练与优化，拥有*过8年的人工智能模型优化经验，目前主要负责大模型后训练、COT优化以及通用技能优化等工作，著有《推荐系统技术原理与实践》一书。 江维 电子科技大学教授、博士生导师，主要研究可信人工智能、*关键嵌入式系统、移动智能、大数据加速等领域，发表相关高水平论文100余篇。

1