買這商品的人也買了...
-
強化學習與深度學習：通過 C語言模擬$354$336 -
深度探索 Linux 系統虛擬化：原理與實現$534$507 -
HuggingFace 自然語言處理詳解 — 基於 BERT 中文模型的任務實戰$414$393 -
ChatGPT 原理與實戰：大型語言模型的算法、技術和私有化$594$564 -
$454從零開始大模型開發與微調：基於 PyTorch 與 ChatGLM -
自然語言處理與應用$534$507 -
$713深入理解FFmpeg （限量簽名版） -
$556大規模語言模型：從理論到實踐 -
$407GPT 圖解 : 大模型是怎樣構建的 -
$352機器視覺技術：基礎與實踐 -
強化學習演算法入門$419$398 -
$505LangChain 入門指南：構建高可復用、可擴展的 LLM 應用程序 -
AIGC 創意美學之路$499$394 -
Discord 全方位工具書 - 基本操作、伺服器設置完全解說$599$473 -
圖解元宇宙｜核心技術 x 商業應用 x 未來發展$480$379 -
為什麼你不懂 AI？讓它成為你的超級助理$690$545 -
$403Llama 大模型實踐指南 -
$607大語言模型：原理與工程實踐 -
新範式來臨 - 用 PyTorch 了解 LLM 開發微調 ChatGLM 全過程$980$774 -
$602大語言模型：基礎與前沿 -
$352大語言模型通識 -
大語言模型基礎（微課視頻版）$359$341 -
自然語言處理——基於深度學習的理論和實踐（微課視頻版）$354$336 -
$454LangChain 大模型 AI 應用開發實踐 -
$407生成式AI實戰基於Transformer、Stable Diffusion、LangChain和AI Agent
相關主題
商品描述
本書是一本旨在填補人工智慧（AI）領域（特別是AI大模型）理論與實踐之間鴻溝的實用手冊。
書中介紹了AI大模型的基礎與關鍵技術，如Transformer、BERT、ALBERT、T5、GPT系列、InstructGPT、
RLHF、ChatGPT、GPT-4、PaLM和視覺模型等，並詳細解釋了這些模型的技術原理、
實際應用以及高效能運算（HPC）技術的使用，如平行運算和記憶體最佳化。
同時，本書也提供了實作案例，詳細介紹如何使用Colossal-AI訓練各種模型。
目錄大綱
第1章 深度學習中的AI大模型
1.1 AI大模型在人工智慧領域的興起
1.1.1 AI大模型的發展與挑戰
1.1.2 AI大模型為何難以訓練
1.2 深度學習架構入門
1.2.1 建構神經網絡
1.2.2 訓練一個文字分類器
第2章 分散式系統：AI大模型的誕生之所
2.1 深度學習與分散式系統
2.1.1 從分散式計算到分散式AI系統
2.1.2 大規模分散式訓練平台的關鍵技術
2.1.3 Colossal AI應用實踐
2.2 AI大模型訓練方法
2.2.1 梯度累積與梯度裁剪
2.2.2 大批量優化器LARSLAMB
2.2.3 模型精度與混合精度訓練
2.3 異構訓練
2.3.1 異構訓練的基本原理
2.3.2 異構訓練的實現策略
2.4 實戰分散式訓練
2.4.1 Colossal AI環境搭建
2.4.2 使用Colossal AI訓練第一個模型
2.4.3 AI大模型的異構訓練
第3章 分散式訓練：上千台機器如何共同起舞
3.1 平行策略基礎原理
3.1.1 資料並行:最基本的平行訓練範式
3.1.2 張量並行:層內模型並行
3.1.3 流水線並行的原理與實現
3.2 高階平行策略基礎原理
3.2.1 序列並行:超長序列模型訓練
3.2.2 混合並行:擴展模型到千億參數
3.2.3 自動並行:自動化的分散式並行訓練
3.3 實戰分散式訓練
3.3.1 應用模型平行策略的實際案例
3.3.2 結合多種平行策略的訓練實踐
第4章 AI大模型時代的奠基石Transformer模型
4.1 自然語言處理基礎
