新書推薦：
《
万历十八年之风起辽东
》
售價：HK$
85.8
《
实战ANSYS Icepak电子热设计
》
售價：HK$
97.9
《
水库式经营
》
售價：HK$
61.6
《
哲学家的最后一课
》
售價：HK$
57.8
《
进入全球公共视域的清帝国：欧洲文献里的中国邸报
》
售價：HK$
139.2
《
微积分学教程（第二卷）（第8版）
》
售價：HK$
116.8
《
16至20世纪知识史中的流亡者与客居者
》
售價：HK$
103.8
《
家庭经济学：用经济学视角解读家庭关系（诺贝尔经济学奖获得者加里·S. 贝克尔全新力作）
》
售價：HK$
81.4
|
| 編輯推薦： |
|
1）入门友好：本书特别注重基础知识的讲解，避免了深奥难懂的技术细节，使得即使是大模型领域的初学者也能轻松理解核心概念，快速进入实践阶段，避免了学习初期的迷茫和挫败感。2）理论够用：提供了对大模型工作流程、Transformer架构、提示工程技术、模型微调技巧等关键技术的深度剖析。通过详细的案例分析和操作指南，帮助读者深刻理解这些技术背后的原理和应用场景，提高解决问题的能力。3）实战导向：强调提示工程的实际应用，介绍了一系列经过验证的提示设计和优化方法。通过实战演练，读者不仅能学到理论知识，更能掌握如何利用这些知识来改善大模型的性能，实现预期的输出结果。4）案例丰富：涵盖了多个行业的实际应用案例，包括但不限于金融、医疗、教育等领域。这些案例不仅展示了大模型的广泛应用前景，也为读者提供了丰富的参考和借鉴，帮助他们在自己的项目中找到合适的解决方案。5）全程指导：每个案例都从需求分析开始，到环境搭建、代码实现，最后到测试和部署，提供了一站式的全流程指导。读者可以在每个环节中获得具体的建议和支持，确保项目的顺利进行，最终达到最佳的应用效果。
|
| 內容簡介： |
|
本书由科大讯飞与中国科大的大模型的资深专家联合撰写，一本书打通大模型的技术原理与应用实践壁垒，深入大模型3步工作流程，详解模型微调、对齐优化、提示工程等核心技术及不同场景的微调方案，全流程讲解6个典型场景的应用开发实践。 本书共10章，从逻辑上分为“基础知识”“原理与技术”“应用开发实践”三部分。基础知识（第1章）介绍大模型定义、应用现状、存在的问题，以及发展趋势。原理与技术（第2和3章）详细讲解大模型的构建流程、Transformer模型，以及模型微调、对齐优化、提示工程等核心技术，之后介绍了推理优化、大模型训练、大模型评估、大模型部署等拓展技术。应用开发实践（第4～10章）详细讲解大模型插件应用开发、RAG实践，以及智能客服问答、学科知识问答、法律领域应用、医疗领域应用、智能助写平台等多领域的实践。
|
| 關於作者： |
于俊：科大讯飞高级人工智能工程师、中国科学技术大学工程博士、CCF高级会员。主要研究数据挖掘、知识图谱、认知智能创新探索及应用，拥有超过15年的大数据及人工智能算法工程化经验。参与编写了《Spark核心技术与高级应用》《Spark机器学习进阶实战》《知识图谱实战：构建方法与行业应用》《人工智能数据处理基础》等著作。
程礼磊：科大讯飞实验室产品部算法总监、合肥工业大学概率论与数理统计硕士。在数据分析与挖掘、自然语言处理、教育认知诊断等领域有丰富的研究和开发经验，精通Python、R语言以及人工智能深度学习框架，在人工智能教育、产教融合行业应用有着诸多落地经验。
程明月：中国科学技术大学计算机科学与技术学院特任副研究员、硕士生导师、工学博士。主要研究时序建模、大模型方法及其应用，同时担任中国中文信息学会信息检索专委会通讯委员、中国老年学与老年医学学会慢病远程与智能管理分会委员。在相关领域国际学术会议和重要期刊上发表学术论文20余篇，申请发明专利10余项。担任多个国际学术期刊与会议（如IEEE TKDE、SIGKDD、SIGIR等）的审稿人，以及程序委员会委员。曾荣获多项算法竞赛与双创赛事竞赛奖励，包括KDD Cup 2024全球亚军等。
|
| 目錄：
|
目 录
前言
第1章 大模型概述 / 1
1.1 大模型的概念 / 1
1.2 大模型的应用现状 / 4
1.2.1 国外的大模型 / 4
1.2.2 国内的大模型 / 7
1.2.3 大模型的应用情况 / 9
1.3 大模型存在的问题 / 10
1.3.1 机器幻觉 / 11
1.3.2 安全伦理 / 12
1.3.3 选择错误目标 / 13
1.3.4 难以监督 / 14
1.4 大模型的发展趋势 / 14
1.4.1 多模态能力 / 14
1.4.2 AI Agent / 15
1.4.3 端侧应用 / 15
1.4.4 可信任性及可解释性 / 16
1.4.5 自我学习 / 16
1.5 本章小结 / 17
第2章 大模型核心技术 / 18
