掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
LLAMA大模型實踐指南 版權信息
- ISBN：9787121470103
- 條形碼：9787121470103 ; 978-7-121-47010-3
- 裝幀：平塑勒
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
LLAMA大模型實踐指南 本書特色
1一本全面介紹Llama的入門指南。本書旨在幫助讀者深入了解和應用LLAMA，從而利用其強大的自然語言處理能力解決各種現實世界的問題。 2.內容包括介紹大型語言模型的基本原理、架構和訓練方法，幫助讀者建立對LlAMA的理解和認知。 2.深入探討LLAMA在各個領域的實際應用，包括自動文本生成、機器翻譯、情感分析、問答系統(tǒng)等，幫助讀者了解如何將LlAMA應用于實際項目中。 3.介紹各種LLAMA模型的調優(yōu)技巧和策略，幫助讀者優(yōu)化模型性能并提高預測準確度。 4.提供詳細的實踐指導，包括使用流行的LlAMA框架和工具，進行數據預處理、模型訓練和推理部署等。
LLAMA大模型實踐指南 內容簡介
本書共包括7章，涵蓋了從基礎理論到實際應用的全方位內容。第1章深入探討了大模型的基礎理論。第2章和第3章專注于Llama 2大模型的部署和微調，提供了一系列實用的代碼示例、案例分析和很好實踐。第4章介紹了多輪對話難題，這是許多大模型開發(fā)者和研究人員面臨的一大挑戰(zhàn)。第5章探討了如何基于Llama 2定制行業(yè)大模型，以滿足特定業(yè)務需求。第6章介紹了如何利用Llama 2和LangChain構建高效的文檔問答模型。第7章展示了多語言大模型的技術細節(jié)和應用場景。本書既適合剛入門的學生和研究人員閱讀，也適合有多年研究經驗的專家和工程師閱讀。通過閱讀本書，讀者不僅能掌握Llama 2大模型的核心概念和技術，還能學會如何將這些知識應用于實際問題，從而在這一快速發(fā)展的領域中取得優(yōu)勢。
LLAMA大模型實踐指南 目錄
第1章 大模型的基礎理論
1.1 大模型的發(fā)展歷史
1.1.1 從語言模型到預訓練大模型
1.1.2 預訓練大模型的發(fā)展
1.1.3 大模型的進化
1.2 大模型的核心框架
1.2.1 Transformer
1.2.2 位置編碼
1.2.3 多頭自注意力機制
1.3 數據收集和數據處理
1.3.1 數據收集
1.3.2 數據處理
1.4 大模型的預訓練及微調
1.4.1 無監(jiān)督預訓練
1.4.2 指令微調
1.4.3 基于人類反饋微調
1.5 大模型的評測
1.5.1 評測任務
1.5.2 評測數據集
1.5.3 評測方法
1.5.4 評測中的挑戰(zhàn)
第2章 部署Llama 2大模型
2.1 部署前的準備
2.1.1 硬件準備
2.1.2 環(huán)境準備
2.2 模型的導入與加載
2.2.1 下載代碼
2.2.2 下載模型
2.3 模型部署
2.3.1 API部署
2.3.2 text-generation-webui 部署
2.3.3 使用text-generation-webui
第3章 微調Llama 2大模型
3.1 微調的數據集準備和標注
3.1.1 數據集準備
3.1.2 數據集標注
3.2 Llama 2大模型加載
3.3 微調策略設計及模型重新訓練
3.3.1 微調策略設計
3.3.2 模型參數高效微調
3.4 模型評估、測試和模型優(yōu)化
3.4.1 模型評估、測試
3.4.2 模型優(yōu)化
3.5 模型保存、模型部署和推理加速
3.5.1 模型保存
3.5.2 模型部署
3.5.3 推理加速
第4章 解決Llama 2大模型多輪對話難題
4.1 定制多輪對話數據集和構造方法
4.1.1 準備微調訓練數據的7個原則
4.1.2 定制微調訓練數據集
4.1.3 多輪對話的3個場景
4.2 實操構造多輪對話微調訓練數據集
4.3 通過多輪對話存儲解決信息流失問題
