《从零开始大模型开发与微调：基于PyTorch与ChatGLM》[99]百度网盘|亲测有效|pdf下载

产品特色

编辑推荐

大模型是深度学习自然语言处理皇冠上的一颗明珠，也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch 2.0作为学习大模型的基本框架，以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术，为读者揭示大模型开发技术。

实战案例丰富

基于PyTorch卷积层的MNIST分类实战
PyTorch数据处理与模型展示
ResNet实战
有趣的词嵌入
基于PyTorch循环神经网络的中文情感分类实战
自然语言处理的编码器
预训练模型BERT
自然语言处理的解码器
强化学习实战
只具有解码器的GPT2模型
实战训练自己的ChatGPT
开源大模型ChatGLM使用详解
ChatGLM高级定制化应用实战
对ChatGLM进行高级微调

内容简介

大模型是深度学习自然语言处理皇冠上的一颗明珠，也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch 2.0作为学习大模型的基本框架，以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术，为读者揭示大模型开发技术。本书配套示例源代码、PPT课件。

《从零开始大模型开发与微调：基于PyTorch与ChatGLM》共18章，内容包括人工智能与大模型、PyTorch 2.0深度学习环境搭建、从零开始学习PyTorch 2.0、深度学习基础算法详解、基于PyTorch卷积层的MNIST分类实战、PyTorch数据处理与模型展示、ResNet实战、有趣的词嵌入、基于PyTorch循环神经网络的中文情感分类实战、自然语言处理的编码器、预训练模型BERT、自然语言处理的解码器、强化学习实战、只具有解码器的GPT-2模型、实战训练自己的ChatGPT、开源大模型ChatGLM使用详解、ChatGLM高级定制化应用实战、对ChatGLM进行高级微调。

《从零开始大模型开发与微调：基于PyTorch与ChatGLM》适合PyTorch深度学习初学者、大模型开发初学者、大模型开发人员学习，也适合高等院校人工智能、智能科学与技术、数据科学与大数据技术、计算机科学与技术等专业的师生作为教学参考书。

作者简介

王晓华，高校计算机专业讲师，研究方向为云计算、大数据与人工智能。著有《PyTorch 2.0深度学习从零开始学》《Python机器学习与可视化分析实战》《谷歌JAX深度学习从零开始学》《Spark 3.0大数据分析与挖掘：基于机器学习》《TensorFlow深度学习应用实践》《OpenCV TensorFlow深度学习与计算机视觉实战》《TensorFlow知识图谱实战》《TensorFlow人脸识别实战》《TensorFlow语音识别实战》《TensorFlow Keras自然语言处理实战》《TensorFlow 2.0卷积神经网络实战》《Keras实战：基于TensorFlow2.2的深度学习实践》《TensorFlow 2.0深度学习从零开始学》《深度学习的数学原理与实现》。

目　　录

第1章新时代的曙光—人工智能与大模型 1
1.1 人工智能：思维与实践的融合 1
1.1.1 人工智能的历史与未来 2
1.1.2 深度学习与人工智能 2
1.1.3 选择PyTorch 2.0实战框架 3
1.2 大模型开启人工智能的新时代 4
1.2.1 大模型带来的变革 4
1.2.2 最强的中文大模型—清华大学ChatGLM介绍 5
1.2.3 近在咫尺的未来—大模型的应用前景 6
1.3 本章小结 7
第2章 PyTorch 2.0深度学习环境搭建 8
2.1 环境搭建1：安装Python 8
2.1.1 Miniconda的下载与安装 8
2.1.2 PyCharm的下载与安装 11

