導覽
近期變更
隨機頁面
新手上路
新頁面
優質條目評選
繁體
不转换
简体
繁體
3.145.65.133
登入
工具
閱讀
檢視原始碼
特殊頁面
頁面資訊
求真百科歡迎當事人提供第一手真實資料，洗刷冤屈，終結網路霸凌。
檢視 GPT图解 的原始碼
←
GPT图解
前往：
導覽
、
搜尋
由於下列原因，您沒有權限進行 編輯此頁面 的動作：
您請求的操作只有這個群組的使用者能使用：
用戶
您可以檢視並複製此頁面的原始碼。
{| class="wikitable" align="right" |- |<center><img src=https://www0.kfzimg.com/sw/kfz-cos/kfzimg/cdedabac/b9d67cf1c7ca105e_s.jpg width="260"></center> <small>[https://book.kongfz.com/100583/7251372570 来自 孔夫子网 的图片]</small> |} 《'''GPT图解'''》，副标题：大模型是怎样构建的，作者黄佳，责编蒋艳，定价79.80，ISBN号9787115623683，出版社人民邮电出版社，版印次1版 1次，开本16开，装帧平装，出版时间2023-12，印刷时间2023-12。 人民邮电出版社是全国优秀[[出版社]]、全国百佳图书出版单位。人民邮电出版社出版领域涵盖科技出版、教育出版、大众出版，涉及信息技术、[[通信]]、工业技术、科普<ref>[https://www.douban.com/group/topic/116170316/ 100部科普经典名著]，豆瓣，2018-04-26</ref>、经济管理、摄影、艺术、运动与休闲、心理学、少儿、大中专教材等10余个出版门类，年出版[[图书]]<ref>[https://www.xuexila.com/lishi/zixun/ziliao/18945.html 图书的演变历史资料]，学习啦，2017-06-07</ref>近万种。 ==内容简介== 人工智能（AI），尤其是生成式语言模型和生成式人工智能（AIGC）模型，正以惊人的速度改变着我们的世界。驾驭这股潮流的关键，莫过于探究自然语言处理（NLP）技术的深奥秘境。本书将带领读者踏上一段扣人心弦的探索之旅，让其亲身感受，并动手搭建语言模型。本书主要内容包括N-Gram，词袋模型（BoW），Word2Vec（W2V），神经概率语言模型（NPLM），循环神经网络（RNN），Seq2Seq（S2S），注意力机制，Transformer，从初代GPT到ChatGPT再到GPT-4等一系列突破性技术的诞生与演进。 本书将以生动活泼的笔触，将枯燥的[[技术]]细节化作轻松幽默的故事和缤纷多彩的图画，引领读者穿梭于不同技术的时空，见证自然语言处理技术的传承、演进与蜕变。在这场不断攀登技术新峰的奇妙之旅中，读者不仅能深入理解自然语言处理技术的核心原理，还能自己动手，从零开始搭建起一个又一个语言模型。 无论你是在校学生还是人工智能从业者，这本书都将成为一盏明灯，照亮你探索人工智能无限奥秘的道路。 ==目录== 序章 看似寻常最奇崛，成如容易却艰辛 GPT-4：点亮人工通用智能的火花 [[人工智能]]演进之路：神经网络两落三起 现代自然语言处理：从规则到统计 何为语言？信息又如何传播？ NLP是人类和计算机沟通的桥梁 NLP技术的演进史 大规模预训练语言模型：BERT与GPT争锋 语言模型的诞生和进化 统计语言模型的发展历程 基于Transformer架构的预训练模型 “预训练+微调大模型”的模式 以提示 指令模式直接使用大模型 从初代GPT到ChatGPT，再到GPT- GPT作为生成式模型的天然优势 ChatGPT背后的推手——OpenAI 从初代GPT到ChatGPT，再到GPT-4的进化史 第 1课 高楼万丈平地起：语言模型的雏形N-Gram和简单文本表示Bag-of-Words ?1.1 N-Gram模型 ?1.2 “词”是什么，如何“分词” ?1.3 创建一个Bigram字符预测模型 ?1.4 词袋模型 ?1.5 用词袋模型计算文本相似度 小结 思考 第 2课 问君文本何所似： 词的向量表示Word2Vec和Embedding ?2.1 词向量 ≈ 词嵌入 ?2.2 Word2Vec：CBOW模型和Skip-Gram模型 ?2.3 Skip-Gram模型的代码实现 ?2.4 CBOW模型的代码实现 ?2.5 通过nn.Embedding来实现词嵌入 小结 思考 第3课 山重水复疑无路：神经概率语言模型和循环神经网络 ?3.1 NPLM的起源 ?3.2 NPLM的实现 ?3.3 循环神经网络的结构 ?3.4 循环神经网络实战 小结 思考 第4课 柳暗花明又一村：Seq2Seq编码器-解码器架构 ?4.1 Seq2Seq架构 ?4.2 构建简单Seq2Seq架构 小结 思考 第5课 见微知着开慧眼：引入注意力机制 ?5.1 点积注意力 ?5.2 缩放点积注意力 ?5.3 编码器-解码器注意力 ?5.4 注意力机制中的Q、K、V ?5.5 自注意力 ?5.6 多头自注意力 ?5.7 注意力掩码 ?5.8 其他类型的注意力 小结 思考 第6课 层峦叠翠上青天：搭建GPT核心组件Transformer ?6.1 Transformer架构剖析 ?6.1.1 编码器-解码器架构 ?6.1.2 各种注意力的应用 ?6.1.3 编码器的输入和位置编码 ?6.1.4 编码器的内部结构 ?6.1.5 编码器的输出和编码器-解码器的连接 ?6.1.6 解码器的输入和位置编码 ?6.1.7 解码器的内部结构 ?6.1.8 解码器的输出和Transformer的输出头 ?6.2 Transformer代码实现 ?6.3 完成翻译任务 ?6.3.1 数据准备 ?6.3.2 训练Transformer模型 ?6.3.3 测试Transformer模型 小结 思考 第7课 芳林新叶催陈叶：训练出你的简版生成式GPT ?7.1 BERT与GPT争锋 ?7.2 GPT：生成式自回归模型 ?7.3 构建GPT模型并完成文本生成任务 ?7.3.1 搭建GPT模型（解码器） ?7.3.2 构建文本生成任务的数据集 ?7.3.3 训练过程中的自回归 ?7.3.4 文本生成中的自回归（贪婪搜索） ?7.4 使用WikiText2数据集训练Wiki-GPT模型 ?7.4.1 用WikiText2构建Dataset和DataLoader ?7.4.2 用DataLoader提供的数据进行训练 ?7.4.3 用Evaluation Dataset评估训练过程 ?7.4.4 文本生成中的自回归（集束搜索） 小结 思考 第8课 流水后波推前波：ChatGPT基于人类反馈的强化学习 ?8.1 从GPT到ChatGPT ?8.2 在Wiki-GPT基础上训练自己的简版ChatGPT ?8.3 用Hugging Face预训练GPT微调ChatGPT ?8.4 ChatGPT的RLHF实战 ?8.4.1 强化学习基础知识 ?8.4.2 简单RLHF实战 小结 思考 第9课 生生不息的循环：使用强大的GPT-4 API ?9.1 强大的OpenAI API ?9.2 使用GPT-4 API 小结 思考 后 记 莫等闲，白了少年头 ==参考文献== [[Category:040 類書總論；百科全書總論]]
返回「
GPT图解
」頁面