4.3.1 拼接歷史與當前輸入
4.3.2 上下文向量
4.3.3 對話狀態(tài)追蹤
4.3.4 狀態(tài)壓縮
4.3.5 增量學習和在線學習
4.4 提高大模型多輪對話應對能力
4.4.1 針對性的數據集與微調
4.4.2 實時反饋與自適應
4.4.3 強化學習優(yōu)化
4.4.4 上下文感知與個性化
4.4.5 多模態(tài)與多任務學習
4.4.6 錯誤處理與恢復策略
4.5 模型評估與持續(xù)改進
4.5.1 微調Llama 2大模型評估
4.5.2 持續(xù)改進
4.6 適合Llama 2大模型多輪對話的prompt構建
第5章 基于Llama 2定制行業(yè)大模型
5.1 業(yè)務數據分析指導行業(yè)大模型定制
5.1.1 行業(yè)大模型的定制策略
5.1.2 模型性能的評估
5.2 行業(yè)數據的獲取與預處理
5.2.1 數據獲取
5.2.2 數據預處理
5.3 Llama 2大模型導入初始化
5.4 微調獲得行業(yè)特定大模型
5.4.1 領域預訓練
5.4.2 微調策略
5.5 模型測試、評估和優(yōu)化
第6章 Llama 2 LangChain文檔問答模型構建
6.1 LangChain介紹
6.2 LangChain的主要概念與示例
6.2.1 模型
6.2.2 提示
6.2.3 輸出解析器
6.2.4 索引
6.2.5 內存
6.2.6 鏈
6.2.7 代理
6.2.8 工具
6.3 LangChain 環(huán)境配置
6.3.1 Python環(huán)境搭建
6.3.2 LangChain主要模塊
6.4 Llama 2 LangChain文檔問答模型評估
6.4.1 設置虛擬環(huán)境和創(chuàng)建文件結構
6.4.2 Llama 2和LangChain的交互流程
6.4.3 具體案例
第7章 多語言大模型技術介紹及其工業(yè)應用
7.1 多語言大模型的研究現狀和技術方向
7.1.1 為什么進行多語言研究
7.1.2 多語言在NLP社區(qū)的發(fā)展
7.1.3 多語言模型技術方向
7.2 多語言大模型的預訓練資源和評測任務
7.2.1 多語言大模型的預訓練資源介紹
7.2.2 評測任務介紹
7.3 多語言大模型的優(yōu)化方向
7.3.1 數據預處理流程
7.3.2 Tokenizer
7.3.3 訓練數據格式和采樣策略
7.3.4 多語言大模型的訓練任務
7.3.5 多語言大模型的優(yōu)化方向總結（以Llama 2為例）
7.4 多語言大模型的工業(yè)應用
7.4.1 智能客服
7.4.2 搜索引擎
7.4.3 機器翻譯
1.1 大模型的發(fā)展歷史
1.1.1 從語言模型到預訓練大模型
1.1.2 預訓練大模型的發(fā)展
1.1.3 大模型的進化
1.2 大模型的核心框架
1.2.1 Transformer
1.2.2 位置編碼
1.2.3 多頭自注意力機制
1.3 數據收集和數據處理
1.3.1 數據收集
1.3.2 數據處理
1.4 大模型的預訓練及微調
1.4.1 無監(jiān)督預訓練
1.4.2 指令微調
1.4.3 基于人類反饋微調
1.5 大模型的評測
1.5.1 評測任務
1.5.2 評測數據集
1.5.3 評測方法
1.5.4 評測中的挑戰(zhàn)
第2章 部署Llama 2大模型
2.1 部署前的準備
2.1.1 硬件準備
2.1.2 環(huán)境準備
2.2 模型的導入與加載
2.2.1 下載代碼
2.2.2 下載模型
2.3 模型部署
2.3.1 API部署
2.3.2 text-generation-webui 部署
2.3.3 使用text-generation-webui
第3章 微調Llama 2大模型
3.1 微調的數據集準備和標注
3.1.1 數據集準備
3.1.2 數據集標注
3.2 Llama 2大模型加載
3.3 微調策略設計及模型重新訓練
3.3.1 微調策略設計
3.3.2 模型參數高效微調
3.4 模型評估、測試和模型優(yōu)化