第1章  新时代的曙光—人工智能与大模型 1 1.1  人工智能：思维与实践的融合 1 1.1.1  人工智能的历史与未来 2 1.1.2  深度学习与人工智能 2 1.1.3  选择PyTorch 2.0实战框架 3 1.2  大模型开启人工智能的新时代 4 1.2.1  大模型带来的变革 4 1.2.2  最强的中文大模型—清华大学ChatGLM介绍 5 1.2.3  近在咫尺的未来—大模型的应用前景 6 1.3  本章小结 7 第2章  PyTorch 2.0深度学习环境搭建 8 2.1  环境搭建1：安装Python 8 2.1.1  Miniconda的下载与安装 8 2.1.2  PyCharm的下载与安装 11 2.1.3  Python代码小练习：计算Softmax函数 14 2.2  环境搭建2：安装PyTorch 2.0 15 2.2.1  Nvidia 10/20/30/40系列显卡选择的GPU版本 15 2.2.2  PyTorch 2.0 GPU Nvidia运行库的安装 15 2.2.3  PyTorch 2.0小练习：Hello PyTorch 18 2.3  生成式模型实战：古诗词的生成 18 2.4  图像降噪：手把手实战第一个深度学习模型 19 2.4.1  MNIST数据集的准备 19 2.4.2  MNIST数据集的特征和标签介绍 21 2.4.3  模型的准备和介绍 22 2.4.4  对目标的逼近—模型的损失函数与优化函数 24 2.4.5  基于深度学习的模型训练 24 2.5  本章小结 26 第3章  从零开始学习PyTorch 2.0 27 3.1  实战MNIST手写体识别 27 3.1.1  数据图像的获取与标签的说明 27 3.1.2  实战基于PyTorch 2.0的手写体识别模型 29 3.1.3  基于Netron库的PyTorch 2.0模型可视化 32 3.2  自定义神经网络框架的基本设计 34 3.2.1  神经网络框架的抽象实现 34 3.2.2  自定义神经网络框架的具体实现 35 3.3  本章小结 43 第4章  一学就会的深度学习基础算法详解 44 4.1  反向传播神经网络的前身历史 44 4.2  反向传播神经网络两个基础算法详解 47 4.2.1  最小二乘法详解 48 4.2.2  梯度下降算法 50 4.2.3  最小二乘法的梯度下降算法及其Python实现 52 4.3  反馈神经网络反向传播算法介绍 58 4.3.1  深度学习基础 58 4.3.2  链式求导法则 59 4.3.3  反馈神经网络的原理与公式推导 60 4.3.4  反馈神经网络原理的激活函数 64 4.3.5  反馈神经网络原理的Python实现 66 4.4  本章小结 70 第5章  基于PyTorch卷积层的MNIST分类实战 71 5.1  卷积运算的基本概念 71 5.1.1  基本卷积运算示例 72 5.1.2  PyTorch中的卷积函数实现详解 73 5.1.3  池化运算 75 5.1.4  Softmax激活函数 77 5.1.5  卷积神经网络的原理 78 5.2  实战：基于卷积的MNIST手写体分类 80 5.2.1  数据的准备 80 5.2.2  模型的设计 81 5.2.3  基于卷积的MNIST分类模型 82 5.3  PyTorch的深度可分离膨胀卷积详解 84 5.3.1  深度可分离卷积的定义 84 5.3.2  深度的定义以及不同计算层待训练参数的比较 86 5.3.3  膨胀卷积详解 87 5.3.4  实战：基于深度可分离膨胀卷积的MNIST手写体识别 87 5.4  本章小结 90 第6章  可视化的PyTorch数据处理与模型展示 91 6.1  用于自定义数据集的torch.utils.data工具箱使用详解 92 6.1.1  使用torch.utils.data. Dataset封装自定义数据集 92 6.1.2  改变数据类型的Dataset类中的transform的使用 93 6.1.3  批量输出数据的DataLoader类详解 98 6.2  实战：基于tensorboardX的训练可视化展示 100 6.2.1  可视化组件tensorboardX的简介与安装 100 6.2.2  tensorboardX可视化组件的使用 100 6.2.3  tensorboardX对模型训练过程的展示 103 6.3  本章小结 105 第7章  ResNet实战 106 7.1  ResNet基础原理与程序设计基础 106 7.1.1  ResNet诞生的背景 107 7.1.2  PyTorch 2.0中的模块工具 109 7.1.3  ResNet残差模块的实现 110 7.1.4  