基於 GPT-3、ChatGPT、GPT-4 等 Transformer 架構的自然語言處理 Transformers for Natural Language Processing : Build, train, and fine-tune deep neural network architectures for NLP with Python, PyTorch, 2/e

Denis Rothman 畢業於法國巴黎索邦大學和狄德羅大學，設計了首批獲得專利的編碼和嵌入系統，編寫了首批獲得專利的AI 認知機器人和機器人。他的職業生涯始於為Mo?t et Chandon 提供NLP(自然語言處理)聊天機器人，並為空中客車公司(前身為Aerospatiale)提供AI 戰術防御優化器。此後，Denis 為IBM 和奢侈品牌開發了AI資源優化器，並最終發展為在全球範圍內使用的APS(高級規劃和調度)解決方案。

第1 章 Transformer 模型介紹 1

1.1 Transformer 的生態系統 2

1.1.1 工業4.0      2

1.1.2 基礎模型     3

1.2 使用Transformer 優化NLP模型     6

1.3 我們應該使用哪些資源 8

1.3.1 Transformer 4.0 無縫API 的崛起    9

1.3.2 選擇即用型API驅動庫    11

1.3.3 選擇Transformer模型    11

1.3.4 工業4.0 AI 專家的技能要求    12

1.4 本章小結     13

1.5 練習題     14

第2 章 Transformer 模型架構入門      15

2.1 Transformer 的崛起：註意力就是一切     16

2.1.1 編碼器堆疊   17

2.1.2 解碼器堆疊   37

2.2 訓練和性能    40

2.3 Hugging Face 的Transformer模型      40

2.4 本章小結     41

2.5 練習題     42

第3 章 微調BERT 模型    43

3.1 BERT 的架構    44

3.2 微調BERT     50

3.2.1 選擇硬件   50

3.2.2 安裝使用BERT 模型必需的Hugging Face PyTorch接口    50

3.2.3 導入模塊   50

3.2.4 指定Torch 使用CUDA     51

3.2.5 加載數據集   51

3.2.6 創建句子、標註列表以及添加[CLS]和[SEP]詞元    53

3.2.7 激活BERT 詞元分析器    53

3.2.8 處理數據   54

3.2.9 防止模型對填充詞元進行註意力計算  54

3.2.10 將數據拆分為訓練集和驗證集    54

3.2.11 將所有數據轉換為torch張量    55

3.2.12 選擇批量大小並創建迭代器    55

3.2.13 BERT 模型配置  56

3.2.14 加載Hugging Face BERTuncased base 模型 57

3.2.15 優化器分組參數  59

3.2.16 訓練循環的超參數 59

3.2.17 訓練循環   60

3.2.18 對訓練進行評估  61

3.2.19 使用測試數據集進行預測和評估   62

3.2.20 使用馬修斯相關系數進行評估   63

3.2.21 各批量的分數  63

3.2.22 整個數據集的馬修斯評估    64

3.3 本章小結     64

3.4 練習題     65

第4 章 從頭開始預訓練RoBERTa模型      66

4.1 訓練詞元分析器和預訓練Transformer     67

4.2 從頭開始構建Kantai BERT     68

4.2.1 步驟1：加載數據集  68

4.2.2 步驟2：安裝HuggingFace transformers 庫  69

4.2.3 步驟3：訓練詞元分析器     70

4.2.4 步驟4：將詞元化結果保存到磁盤上   72

4.2.5 步驟5：加載預訓練詞元分析器文件    73

4.2.6 步驟6：檢查訓練用機器的配置：GPU 和CUDA  74

4.2.7 步驟7：定義模型的配置     75

4.2.8 步驟8：為Transformer模型加載詞元分析器  75

4.2.9 步驟9：從頭開始初始化模型     75

4.2.10 步驟10：構建數據集     79

4.2.11 步驟11：定義數據整理器     80

4.2.12 步驟12：初始化訓練器     80

4.2.13 步驟13：預訓練模型     81

4.2.14 步驟14：將最終模型(+詞元分析器+配置)保存到磁盤   81

4.2.15 步驟15：使用FillMask-Pipeline 進行語言建模     82

4.3 後續步驟     83

4.4 本章小結     83

4.5 練習題     84

第5 章 使用Transformer 處理下游NLP 任務    85

5.1 Transformer 的轉導與感知      86

5.1.1 人類智能棧    86

5.1.2 機器智能棧    88

5.2 Transformer 性能與人類基準      89

5.2.1 評估模型性能的度量指標     89

5.2.2 基準任務和數據集  90

5.2.3 定義SuperGLUE 基準任務     94

5.3 執行下游任務    99

5.3.1 語言學可接受性語料庫(CoLA)    99

5.3.2 斯坦福情緒樹庫(SST-2)   100

5.3.3 Microsoft 研究釋義語料庫(MRPC)   101