3.4.1 模型評估、測試
3.4.2 模型優(yōu)化
3.5 模型保存、模型部署和推理加速
3.5.1 模型保存
3.5.2 模型部署
3.5.3 推理加速
第4章 解決Llama 2大模型多輪對話難題
4.1 定制多輪對話數據集和構造方法
4.1.1 準備微調訓練數據的7個原則
4.1.2 定制微調訓練數據集
4.1.3 多輪對話的3個場景
4.2 實操構造多輪對話微調訓練數據集
4.3 通過多輪對話存儲解決信息流失問題
4.3.1 拼接歷史與當前輸入
4.3.2 上下文向量
4.3.3 對話狀態(tài)追蹤
4.3.4 狀態(tài)壓縮
4.3.5 增量學習和在線學習
4.4 提高大模型多輪對話應對能力
4.4.1 針對性的數據集與微調
4.4.2 實時反饋與自適應
4.4.3 強化學習優(yōu)化
4.4.4 上下文感知與個性化
4.4.5 多模態(tài)與多任務學習
4.4.6 錯誤處理與恢復策略
4.5 模型評估與持續(xù)改進
4.5.1 微調Llama 2大模型評估
4.5.2 持續(xù)改進
4.6 適合Llama 2大模型多輪對話的prompt構建
第5章 基于Llama 2定制行業(yè)大模型
5.1 業(yè)務數據分析指導行業(yè)大模型定制
5.1.1 行業(yè)大模型的定制策略
5.1.2 模型性能的評估
5.2 行業(yè)數據的獲取與預處理
5.2.1 數據獲取
5.2.2 數據預處理
5.3 Llama 2大模型導入初始化
5.4 微調獲得行業(yè)特定大模型
5.4.1 領域預訓練
5.4.2 微調策略
5.5 模型測試、評估和優(yōu)化
第6章 Llama 2 LangChain文檔問答模型構建
6.1 LangChain介紹
6.2 LangChain的主要概念與示例
6.2.1 模型
6.2.2 提示
6.2.3 輸出解析器
6.2.4 索引
6.2.5 內存
6.2.6 鏈
6.2.7 代理
6.2.8 工具
6.3 LangChain 環(huán)境配置
6.3.1 Python環(huán)境搭建
6.3.2 LangChain主要模塊
6.4 Llama 2 LangChain文檔問答模型評估
6.4.1 設置虛擬環(huán)境和創(chuàng)建文件結構
6.4.2 Llama 2和LangChain的交互流程
6.4.3 具體案例
第7章 多語言大模型技術介紹及其工業(yè)應用
7.1 多語言大模型的研究現狀和技術方向
7.1.1 為什么進行多語言研究
7.1.2 多語言在NLP社區(qū)的發(fā)展
7.1.3 多語言模型技術方向
7.2 多語言大模型的預訓練資源和評測任務
7.2.1 多語言大模型的預訓練資源介紹
7.2.2 評測任務介紹
7.3 多語言大模型的優(yōu)化方向
7.3.1 數據預處理流程
7.3.2 Tokenizer
7.3.3 訓練數據格式和采樣策略
7.3.4 多語言大模型的訓練任務
7.3.5 多語言大模型的優(yōu)化方向總結（以Llama 2為例）
7.4 多語言大模型的工業(yè)應用
7.4.1 智能客服
7.4.2 搜索引擎
7.4.3 機器翻譯
展開全部
LLAMA大模型實踐指南 作者簡介
張俊祺，清華大學計算機系博士，曾獲CIKM 2018唯一最佳論文獎、 2022年中關村U30等榮譽，原子回聲創(chuàng)始人。曲東奇，東南大學畢業(yè)，德國亥姆霍茲研究中心訪問學者。張正，清華大學計算機系畢業(yè)，對于深度學習、自然語言處理技術有著極其豐富的研究和產業(yè)經驗，組織訓練和研發(fā)了原子大模型。占冰強，AIGCLINK發(fā)起人，中關村超互聯聯盟副秘書長，行行AI合伙人，曾聯合創(chuàng)辦算法和數學建模交流平臺數學中國。
書友推薦
- >
伊索寓言-世界文學名著典藏-全譯本
- >
朝聞道
- >
名家?guī)阕x魯迅:故事新編
- >
我與地壇
- >
唐代進士錄
- >
上帝之肋:男人的真實旅程
- >
隨園食單
- >
月亮與六便士
本類暢銷