4.1.1 自然語言任務介紹
4.1.2 語言輸入的預處理
4.1.3 序列到序列模型
4.2 Transformer詳解
4.2.1 Transformer模型結構
4.2.2 注意力與自註意力機制
4.2.3 Transformer中的歸一化
4.3 Transformer的變體與擴展
4.3.1 變體模型匯總
4.3.2 Transformer序列位置資訊的編碼處理
4.3.3 Transformer訓練
第5章 AI大幅提升Google搜尋品質:BERT模型
5.1 BERT模型詳解
5.1.1 BERT模型總體架構與輸入形式
5.1.2 BERT模型預訓練任務
5.1.3 BERT模型的應用方法
5.2 高效率降低記憶體使用的ALBERT模型
5.2.1 基於參數共享的參數縮減方法
5.2.2 句子順序預測（SOP）預訓練任務
5.3 BERT模型實戰訓練
5.3.1 建構BERT模型
5.3.2 並行訓練BERT模型
第6章 統一自然語言處理範式的T5模型
6.1 T5模型詳解
6.1.1 T5模型架構與輸入輸出－文本到文本
6.1.2 T5模型預訓練
6.1.3 T5模型應用前景及未來發展
6.2 統一BERT和GPT的BART模型
6.2.1 從BERT、GPT到BART
6.2.2 BART模型預訓練
6.2.3 BART模型的應用
6.3 統一語言學習範式的UL2框架
6.3.1 關於語言模型預訓練的統一視角
6.3.2 結合不同預訓練範式的混合去雜訊器
6.3.3 UL2的模型性能
6.4 T5模型預訓練方法與關鍵技術
第7章 作為通用人工智慧起點的GPT系列模型
7.1 GPT系列模型的起源
7.1.1 GPT的訓練方法與關鍵技術
7.1.2 GPT的模型效能評估分析
7.2 GPT 2模型詳解
7.2.1 GPT 2的核心思想
7.2.2 GPT 2的模型性能
7.3 GPT 3模型詳解
7.3.1 小樣本學習、一次學習與零次學習的異同
7.3.2 GPT 3的訓練方法與關鍵技術
7.3.3 GPT 3的模型效能與效果評估
7.4 GPT 3模型建構與訓練實戰
7.4.1 建構GPT 3模型
7.4.2 使用異質訓練降低GPT 3訓練消耗資源
第8章 興起新一代人工智慧浪潮:ChatGPT模型
8.1 能與網路互動的WebGPT
8.1.1 WebGPT的訓練方法與關鍵技術
8.1.2 WebGPT的模型效能評估分析
8.2 能與人類互動的InstructGPT模型
8.2.1 指令學習
8.2.2 近端策略優化
8.2.3 基於人類回饋的強化學習（RLHF）方法總結
8.3 ChatGPT和GPT4
8.3.1 ChatGPT模型簡介與應用
8.3.2 GPT 4模型特性與應用
8.4 建構會話系統模型
8.4.1 基於監督的指令精調與模型訓練
8.4.2 會話系統的推理與部署策略
第9章 百花齊放的自然語言模型：Switch Transfomer和PaLM
9.1 兆參數稀疏大模型Switch Transformer
9.1.1 稀疏閘控混合專家模型MoE
9.1.2 基於MoE的萬億參數模型Switch Transformer
9.2 PaLM模型：最佳化語言模型效能
9.2.1 PaLM模型的結構、原理與關鍵特點
9.2.2 PaLM訓練策略與效果評估
9.3 PaLM實戰訓練
第10章 實現Transformer向電腦視覺進軍的ViT模型
10.1 Transformer在電腦視覺的應用
10.1.1 ViT模型在電腦視覺中的發展背景
10.1.2 ViT模型的架構、原理與關鍵要素
10.1.3 大規模ViT模型的應用場景與挑戰
10.2 視覺大模型的進一步發展：Transformer與卷積的融合
10.2.1 基於Transformer的視覺模型的改良應用
10.2.2 基於卷積的視覺模型的發展最佳化
10.3 ViT模型建構與訓練實戰
10.3.1 建構ViT模型的關鍵步驟與關鍵方法
10.3.2 多維張量並行的ViT的實戰演練
參考文獻
