由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高99元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
正版新书]大语言模型原理、训练及应用 基于GPT魏新宇,白雪冰,周
¥ ×1
目录
推荐序
前言
第1章认识大语言模型
1.1大语言模型概述
1.1.1AI技术的发展
1.1.2生成式AI、NLP、GPT的关系
1.1.3大语言模型的发展
1.2大语言模型的训练
1.2.1预训练
1.2.2微调
1.2.3人类反馈强化学习
1.3大语言模型的核心应用场景
1.3.1内容创作
1.3.2摘要生成
1.3.3语义检索
1.3.4代码生成
1.4大语言模型的多模态场景
1.4.1文生图
1.4.2图片与视频理解
1.4.3语音转文字
1.4.4大语言模型与数字人/虚拟人的集成
1.4.5视频生成
1.5大语言模型的现状和未来
1.6本章小结
第2章大语言模型训练
2.1Transformer网络架构
2.1.1传统Transformer架构
2.1.2Casual-decoder架构
2.1.3Transformer Embedding和位置编码
2.1.4Attention层和Attention机制
2.1.5FFN/MLP网络
2.2模型参数量与计算量评估
2.2.1算力资源计算方法
2.2.2显存资源计算方法
2.3分布式训练介绍
2.3.1通信原语
2.3.2数据并行
2.3.3模型并行
2.3.4DeepSpeed Zero优化
2.4如何训练大语言模型
2.4.1预训练
2.4.2微调
2.4.3RLHF/RLAIF
2.5Casual-decoder 大语言模型训练案例
2.5.1预训练
2.5.2DPO
2.6本章小结
第3章GPU池化——构建大语言模型算力基础
3.1GPU池化建设目标
3.2GPU与网卡的选择
3.2.1GPU的选择
3.2.2RDMA网络
3.3基础架构环境的验证
3.3.1Perftest测试网卡
3.3.2NCCL测试性能
3.4分布式训练与推理
3.4.1训练环境选择
3.4.2Azure GPU VM的创建
3.4.3训练框架的选择
3.4.4在Azure GPU VM中安装驱动
3.4.5使用NeMo训练文本分类模型
3.4.6使用DeepSpeed-Chat训练OPT
3.4.7使用DeepSpeed-Training训练Stable Diffusion
3.4.8深度学习推理环境搭建
3.5本章小结
第4章GPT的优化与编排
4.1GPT的优化
4.1.1提示工程
4.1.2GPT微调
4.1.3基于Azure OpenAI实现RAG
4.1.4实现开源RAG
4.1.5基于Assistants API实现AI助手
4.1.6通过流程工程自动生成代码
4.2GPT的调度与编排
4.2.1大语言模型主流编排工具
4.2.2基于AutoGen调度开源模型实现AI助手
4.3本章小结
第5章GPT应用开发实践
5.1GPT的典型应用场景
5.2基于RAG构建知识库
5.2.1RAG的主要优势
5.2.2RAG的主要工作方式
5.2.3实现RAG的常用框架
5.2.4RAG开发示例
5.3基于ChatGPT优化电商商品详情页
5.3.1电商商品详情页优化概述
5.3.2亚马逊电商商品详情页概述
5.3.3数据的准备
5.3.4标题的优化
5.3.5商品要点的优化
5.3.6结果验证
5.4基于开源框架搭建智能体应用
5.4.1智能体的概念
5.4.2AutoAgents框架
5.4.3MetaGPT 框架
5.4.4AutoGen 框架
5.4.5基于AutoGen 实现智能体应用
5.5本章小结
第6章Copilot应用开发实践
6.1Copilot概述
6.2Copilot的应用
6.2.1网络协助工具
6.2.2生产力协助工具
6.2.3创意协助工具
6.2.4日常协助工具
6.2.5低代码/无代码开发协助工具
6.3开发一个Copilot
6.3.1Copilot的架构
6.3.2Copilot开发示例
6.4GitHub Copilot辅助编程
6.4.1GitHub Copilot的功能
6.4.2GitHub Copilot的配置与验证
6.5垂直领域的Copilot
6.5.1索菲亚项目介绍
6.5.2索菲亚项目效果展示
6.6本章小结
第7章语言模型小型化及在边缘端的部署
7.1语言模型小型化的关键因素
7.1.1基础模型的选取
7.1.2模型量化的方法
7.1.3BitsandBytes和GPTQ量化对比
7.1.4GPTQ 和AWQ量化对比
7.1.5模型的微调
7.1.6推理模型的选择
7.1.7使用TGI运行GPTQ量化后的模型
7.1.8使用vLLM进行量化推理优化
7.1.9使用ExLlamaV2对LLaMA-2进行量化推理优化
7.1.10使用llama.cpp进行量化推理优化
7.2小语言模型Phi
7.2.1Phi-2的执行模式和内存消耗
7.2.2Phi-2的微调
7.2.3Phi-3的量化与推理验证
7.3Mistral AI模型
7.3.1Mixtral 8x7B的性能数据
7.3.2Mixtral 8x7B的架构
7.3.3Mixtral 8x7B的Q-LoRA微调
7.3.4基于Mistral 7B实现聊天机器人
7.4本章小结
微软中国区总裁 原欣
红帽全球副总裁兼大中华区总裁 曹衡康
微软中国区首席技术官 韦青
NVIDIA电信行业总监 贾楠
联袂推荐
系统总结LLM/SLM和Copilot端到端的开发经验,全面归纳GPU训练推理实战方法,面向AI架构师及开发者的实用技术指南
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格