ResNet网络的实现 112 7.2  ResNet实战：CIFAR-10数据集分类 114 7.2.1  CIFAR-10数据集简介 114 7.2.2  基于ResNet的CIFAR-10数据集分类 117 7.3  本章小结 118 第8章  有趣的词嵌入 120 8.1  文本数据处理 120 8.1.1  Ag_news数据集介绍和数据清洗 120 8.1.2  停用词的使用 123 8.1.3  词向量训练模型Word2Vec使用介绍 125 8.1.4  文本主题的提取：基于TF-IDF 128 8.1.5  文本主题的提取：基于TextRank 132 8.2  更多的词嵌入方法—FastText和预训练词向量 134 8.2.1  FastText的原理与基础算法 135 8.2.2  FastText训练及其与PyTorch 2.0的协同使用 136 8.2.3  使用其他预训练参数来生成PyTorch 2.0词嵌入矩阵（中文） 140 8.3  针对文本的卷积神经网络模型简介—字符卷积 141 8.3.1  字符（非单词）文本的处理 141 8.3.2  卷积神经网络文本分类模型的实现—Conv1d（一维卷积） 148 8.4  针对文本的卷积神经网络模型简介—词卷积 151 8.4.1  单词的文本处理 151 8.4.2  卷积神经网络文本分类模型的实现—Conv2d（二维卷积） 153 8.5  使用卷积对文本分类的补充内容 155 8.5.1  汉字的文本处理 155 8.5.2  其他细节 157 8.6  本章小结 158 第9章  基于循环神经网络的中文情感分类实战 160 9.1  实战：循环神经网络与情感分类 160 9.2  循环神经网络理论讲解 165 9.2.1  什么是GRU 165 9.2.2  单向不行，那就双向 167 9.3  本章小结 168 第10章  从零开始学习自然语言处理的编码器 169 10.1  编码器的核心—注意力模型 170 10.1.1  输入层—初始词向量层和位置编码器层 170 10.1.2  自注意力层 172 10.1.3  ticks和Layer Normalization 177 10.1.4  多头注意力 178 10.2  编码器的实现 180 10.2.1  前馈层的实现 181 10.2.2  编码器的实现 182 10.3  实战编码器：拼音汉字转化模型 184 10.3.1  汉字拼音数据集处理 185 10.3.2  汉字拼音转化模型的确定 187 10.3.3  模型训练部分的编写 190 10.4  本章小结 191 第11章  站在巨人肩膀上的预训练模型BERT 193 11.1  预训练模型BERT 193 11.1.1  BERT的基本架构与应用 194 11.1.2  BERT预训练任务与微调 195 11.2  实战BERT：中文文本分类 198 11.2.1  使用Hugging Face获取BERT预训练模型 198 11.2.2  BERT实战文本分类 200 11.3  更多的预训练模型 203 11.4  本章小结 205 第12章  从1开始自然语言处理的解码器 206 12.1  解码器的核心—注意力模型 206 12.1.1  解码器的输入和交互注意力层的掩码 207 12.1.2  为什么通过掩码操作能够减少干扰 212 12.1.3  解码器的输出（移位训练方法） 213 12.1.4  解码器的实现 214 12.2  解码器实战—拼音汉字翻译模型 215 12.2.1  数据集的获取与处理 216 12.2.2  翻译模型 218 12.2.3  拼音汉字模型的训练 229 12.2.4  拼音汉字模型的使用 230 12.3  本章小结 231 第13章  基于PyTorch 2.0的强化学习实战 232 13.1  基于强化学习的火箭回收实战 232 13.1.1  火箭回收基本运行环境介绍 233 13.1.2  火箭回收参数介绍 234 13.1.3  基于强化学习的火箭回收实战 234 13.1.4  强化学习的基本内容 239 13.2  强化学习的基本算法—PPO算法 243 13.2.1  PPO算法简介 243 13.2.2  函数使用说明 244 13.2.3  一学就会的TD-error理论介绍 245 13.2.4  基于TD-error的结果修正 247 13.2.5  对于奖励的倒序构成的说明 248 13.3  本章小结 249 第14章  ChatGPT前身—只具有解码器的GPT-2模型 250 14.1  GPT-2模型简介 250 14.1.1  GPT-2模型的输入和输出结构—自回归性 251 14.1.2  