2.1 大模型构建流程 / 18
2.1.1 预训练语言模型 / 20
2.1.2 模型微调 / 22
2.1.3 对齐优化 / 24
2.2 Transformer模型 / 25
2.2.1 Transformer模型概述 / 25
2.2.2 编码器与解码器 / 28
2.2.3 注意力机制 / 32
2.2.4 词向量 / 36
2.2.5 位置编码 / 37
2.2.6 规范化 / 40
2.2.7 激活函数 / 41
2.2.8 优化器 / 41
2.2.9 基于Transformer的大模型架构选择 / 42
2.3 模型微调 / 43
2.3.1 指令微调数据集 / 43
2.3.2 调优策略 / 46
2.4 对齐优化 / 60
2.4.1 反馈 / 60
2.4.2 偏好模型 / 61
2.4.3 RLHF / 62
2.5 提示工程 / 64
2.5.1 提示工程开发流程 / 65
2.5.2 提示设计开发 / 66
2.6 本章小结 / 73
第3章 大模型技术拓展 / 74
3.1 推理优化技术 / 74
3.1.1 解码优化算法 / 74
3.1.2 推理加速策略 / 78
3.2 大模型训练技术 / 81
3.2.1 并行训练 / 81
3.2.2 训练容错 / 87
3.2.3 混合精度训练 / 89
3.3 大模型评估 / 91
3.3.1 大模型评估概述 / 91
3.3.2 大模型评估任务 / 91
3.3.3 大模型评估数据集 / 91
3.3.4 大模型评估方法 / 93
3.4 大模型部署 / 96
3.4.1 模型环境搭建 / 96
3.4.2 模型运行测试 / 97
3.5 本章小结 / 99
第4章 插件应用开发实践 / 100
4.1 应用概述 / 100
4.1.1 ChatGPT插件 / 100
4.1.2 LangChain插件 / 101
4.1.3 通用插件调用流程 / 103
4.2 天气查询插件开发 / 103
4.2.1 基于ChatGPT的插件
开发 / 103
4.2.2 基于AutoGen的插件
开发 / 110
4.3 语音交互插件开发 / 114
4.4 本章小结 / 118
第5章 RAG实践 / 119
5.1 应用概述 / 119
5.2 RAG流程 / 120
5.3 环境构建 / 121
5.4 应用实践 / 122
5.4.1 知识解析 / 123
5.4.2 检索 / 127
5.4.3 增强 / 130
5.4.4 生成 / 134
5.5 本章小结 / 135
第6章 智能客服问答实践 / 136
6.1 应用概述 / 136
6.2 环境构建 / 137
6.2.1 开发环境搭建 / 137
6.2.2 开源模型下载 / 138
6.3 应用开发 / 139
6.3.1 实现多轮对话系统 / 139
6.3.2 提示优化 / 141
6.3.3 第三方工具调用 / 150
6.4 应用部署 / 152
6.5 本章小结 / 154
第7章 学科知识问答实践 / 155
7.1 应用概述 / 155
7.2 环境构建 / 155
7.2.1 开发环境搭建 / 156
7.2.2 项目参数配置 / 156
7.3 学科知识图谱 / 158
7.3.1 大模型与知识图谱 / 158
7.3.2 学科知识图谱构建流程 / 159
7.3.3 学科知识数据集 / 161
7.3.4 学科知识处理 / 162
7.4 应用开发 / 164
7.4.1 功能设置 / 164
7.4.2 知识库构建 / 165
7.4.3 基于LangChain的问答
实践 / 167
7.5 本章小结 / 170
第8章 法律领域应用实践 / 171
8.1 应用概述 / 171
8.2 对话数据微调 / 172
8.2.1 法律对话数据预处理 / 172
8.2.2 对话微调工具编写 / 175
8.2.3 模型微调框架的参数配置 / 176
8.2.4 微调前后的对话问答
对比 / 179
8.3 指令微调 / 181
8.3.1 法律指令数据集预处理 / 181
8.3.2 指令微调工具编写 / 182
8.3.3 法律大模型指令问答
评估 / 186
8.3.4 微调前后的对话问答
对比 / 189
8.4 部署验证 / 191
8.5 本章小结 / 193
第9章 医疗领域应用实践 / 194
9.1 应用概述 / 194
9.2 医疗数据集构建 / 195
9.2.1 增量预训练数据集 / 195
9.2.2 有监督微调数据集 / 195
9.2.3 直接偏好优化数据集 / 196
9.2.4 模
|
| 內容試閱：
|
前 言
