大型語言模型實戰(zhàn)指南：應(yīng)用實踐與場景落地

CONTENTS
目　　錄
前言
 
第1章　大型語言模型基礎(chǔ) 1
1.1　Transformer基礎(chǔ) 1
1.2　常用的大型語言模型 4
1.2.1　GPT系列模型 4
1.2.2　OPT模型 11
1.2.3　Bloom模型 12
1.2.4　GLM系列模型 12
1.2.5　LLaMA系列模型 14
1.2.6　Baichuan系列模型 16
1.2.7　Qwen系列模型 18
1.2.8　Skywork模型 19
1.3　領(lǐng)域大型語言模型 21
1.3.1　法律大型語言模型 21
1.3.2　醫(yī)療大型語言模型 24
1.3.3　金融大型語言模型 27
1.3.4　教育大型語言模型 29
1.4　大型語言模型評估 30
1.4.1　大型語言模型的評估內(nèi)容 30
1.4.2　大型語言模型的評估方法 32
1.4.3　大型語言模型評估榜單 33
1.5　本章小結(jié) 37
 
第2章　大型語言模型的常用微調(diào)方法 38
2.1　數(shù)據(jù)構(gòu)造與清洗 38
2.1.1　數(shù)據(jù)構(gòu)造方法 39
2.1.2　數(shù)據(jù)清洗方法 43
2.2　分詞器構(gòu)造 44
2.2.1　分詞器概述 44
2.2.2　BPE分詞器 45
2.2.3　WordPiece分詞器 52
2.2.4　Unigram分詞器 56
2.2.5　SentencePiece分詞器 58
2.2.6　詞表融合 62
2.3　大型語言模型的微調(diào)方法 63
2.3.1　前綴調(diào)優(yōu) 63
2.3.2　提示調(diào)優(yōu) 64
2.3.3　P-Tuning v2 65
2.3.4　LoRA 65
2.3.5　DyLoRA 66
2.3.6　AdaLoRA 67
2.3.7　QLoRA 67
2.3.8　QA-LoRA 68
2.3.9　LongLoRA 69
2.3.10　VeRA 69
2.3.11　S-LoRA 70
2.4　基于PEFT的LLaMA模型微調(diào)實戰(zhàn) 71
2.4.1　項目介紹 71
2.4.2　數(shù)據(jù)預(yù)處理 71
2.4.3　模型微調(diào) 72
2.4.4　模型預(yù)測 77
2.5　本章小結(jié) 78
 
第3章　大型語言模型的人類偏好對齊 79
3.1　基于人類反饋的強化學(xué)習(xí)框架 79
3.2　前沿偏好對齊方法 84
3.2.1　RRHF 84
3.2.2　RLAIF 85
3.2.3　DPO 87
3.2.4　APO 89
3.3　基于DPO的偏好對齊實戰(zhàn) 90
3.3.1　數(shù)據(jù)集介紹 90
3.3.2　TRL框架介紹 92
3.3.3　訓(xùn)練代碼解析 93
3.4　本章小結(jié) 96
 
第4章　創(chuàng)建個人專屬的ChatGPT—GPTs 97
4.1　GPTs初體驗 97
4.2　GPTs的初階使用 105
4.2.1　知識庫的使用 105
4.2.2　內(nèi)置插件的使用 108
4.2.3　知識庫與內(nèi)置插件的結(jié)合使用 111
4.3　GPTs的高階使用 113
4.4　本章小結(jié) 122
 
第5章　大型語言模型SQL任務(wù)實戰(zhàn) 123
5.1　公開數(shù)據(jù)集 123
5.1.1　英文公開數(shù)據(jù)集 123
5.1.2　中文公開數(shù)據(jù)集 128
5.2　主流方法 132
5.2.1　基于規(guī)則的方法 133
5.2.2　基于深度學(xué)習(xí)的方法 133
5.2.3　基于預(yù)訓(xùn)練語言模型的方法 136
5.2.4　基于大型語言模型的方法 136
5.3　Text2SQL任務(wù)實戰(zhàn) 141
5.3.1　項目介紹 141
5.3.2　數(shù)據(jù)預(yù)處理 142
5.3.3　模型微調(diào) 147
5.3.4　模型預(yù)測 149
5.4　本章小結(jié) 150
 
第6章　大型語言模型的角色扮演應(yīng)用 151
6.1　角色扮演 151
6.1.1　大型語言模型如何進(jìn)行角色扮演 153
6.1.2　角色扮演數(shù)據(jù)的構(gòu)造方法 155
6.1.3　大型語言模型角色扮演的能力評估 155
6.2　角色扮演實戰(zhàn)測試 156
6.3　基于Baichuan的角色扮演模型微調(diào) 159
6.3.1　項目介紹 159
6.3.2　數(shù)據(jù)預(yù)處理 160
6.3.3　模型微調(diào) 164
6.3.4　模型預(yù)測 171
6.4　本章小結(jié) 175
 
第7章　大型語言模型的對話要素抽取應(yīng)用 176
7.1　對話要素抽取 176
7.2　對話要素抽取實戰(zhàn)測試 177
7.2.1　基于GPT-3.5 API進(jìn)行對話要素抽取 178
7.2.2　基于Qwen-1.8B模型進(jìn)行對話要素抽取 180
7.3　基于Qwen的對話要素抽取模型微調(diào) 183
7.3.1　項目介紹 183
7.3.2　數(shù)據(jù)預(yù)處理 183
7.3.3　模型微調(diào) 190
7.3.4　模型預(yù)測 198
7.4　本章小結(jié) 202
 
第8章　Agent應(yīng)用開發(fā) 203
8.1　Agent概述 203
8.2　Agent的主要模塊 205
8.3　Agent的行為決策機制 207
8.4　主流Agent 框架 211
8.4.1　LangChain框架 211
8.4.2　LlamaIndex框架 214
8.4.3　AutoGPT框架 215
8.4.4　AutoGen 框架 216
8.4.5　SuperAGI框架 219
8.5　本章小結(jié) 221
 
第9章　基于知識庫的大型語言模型問答應(yīng)用 222
9.1　基于知識庫問答 222
9.2　向量數(shù)據(jù)庫 224
9.2.1　文本的向量表征 225
9.2.2　向量的距離度量方法 228
9.2.3　常用的向量數(shù)據(jù)庫 229
9.3　基于知識庫的大型語言模型問答實戰(zhàn) 231
9.3.1　BGE微調(diào) 231
9.3.2　基于ChatGLM3知識庫答案生成任務(wù)的微調(diào) 238
9.3.3　基于Streamlit 的知識庫答案應(yīng)用搭建 245
9.4　本章小結(jié) 249
 
第10 章　使用LangChain 構(gòu)建一個AutoGPT 250
10.1　AutoGPT 概述 250
10.2　LangChain 概述 253
10.3　使用LangChain 構(gòu)建AutoGPT 254
10.3.1　構(gòu)建 254
10.3.2　規(guī)劃和任務(wù)分解 255
10.3.3　輸出解析 258
10.3.4　程序的核心AutoGPT類 261
10.3.5　工具能力配置 266
10.3.6　為Agent 配置記憶 269
10.4　運行AutoGPT 274
10.5　本章小結(jié) 277