GPT-2模型的PyTorch实现 252 14.1.3  GPT-2模型输入输出格式的实现 257 14.2  Hugging Face GPT-2模型源码模型详解 259 14.2.1  GPT2LMHeadModel类和GPT2Model类详解 259 14.2.2  Block类详解 270 14.2.3  Attention类详解 274 14.2.4  MLP类详解 281 14.3  Hugging Face GPT-2模型的使用与自定义微调 282 14.3.1  模型的使用与自定义数据集的微调 282 14.3.2  基于预训练模型的评论描述微调 285 14.4  自定义模型的输出 286 14.4.1  GPT输出的结构 286 14.4.2  创造性参数temperature与采样个数topK 288 14.5  本章小结 290 第15章  实战训练自己的ChatGPT 291 15.1  什么是ChatGPT 291 15.2  RLHF模型简介 293 15.2.1  RLHF技术分解 293 15.2.2  RLHF中的具体实现—PPO算法 296 15.3  基于RLHF实战的ChatGPT正向评论的生成 297 15.3.1  RLHF模型进化的总体讲解 297 15.3.2  ChatGPT评分模块简介 298 15.3.3  带有评分函数的ChatGPT模型的构建 300 15.3.4  RLHF中的PPO算法—KL散度 301 15.3.5  RLHF中的PPO算法—损失函数 303 15.4  本章小结 304 第16章  开源大模型ChatGLM使用详解 305 16.1  为什么要使用大模型 305 16.1.1  大模型与普通模型的区别 306 16.1.2  一个神奇的现象—大模型的涌现能力 307 16.2  ChatGLM使用详解 307 16.2.1  ChatGLM简介及应用前景 308 16.2.2  下载ChatGLM 309 16.2.3  ChatGLM的使用与Prompt介绍 310 16.3  本章小结 311 第17章  开源大模型ChatGLM 高级定制化应用实战 312 17.1  医疗问答GLMQABot搭建实战—基于ChatGLM搭建专业客服问答机器人 312 17.1.1  基于ChatGLM搭建专业领域问答机器人的思路 313 17.1.2  基于真实医疗问答的数据准备 314 17.1.3  文本相关性（相似度）的比较算法 315 17.1.4  提示语句Prompt的构建 316 17.1.5  基于单个文档的GLMQABot的搭建 316 17.2  金融信息抽取实战—基于知识链的ChatGLM本地化知识库检索与智能答案生成 318 17.2.1  基于ChatGLM搭建智能答案生成机器人的思路 319 17.2.2  获取专业（范畴内）文档与编码存储 320 17.2.3  查询文本编码的相关性比较与排序 322 17.2.4  基于知识链的ChatGLM本地化知识库检索与智能答案生成 325 17.3  基于ChatGLM的一些补充内容 327 17.3.1  语言的艺术—Prompt的前世今生 328 17.3.2  清华大学推荐的ChatGLM微调方法 329 17.3.2  一种新的基于ChatGLM的文本检索方案 330 17.4  本章小结 331 第18章  对训练成本上亿美元的ChatGLM进行高级微调 332 18.1  ChatGLM模型的本地化处理 332 18.1.1  下载ChatGLM源码与合并存档 332 18.1.2  修正自定义的本地化模型 335 18.1.3  构建GLM模型的输入输出示例 337 18.2  高级微调方法1—基于加速库Accelerator的全量数据微调 339 18.2.1  数据的准备—将文本内容转化成三元组的知识图谱 339 18.2.2  加速的秘密—Accelerate模型加速工具详解 342 18.2.3  更快的速度—使用INT8（INT4）量化模型加速训练 345 18.3  高级微调方法2—基于LoRA的模型微调 348 18.3.1  对ChatGLM进行微调的方法—LoRA 348 18.3.2  自定义LoRA的使用方法 349 18.3.3  基于自定义LoRA的模型训练 350 18.3.4  基于自定义LoRA的模型推断 352 18.3.5  基于基本原理的LoRA实现 355 18.4  高级微调方法3—基于Huggingface的PEFT模型微调 357 18.4.1  PEFT技术详解 358 18.4.2  PEFT的使用与参数设计 359 18.4.3  Huggingface专用PEFT的使用 360 18.5  本章小结 362