以ChatGPT为代表的大型语言模型（简称大模型）首次实现了基于语言的智能涌现，推动了通用人工智能的技术飞跃和快速进化，大模型已成为人工智能领域的热门发展方向，引起了国内外的广泛关注，成为全球科技竞争的焦点。
大模型技术通过强大的数据处理能力和广泛的适用性，极大地提升了生产力，改变了生产要素的构成。一方面，它加速了信息处理的速度和精度，使得数据成为新的生产资料，提高了知识创造和应用的效率；另一方面，通过促进跨领域知识融合和技术迭代，大模型技术增强了劳动者的技能和创新能力，同时催生了新的商业模式和服务形态，从而推动了社会经济活动的整体智能化和数字化转型。此外，大模型技术还通过提升自动化水平、优化资源配置、促进个性化服务和强化决策支持，进一步释放了生产潜能，推动了经济增长和社会进步。
为什么要写这本书
当前，从国家到地方都在制定大模型的鼓励政策，大模型技术发展得如火如荼。各AI（人工智能）相关的企业、科研院所以及高校迅速组建技术团队研发大模型应用产品，以参与到最新一轮的科技变革当中。
本书写作的初衷是更好地帮助大模型领域的相关技术人员，让他们跟上时代的步伐，尽快跨越从核心技术原理到领域实践的鸿沟。掌握这些技术不仅能够帮助他们解决更为复杂的问题，提高开发效率，还能帮助他们参与到跨领域和传统行业的数字化转型项目中，为职业生涯开辟更广阔的空间，进而利用大模型强大的数据处理能力，推动产业升级。
在本书的写作过程中，大模型技术也在不断变化。秉承大道至简的原则，笔者一方面尽可能在大模型原理和技术章节统筹各种概念，另一方面尽可能在领域应用章节跳出概念进行应用实践。笔者希望能抛砖引玉，以个人的一些想法和见解，为读者拓展出更深入、更全面的思路去解决业务问题。
本书特色
1）本书基于中国科学技术大学（以下简称中国科大）研究团队在大模型方面的技术积累，结合科大讯飞实验室产品部在大模型方面的应用实践经验编写而成，涉及多个领域的开发实践，方便读者触类旁通，掌握一手的大模型应用开发技术。
2）为了让读者轻松入门，本书将大模型的核心技术和技术拓展分开讲解，并屏蔽了一些复杂的底层技术，让读者先打通原理层面，再结合实践入门，为后续的深入学习打下基础，避免因细节问题而停滞不前。当然，为了让初级甚至无AI基础的读者能看懂基本原理，在一些AI术语第一次出现时给出简单的介绍，既有良好的可读性与一定的深度，也兼顾了整体内容推进的合理性。
3）为了让读者快速掌握大模型应用开发技术，本书详细解释了大模型开发过程中多种技术的应用方式以及需要考虑的问题，帮助读者提前定位业务问题，为实现大模型应用的最佳效果打下坚实的基础。
读者对象
（1）应用开发工程师
本书深入浅出地讲解大模型的工作流程和技术原理，通过组合多种大模型行业应用方式及多个大模型领域的应用实践案例，缩小了传统应用开发人员与大模型应用开发人员之间的技术鸿沟，有助于传统应用开发工程师实现快速转型。
（2）算法工程师
本书聚焦于核心技术原理，使算法工程师能够快速理解大模型的工作流程、Transformer模型结构、提示工程、模型微调技术等，并根据实际情况进行扩展学习，身临其境地“体验”各种场景，准确定位不同场景下的优化重点，通过不同场景的模型微调实践，快速适配合适的模型优化方法。
（3）技术方案工程师
本书围绕大模型的组合应用方式，通过精心编写每个实践案例的应用背景、环境构建、代码实现及部署评测，帮助技术方案工程师进行效果闭环验证，从而实现大模型应用的最佳效果，这对解决业务问题有很好的借鉴作用。
（4）提示工程师
本书围绕提示工程的设计开发流程，详细讲解各种提示技巧，帮助提示工程师通过设计、实验和优化输入（提示）来引导大模型输出特定结果。
如何阅读本书
本书共10章，从逻辑上分为“基础知识”“原理与技术”“应用开发实践”三部分，从大模型概念引出大模型核心技术，再到多个行业实践案例与代码实现，层层推进，便于读者的系统学习与落地应用。
基础知识（第1章），介绍大模型定义、应用现状、存在的问题，以及多个维度的发展趋势。
原理与技术（第2章和第3章），详细讲解大模型的构建流程，Transformer模型，以及模型微调、对齐优化、提示工程等核心技术，之后介绍了推理优化、大模型训练、大模型评估、大模型部署等拓展技术。
应用开发实践（第4～10章），详细讲解大模型插件应用开发、RAG（检索增强生成）实践，以及智能客服问答、学科知识问答、法律领域应用、医疗领域应用、智能助写平台等多领域的实践。
通过本书，读者不仅能深入理解大模型的工作流程和技术原理，还能加深对大模型应用场景的理解，准确定位不同场景下的优化重点，提高大模型应用开发能力，并提升解决业务问题的能力。
勘误和支持
由于笔者水平有限，撰写时间仓促，书中难免会出现一些不当之处，恳请读者批评指正。限于篇幅，本书提及的一
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