5.3.4 Winograd 模式  102

5.4 本章小結     102

5.5 練習題     103

第6 章 機器翻譯    104

6.1 什麽是機器翻譯   105

6.1.1 人類轉導和翻譯 105

6.1.2 機器轉導和翻譯 106

6.2 對WMT 數據集進行預處理     106

6.2.1 對原始數據進行預處理    107

6.2.2 完成剩餘的預處理工作    109

6.3 用BLEU 評估機器翻譯     112

6.3.1 幾何評估   112

6.3.2 平滑技術   114

6.4 Google 翻譯    115

6.5 使用Trax 進行翻譯  116

6.5.1 安裝Trax    116

6.5.2 創建原始Transformer模型    117

6.5.3 使用預訓練權重初始化模型    117

6.5.4 對句子詞元化  117

6.5.5 從Transformer解碼    118

6.5.6 對翻譯結果去詞元化並展示    118

6.6 本章小結     119

6.7 練習題     119

第7 章 GPT-3      120

7.1 具有GPT-3 Transformer模型的超人類NLP   121

7.2 OpenAI GPT Transformer模型的架構    122

7.2.1 10 億參數Transformer模型的興起   122

7.2.2 Transformer 模型擴大的歷史    123

7.2.3 從微調到零樣本  125

7.2.4 解碼器堆疊   126

7.2.5 GPT 引擎   127

7.3 使用GPT-2 進行文本補全     127

7.4 訓練自定義GPT-2 語言模型     129

7.5 使用OpenAI GPT-3   131

7.5.1 在線運行NLP 任務 131

7.5.2 GPT-3 引擎入門  133

7.6 比較GPT-2 和GPT-3 的輸出     138

7.7 微調GPT-3    139

7.7.1 準備數據   139

7.7.2 微調GPT-3   140

7.8 工業4.0 AI 專家所需的技能     141

7.9 本章小結     142

7.10 練習題     143

第8 章 文本摘要(以法律和財務文檔為例)     144

8.1 文本到文本模型   145

8.1.1 文本到文本Transformer模型的興起  145

8.1.2 使用前綴而不是任務格式    146

8.1.3 T5 模型   147

8.2 使用T5 進行文本摘要  149

8.2.1 Hugging Face  149

8.2.2 初始化T5-large模型    150

8.2.3 使用T5-large 進行文本摘要    153

8.3 使用GPT-3 進行文本摘要     158

8.4 本章小結     159

8.5 練習題     160

第9 章 數據集預處理和詞元分析器     161

9.1 對數據集進行預處理和詞元分析器    162

9.1.1 最佳實踐   162

9.1.2 Word2Vec 詞元化 165

9.2 深入探討場景4 和場景5      174

9.2.1 使用GPT-2 生成無條件樣本    174

9.2.2 生成條件樣本  176

9.2.3 控制詞元化數據 177

9.3 GPT-3 的NLU 能力  180

9.4 本章小結     181

9.5 練習題     181

第10 章 基於BERT 的語義角色標註     183

10.1 SRL 入門    184

10.1.1 語義角色標註的定義   184

10.1.2 使用基於BERT 的預訓練模型進行SRL    185

10.2 基於BERT 模型的SRL

實驗     186

10.3 基本示例    187

10.3.1 示例1   187

10.3.2 示例2   189

10.3.3 示例3   191

10.4 復雜示例    193

10.4.1 示例4   193

10.4.2 示例5   195

10.4.3 示例6   196

10.5 SRL 的能力範圍   197

10.5.1 謂語分析的局限性   198

10.5.2 SRL 局限性的根本原因   199

10.6 本章小結    200

10.7 練習題     201

第11 章 使用Transformer 進行問答     202

11.1 方法論     203

11.2 方法0：試錯法   204

11.3 方法1：NER    206

11.4 方法2：SRL    211

11.4.1 使用ELECTRA 進行問答   213

11.4.2 項目管理約束 214

11.4.3 通過SRL 查找問題   215

11.5 後續步驟    219

11.5.1 使用RoBERTa 模型探索Haystack 220

11.5.2 使用GTP-3 引擎探索問答   221

11.6 本章小結    222

11.7 練習題     222

第12 章 情緒分析    224

12.1 入門：使用Transformer進行情緒分析   225

12.2 斯坦福情緒樹庫(SST)  225

12.3 通過情緒分析預測客戶行為     229

12.3.1 使用DistilBERT 進行情緒分析  229

12.3.2 使用Hugging Face 的其他模型進行情緒分析   231

12.4 使用GPT-3 進行情緒分析     235