显示全部信息

前　　言

我们处于一个变革的时代！
提出一个常识问题，让一个有着本科学历的成年人回答这个问题，似乎是一件非常简单的事情。然而将同样的内容输送给计算机，让它通过自己的能力流畅地回答这个常识问题，这在不久以前还是一件不可能的事。
让计算机学会回答问题，这是一个专门的研究方向—人工智能大模型正在做的工作。随着人工神经网络和深度学习的发展，近年来人工智能在研究上取得了重大突破。通过大规模的文本训练，人工智能在自然语言生成上取得了非常好的效果。
而今，随着深度学习的发展，使用人工智能来处理常规劳动、理解语音语义、帮助医疗诊断和支持基础科研工作，这些曾经是梦想的东西似乎都在眼前。
写作本书的原因

我们处于一个变革的时代！ 提出一个常识问题，让一个有着本科学历的成年人回答这个问题，似乎是一件非常简单的事情。然而将同样的内容输送给计算机，让它通过自己的能力流畅地回答这个常识问题，这在不久以前还是一件不可能的事。 让计算机学会回答问题，这是一个专门的研究方向—人工智能大模型正在做的工作。随着人工神经网络和深度学习的发展，近年来人工智能在研究上取得了重大突破。通过大规模的文本训练，人工智能在自然语言生成上取得了非常好的效果。 而今，随着深度学习的发展，使用人工智能来处理常规劳动、理解语音语义、帮助医疗诊断和支持基础科研工作，这些曾经是梦想的东西似乎都在眼前。 写作本书的原因 PyTorch作为最新的、应用最为广泛的深度学习开源框架，自然引起了广泛的关注，它吸引了大量程序设计和开发人员进行相关内容的开发与学习。掌握PyTorch程序设计基本技能的程序设计人员成为当前各组织和单位热切寻求的热门人才。他们的主要工作就是利用获得的数据集设计不同的人工神经模型，利用人工神经网络强大的学习能力提取和挖掘数据集中包含的潜在信息，编写相应的PyTorch程序对数据进行处理，对其价值进行进一步开发，为商业机会的获取、管理模式的创新、决策的制定提供相应的支持。随着越来越多的组织、单位和行业对深度学习应用的重视，高层次的PyTorch程序设计人员必将成为就业市场上紧俏的人才。 与其他应用框架不同，PyTorch并不是一个简单的编程框架，深度学习也不是一个简单的名词，而是需要相关研究人员对隐藏在其代码背后的理论进行学习，掌握一定的数学知识和理论基础的。特别是随着PyTorch 2.0的推出，更好、更快、更强成为PyTorch 2.0所追求的目标。 研究人员探索和发展深度学习的目的是更好地服务于人类社会，而人工智能的代表—清华大学开发的ChatGLM是现阶段人工智能最高端的研究成果，它可以模拟人类智能的某些方面，例如语言理解、智能问答、自然语言处理等。相较于其他人工智能产品，ChatGLM有着更加强大的算法、更多的数据基础以及更强的训练和优化，使得ChatGLM可以实现更加准确和高效的决策和预测，为人类社会带来巨大的价值。 在医疗领域，ChatGLM可以帮助医生更准确地诊断疾病，提高治疗的效果和效率。在交通领域，ChatGLM可以辅助驾驶员进行驾驶决策，减少交通事故的发生。在金融领域，ChatGLM可以帮助银行和证券公司进行风险控制和投资决策。在教育领域，ChatGLM可以根据学生的学习情况和兴趣爱好，提供个性化的学习方案和资源。 