ChatGPT原理與實戰(zhàn)：大型語言模型的算法、技術和私有化

CONTENTS
目　錄
贊譽
前言
第1章　了解ChatGPT1
1.1　ChatGPT的由來1
1.1.1　什么是ChatGPT2
1.1.2　ChatGPT的發(fā)展歷史2
1.2　ChatGPT的工作流程3
1.3　ChatGPT用例3
1.3.1　日常任務4
1.3.2　編寫代碼5
1.3.3　文本生成6
1.3.4　辦公自動化9
1.4　本章小結10
第2章　ChatGPT原理解構11
2.1　背景知識11
2.1.1　自然語言處理的發(fā)展歷程12
2.1.2　大型語言模型的發(fā)展歷程14
2.2　ChatGPT同類產(chǎn)品18
2.2.1　BlenderBot 3.018
2.2.2　LaMDA20
2.2.3　Sparrow23
2.3　ChatGPT的工作原理25
2.3.1　預訓練與提示學習階段26
2.3.2　結果評價與獎勵建模階段28
2.3.3　強化學習與自我進化階段28
2.4　算法細節(jié)29
2.4.1　標注數(shù)據(jù)29
2.4.2　建模思路30
2.4.3　存在的問題30
2.5　關于ChatGPT的思考31
2.6　本章小結32
第3章　預訓練語言模型33
3.1　Transformer結構33
3.2　基于Encoder結構的模型36
3.2.1　BERT36
3.2.2　RoBERTa39
3.2.3　ERNIE40
3.2.4　SpanBERT42
3.2.5　MacBERT43
3.2.6　ALBERT44
3.2.7　NeZha45
3.2.8　UniLM46
3.2.9　GLM47
3.2.10　ELECTRA48
3.3　基于Decoder結構的模型49
3.3.1　GPT49
3.3.2　CPM51
3.3.3　PaLM51
3.3.4　OPT52
3.3.5　Bloom53
3.3.6　LLaMA54
3.4　基于Encoder-Decoder結構的模型55
3.4.1　MASS55
3.4.2　BART56
3.4.3　T557
3.5　基于夸夸閑聊數(shù)據(jù)的UniLM
　　　模型實戰(zhàn)59
3.5.1　項目簡介59
3.5.2　數(shù)據(jù)預處理模塊59
3.5.3　UniLM模型模塊63
3.5.4　模型訓練模塊65
3.5.5　模型推理模塊72
3.6　本章小結76
第4章　強化學習基礎77
4.1　機器學習的分類77
4.1.1　有監(jiān)督學習78
4.1.2　無監(jiān)督學習78
4.1.3　強化學習79
4.2　OpenAI Gym82
4.2.1　OpenAI Gym API簡介83
4.2.2　環(huán)境簡介84
4.3　強化學習算法85
4.3.1　Q-learning算法85
4.3.2　SARSA算法87
4.3.3　DQN算法89
4.3.4　Policy Gradient算法93
4.3.5　Actor-Critic算法95
4.4　本章小結98
第5章　提示學習與大型語言
　　　　模型的涌現(xiàn)99
5.1　提示學習99
5.1.1　什么是提示學習100
5.1.2　提示模板設計100
5.1.3　答案空間映射設計102
5.1.4　多提示學習方法103
5.2　上下文學習104
5.2.1　什么是上下文學習104
5.2.2　預訓練階段提升上下文
　　　學習能力105
5.2.3　推理階段優(yōu)化上下文
　　　學習的效果107
5.3　思維鏈108
5.4　基于提示的文本情感分析實戰(zhàn)113
5.4.1　項目簡介113
5.4.2　數(shù)據(jù)預處理模塊114
5.4.3　BERT模型模塊115
5.4.4　模型訓練模塊118
5.4.5　模型推理模塊128
5.5　本章小結131
第6章　大型語言模型預訓練132
6.1　大型預訓練模型簡介132
6.2　預訓練模型中的分詞器133
6.2.1　BPE133
6.2.2　WordPiece135
6.2.3　Unigram136
6.2.4　SentencePiece137
6.3　分布式深度學習框架138
6.3.1　并行范式簡介139
6.3.2　Megatron-LM145
6.3.3　DeepSpeed147
6.3.4　Colossal-AI149
6.3.5　FairScale152
6.3.6　ParallelFormers153
6.3.7　OneFlow153
6.4　基于大型語言模型的預訓練實戰(zhàn)155
6.4.1　項目簡介155
6.4.2　數(shù)據(jù)預處理模塊156
6.4.3　執(zhí)行模型訓練159
6.5　基于大型語言模型的信息
　　 抽取實戰(zhàn)168
6.5.1　項目簡介168
6.5.2　數(shù)據(jù)預處理模塊169
6.5.3　Freeze微調模塊172
6.5.4　LoRA微調模塊176
6.5.5　P-Tuning v2微調模塊181
6.6　本章小結186
第7章　GPT系列模型分析187
7.1　GPT-1～GPT-4系列模型分析187
7.1.1　GPT-1和GPT-2模型187
7.1.2　GPT-3模型189
7.1.3　GPT-3的衍生模型：
　　　　　　Code-X192
7.1.4　GPT-4模型193
7.2　InstructGPT模型分析194
7.2.1　模型簡介194
7.2.2　數(shù)據(jù)收集195
7.2.3　模型原理198
7.2.4　模型討論199
7.3　基于GPT-2模型的文本摘要實戰(zhàn)200
7.3.1　項目簡介200
7.3.2　數(shù)據(jù)預處理模塊200
7.3.3　GPT-2模型模塊202
7.3.4　模型訓練模塊204
7.3.5　模型推理模塊213
7.4　本章小結219
第8章　PPO算法與RLHF理論實戰(zhàn)220
8.1　PPO算法簡介220
8.1.1　策略梯度算法回顧220
8.1.2　PPO算法原理剖析222
8.1.3　PPO算法對比與評價224
8.2　RLHF框架簡介226
8.2.1　RLHF內部剖析226
8.2.2　RLHF價值分析228
8.2.3　RLHF問題分析229
8.3　基于PPO的正向情感傾向性
　　　　 生成項目實戰(zhàn)230
8.3.1　項目任務與數(shù)據(jù)集分析230
8.3.2　數(shù)據(jù)預處理模塊230
8.3.3　模型訓練模塊232
8.3.4　模型生成模塊234
8.3.5　模型評估模塊235
8.4　問題與思考237
8.5　本章小結238
第9章　類ChatGPT實戰(zhàn)239
9.1　任務設計239
9.2　數(shù)據(jù)準備240
9.3　基于文檔生成問題任務的類
　　　　　ChatGPT實戰(zhàn)241
9.3.1　SFT階段241
9.3.2　RM階段249
9.3.3　RL階段259
9.4　本章小結270
第10章　ChatGPT發(fā)展趨勢271
10.1　AIGC的發(fā)展趨勢271
10.1.1　AI云邊協(xié)同272
10.1.2　AI工具應用273
10.1.3　AI可控生成274
10.1.4　AI輔助決策275
10.2　ChatGPT 2C應用場景276
10.2.1