12.5 工業4.0 依然需要人類     236

12.5.1 使用SRL 進行調查    237

12.5.2 使用Hugging Face進行調查  238

12.5.3 使用GPT-3 playground進行調查  240

12.6 本章小結    242

12.7 練習題     243

第13 章 使用Transformer 分析假新聞    244

13.1 對假新聞的情緒反應  245

13.2 理性處理假新聞的方法     250

13.2.1 定義假新聞解決路線圖   251

13.2.2 槍支管控辯論 252

13.2.3 美國前總統特朗普的推文   260

13.3 在我們繼續之前   262

13.4 本章小結    262

13.5 練習題     263

第14 章 可解釋AI     264

14.1 使用BertViz 可視化Transformer    265

14.2 LIT      268

14.2.1 PCA    269

14.2.2 運行LIT   269

14.3 使用字典學習可視化Transformer    271

14.3.1 Transformer 因子 271

14.3.2 LIME   272

14.3.3 可視化界面  273

14.4 探索我們無法訪問的模型     276

14.5 本章小結    277

14.6 練習題     278

第15 章 從NLP 到電腦視覺 279

15.1 選擇模型和生態系統  280

15.2 Reformer    281

15.3 DeBERTa    283

15.4 Transformer 視覺模型  285

15.4.1 ViT – Vision Transformer  285

15.4.2 CLIP    289

15.4.3 DALL-E    294

15.5 不斷擴大的模型宇宙  297

15.6 本章小結    298

15.7 練習題     299

第16 章 AI 助理    300

16.1 提示工程    301

16.1.1 具有有意義上下文的非正式英語  302

16.1.2 轉喻和多義  303

16.1.3 省略   303

16.1.4 模糊上下文  304

16.1.5 引入傳感器  305

16.1.6 有傳感器但沒有可見上下文   305

16.1.7 沒有上下文的正式英語會話  306

16.1.8 提示工程訓練 306

16.2 Copilot      307

16.3 可以執行領域特定任務的GPT-3 引擎   309

16.3.1 為ML 算法提供嵌入   309

16.3.2 生成一系列操作指示   315

16.3.3 內容過濾器  316

16.4 基於Transformer 的推薦系統     317

16.4.1 通用序列  317

16.4.2 使用MDP 和RL 生成的數據集模擬消費者行為   319

16.5 電腦視覺    323

16.6 數字人和元宇宙   325

16.7 本章小結    326

16.8 練習題     326

第17 章 ChatGPT 和GPT-4 327

17.1 超越人類NLP 水平的Transformer 模型：ChatGPT和GPT-4     328

17.1.1 如何充分理解本章   328

17.1.2 誰擁有AI 生成內容的版權   329

17.2 ChatGPT API    332

17.3 使用ChatGPT Plus 編寫程序並添加註釋   334

17.3.1 設計提示  334

17.3.2 使用ChatGPT Plus編寫代碼  335

17.3.3 ChatGPT Plus 繪制輸出結果  336

17.4 GPT-4 API     337

17.4.1 示例1：使用GPT-4幫助解釋如何編寫代碼   337

17.4.2 示例2：GPT-4 創建一個函數來展示Greg Brockman 於2023 年3月14 日的GPT-4 的YouTube 演示 338

17.4.3 示例3：GPT-4 創建一個用於展示WikiArt 圖像的應用程序  338

17.4.4 示例4：GPT-4 創建一個用於展示IMDb 評論的應用程序  339

17.4.5 示例5：GPT-4 創建一個用於展示新聞源的應用程序  340

17.4.6 示例6：GPT-4 創建一個k-means 聚類(kmc)算法  341

17.4.7 示例7：GPT-4 關於GPT-4 和GPT 模型架構的對話  341

17.5 高級示例    342

17.5.1 步驟1：為ChatGPT和GPT-4 構建知識庫   343

17.5.2 步驟2：添加關鍵詞和解析用戶請求 343

17.5.3 步驟3：構建引導ChatGPT 的提示 344

17.5.4 步驟4：內容審核和質量控制  344

17.6 可解釋AI(XAI)和Whisper語音模型    345

17.7 使用DALL-E 2 API入門     349

17.7.1 創建新圖像  349

17.7.2 創建圖像的變體 350

17.8 將所有內容整合在一起     351

17.9 本章小結    352

17.10 練習題     353

——以下資源可掃描封底二維碼下載——

附錄A Transformer 模型術語  354

附錄B Transformer 模型的硬件約束       356

附錄C 使用GPT-2 進行文本補全       362

附錄D 使用自定義數據集訓練GPT-2 模型     371

附錄E 練習題答案     380

參考資料        392