在这个人工智能风起云涌的时代，借由PyTorch 2.0与ChatGLM推出之际，本书为了满足广大人工智能程序设计和开发人员学习最新的PyTorch程序代码的需要，对涉及深度学习的结构与编程技巧循序渐进地做了介绍与说明，以深度学习实战内容为依托，从理论开始介绍PyTorch程序设计模式，多角度、多方面地对其中的原理和实现提供翔实的分析；同时，以了解和掌握最强的人工智能模型ChatGLM，进行可靠的二次开发和微调为目标，使读者能够在开发者的层面掌握ChatGLM程序设计方法和技巧，为开发出更强大的人工智能大模型打下扎实的基础。 本书的优势 ? 本书基于PyTorch 2.0框架对深度学习的理论、应用以及实战进行全方位的讲解，市面上鲜有涉及。 ? 本书手把手地从零开始向读者讲解大模型的构建方法，从最基础的深度学习模型搭建开始，直到完成大模型的设计、应用与微调工作。 ? 本书并非枯燥的理论讲解，而是大量最新文献的归纳和总结。在这点上，本书与其他编程书籍有本质区别。本书的例子都是来自现实世界中对深度学习有实战应用的模型，通过介绍这些实际应用示例，可以使读者更进一步地了解和掌握其应用价值和核心本质。 ? 本书作者有长期的研究生和本科生教学经验，通过通俗易懂的语言，深入浅出地介绍深度学习与神经网络理论体系的全部知识点，并在程序编写时使用PyTorch 2.0最新框架进行程序设计，帮助读者更好地使用PyTorch模型框架，理解和掌握PyTorch程序设计的精妙之处。 ? 作者认为，掌握和使用深度学习的人才应在掌握基本知识和理论的基础上，重视实际应用程序开发能力和解决问题能力的培养。特别是对于最新的大模型技术的掌握。本书结合作者在实际工作中应用的实际案例进行讲解，内容真实，场景逼真。 本书的内容 本书共18章，所有代码均采用Python语言编写，这也是PyTorch 2.0框架推荐使用的语言。 第1章介绍人工智能的基本内容，初步介绍深度学习应用与大模型的发展方向，介绍最强的人工智能大模型—清华大学ChatGLM的应用前景，旨在说明使用深度学习和人工智能实现大模型是未来科技的发展方向，也是必然趋势。 第2章介绍PyTorch 2.0的安装和常用的类库。Python是易用性非常强的语言，可以很方便地将公式和愿景以代码的形式表达出来，而无须学习过多的编程知识。还将手把手地向读者演示第一个深度学习模型的完整使用示例。 第3章演示使用PyTorch框架进行手写体识别的实际例子，完整地对MNIST手写体项目进行分类，同时讲解模型的标签问题以及本书后期常用的损失函数计算等内容。 第4章系统介绍深度学习的基础知识—反向传播神经网络的原理和实现。这是整个深度学习领域最为基础的内容，也是最为重要的理论部分。本章通过独立编写代码的形式为读者实现这个神经网络中最重要的算法。 第5章介绍卷积神经网络的使用，主要介绍使用卷积对MNIST数据集进行识别。这是一个入门案例，但是包含的内容非常多，例如使用多种不同的层和类构建一个较为复杂的卷积神经网络。同时也介绍了一些具有个性化设置的卷积层。 第6章主要讲解PyTorch 2.0数据处理与模型训练可视化方面的内容，这是本书中非常重要的基础，也是数据处理中非常重要的组成部分，通过编写相应的程序来实现模型对输入数据的处理，能够使得读者更加深入地了解PyTorch框架的运行原理。 第7章介绍卷积神经网络的核心内容，讲解基于Block堆积的ResNet模型的构建方法，这为后面搭建更多基于模块化的深度学习模型打下基础。 