ChatGPT原理与架构：大模型的预训练、迁移和中间件编程-程戈
- 书名： ChatGPT原理与架构：大模型的预训练、迁移和中间件编程
- 作者： 程戈
- 简介： 内容简介
这是一本深入阐述ChatGPT等大模型的工作原理、运行机制、架构设计和底层技术，以及预训练、迁移、微调和中间件编程的著作。它将帮助我们从理论角度全面理解大模型，从实践角度更好地应用大模型，是作者成功训练并部署大模型的过程复盘和经验总结。
第1章介绍了ChatGPT等大模型的发展历程、技术演化和技术栈等基础知识；
第2~5章深入讲解了Transformer的架构原理，并从GPT-1的生成式预训练到GPT-3的稀疏注意力机制详细描述了GPT系列的架构演进；
6~8章从底层技术实现的角度讲解了大语言模型的训练策略、数据处理方法，以及如何利用策略优化和人类反馈来进一步提升模型的表现；
第9~10章首先详细讲解了大语言模型在垂直领域的低算力迁移方法，并给出了医疗和司法领域的迁移案例，然后讲解了大模型的中间件编程；
第11章对GPT的未来发展趋势进行预测，探讨数据资源、自回归模型的局限性，以及大语言模型时代具身智能的可行路线。
- 出版时间 2023-12-01 00:00:00
- ISBN： 9787111739562
- 分类： 计算机-编程设计
- 出版社： 机械工业出版社
高亮划线
封面
版权信息
内容简介
前言
本书主要内容
本书读者对象
联系作者
致谢
第1章 人工智能的新里程碑——ChatGPT
1.1 ChatGPT的发展历程
1.2 ChatGPT的能力
1.3 大语言模型的技术演化
1.4 大语言模型的技术栈
1.5 大语言模型带来的影响
1.6 大语言模型复现的壁垒
1.7 大语言模型的局限性
1.8 小结
2.2 自注意力机制
2.3 多头注意力机制
2.4 前馈神经网络
2.5 残差连接
2.6 层归一化
2.7 位置编码
2.8 训练与优化
2.9 小结
第3章 生成式预训练
3.1 生成式预训练简介
3.2 GPT的模型架构
3.3 生成式预训练过程
3.4 有监督微调
3.5 小结
第4章 无监督多任务与零样本学习
4.1 编码器与解码器
4.2 GPT-2的模型架构
4.3 无监督多任务
4.4 多任务学习与零样本学习的关系
4.5 GPT-2的自回归生成过程
4.6 小结
第5章 稀疏注意力与基于内容的学习
5.1 GPT-3的模型架构
5.2 稀疏注意力模式
5.3 元学习和基于内容的学习
5.4 概念分布的贝叶斯推断
5.5 思维链的推理能力
5.6 小结
第6章 大语言模型的预训练策略
6.1 预训练数据集
6.2 预训练数据的处理
6.3 分布式训练模式
6.4 分布式训练的技术路线
6.5 训练策略案例
6.6 小结
第7章 近端策略优化算法
7.1 传统的策略梯度方法
7.2 Actor-Critic算法
7.3 信任域策略优化算法
7.4 PPO算法的原理
7.5 小结
第8章 人类反馈强化学习
8.1 强化学习在ChatGPT迭代中的作用
8.2 InstructGPT训练数据集
8.3 人类反馈强化学习的训练阶段
8.4 奖励建模算法
8.5 PPO算法在InstructGPT中的应用
8.6 多轮对话能力
8.7 人类反馈强化学习的必要性
8.8 小结
第9章 大语言模型的低算力领域迁移
9.1 指令自举标注
9.2 人工智能反馈
9.3 低秩自适应
9.4 量化：降低部署的算力要求
9.5 SparseGPT剪枝算法
9.6 开源大语言模型的低算力迁移案例
9.7 小结
第10章 中间件编程
10.1 补齐短板——LangChain恰逢其时
10.2 多模态融合中间件
10.3 AutoGPT自主代理与任务规划
10.4 中间件框架的竞品
10.5 小结
第11章 大语言模型的未来之路
11.1 强人工智能之路
- 📌 如果研究大语言模型的发展历史，一个显而易见的规律是，在更多的数据上训练更大的模型，当模型的规模达到一个临界值后，大语言模型（如GPT-3、GLaM、LaMDA和Megatron-Turing NLG等）开始展现出一些开发者未能预测的、更复杂的能力和特性，这被称为模型的涌现能力。 ^85-840-979
11.2 数据资源枯竭
11.3 自回归模型的局限性
11.4 具身智能
11.5 小结
作者简介
文后
读书笔记
本书评论