第8和第9章是PyTorch自然语言处理的基础部分，从词向量开始，到使用卷积和循环神经网络完成自然语言处理的情感分类项目，循序渐进地引导读者使用深度学习完成自然语言处理实战。 第10章介绍深度学习另一个重要的模块—注意力模型，本章的理论部分非常简单，讲解得也很清晰，但其内容对整个深度学习模型具有里程碑意义。 第11和第12章是自然语言处理的补充内容，分别介绍使用现有的预训练模型进行自然语言处理以及自然语言处理解码器的部分。第12章和第10章相互衔接，主要是对当前的新模型Transformer进行介绍和说明，分别从其架构入手，对编码器和解码器进行详细介绍。同时，第12章还介绍各种ticks和小的细节，有针对性地对模型优化做了说明。 第13~15章是对强化学习部分的讲解，同时详细讲解深度学习中具有开创性质的GPT-2模型的构成架构和源码设计，并基于以上两部分完成了一个简化版的ChatGPT设计，这是为后续进行语言模型微调打下基础。 第16~18章是本书有关大模型的核心内容。第16章讲解人工智能大模型ChatGLM的使用与自定义方法。第17章讲解ChatGLM高级定制化应用，包括专业客服问答机器人、金融信息抽取实战以及一些补充内容；其中金融信息抽取使用了基于知识链的多专业跨领域文档挖掘的方法，这是目前ChatGLM甚至是自然语言处理大模型方面最为前沿的研究方向。第18章讲解ChatGLM模型的本地化处理和ChatGLM的高级微调方法，极具参考价值。 本书的特点 ? 本书不是纯粹的理论知识介绍，也不是高深的技术研讨，完全是从实践应用出发，用最简单、典型的示例引申出核心知识，并指出进一步学习人工智能大模型的道路。 ? 本书没有深入介绍某一个知识块，而是全面介绍PyTorch涉及的大模型的基本结构和上层程序设计，系统地讲解深度学习的全貌，使读者在学习过程中把握好方向。 ? 本书在写作上浅显易懂，没有深奥的数学知识，而是采用较为形象的形式，使用大量图示来描述应用的理论知识，让读者轻松地阅读并掌握相关内容。 ? 本书旨在引导读者进行更多技术上的创新，每章都会以示例的形式帮助读者更好地理解本章要学习的内容。 ? 本书代码遵循重构原理，避免代码污染，帮助读者写出优秀、简洁、可维护的代码。 配套示例源代码、PPT课件下载 本书配套示例源代码、PPT课件，需要用微信扫描下面的二维码获取。如果阅读中发现问题或疑问，请联系booksaga@163.com，邮件主题写“从零开始大模型开发与微调”。
本书适合人群 本书适合人工智能、大模型、深度学习以及PyTorch框架等方向的初学者和开发人员阅读，也可以作为高等院校相关专业的教材。 建议读者在学习本书内容的过程中，理论联系实际，独立进行一些代码的编写工作，可能的情况下采取开放式的实验方法，即读者自行准备实验数据和实验环境，解决实际问题，最终达到理论联系实际的目的。 本书作者 本书作者为高校计算机专业教师，教授人工智能、大数据分析与挖掘、Java程序设计、数据结构等多门本科生及研究生课程，研究方向为数据仓库与数据挖掘、人工智能、机器学习，在研和参研多项科研项目。作者在本书写作过程中，得到了家人和朋友的大力支持，以及本书编辑王叶的热情帮助，在此对他们一并表示感谢。
作  者 2023年8月

显示全部信息