GPT图解 大模型是怎样构建的

黄佳，笔名咖哥，新加坡科技研究局人工智能研究员。主攻方向为 NLP 大模型的研发与应用、持续学习、AI in FinTech。黄佳深耕人工智能领域多年，积累了丰富的科研项目和政府、银行、能源、医疗等领域 AI 项目落地实战经验，目前正与 PlatoX.AI 展开富有前景的技术合作。曾著有《零基础学机器学习》《数据分析咖哥十话》等多部热销书。同时，在极客时间开设专栏《零基础实战机器学习》《LangChain 实战课》，在深蓝学院开设视频课程“生成式预训练语言模型：理论与实战”。

适读人群 ：希望在人工智能领域进一步深耕的读者，大学生，工作人士。 希望了解和学习ChatGPT的人。

1、结构清晰，全面解读N-Gram至GPT-4等突破性技术，带读者轻松读懂NLP发展脉络，掌握AI核心，开启未来之旅！
2、书中含有多个插图及结构图，以生动的笔触、缤纷的图画，让技术细节变得轻松愉快，让读者能够轻松读懂知识，有趣，又有料！
3、配有丰富学习资料，提供源代码，带读者动手实操，搭建大模型，成为语言模型构建达人。

目　录
序章　看似寻常最奇崛，成如容易却艰辛　001
GPT-4：点亮人工通用智能的火花　002
人工智能演进之路：神经网络两落三起　004
现代自然语言处理：从规则到统计　007
何为语言？信息又如何传播？　008
NLP是人类和计算机沟通的桥梁　009
NLP技术的演进史　010
大规模预训练语言模型：BERT与GPT争锋　012
语言模型的诞生和进化　012
统计语言模型的发展历程　014
基于Transformer架构的预训练模型　016
“预训练+微调大模型”的模式　018
以提示/指令模式直接使用大模型　019
从初代GPT到ChatGPT，再到GPT-4　021
GPT作为生成式模型的天然优势　022
ChatGPT背后的推手——OpenAI　023
从初代GPT到ChatGPT，再到GPT-4的进化史　024
第 1课　高楼万丈平地起：语言模型的雏形N-Gram和简单文本表示Bag-of-Words　026
1．1　N-Gram模型　026
1．2　“词”是什么，如何“分词”　030
1．3　创建一个Bigram字符预测模型　032
1．4　词袋模型　036
1．5　用词袋模型计算文本相似度　037
小结　042
思考　043
第 2课　问君文本何所似： 词的向量表示Word2Vec和Embedding　044
2．1　词向量 ≈ 词嵌入　045
2．2　Word2Vec：CBOW模型和Skip-Gram模型　047
2．3　Skip-Gram模型的代码实现　050
2．4　CBOW模型的代码实现　061
2．5　通过nn．Embedding来实现词嵌入　063
小结　067
思考　068
第3课　山重水复疑无路：神经概率语言模型和循环神经网络　069
3．1　NPLM的起源　070
3．2　NPLM的实现　072
3．3　循环神经网络的结构　079
3．4　循环神经网络实战　082
小结　086
思考　087
第4课　柳暗花明又一村：Seq2Seq编码器-解码器架构　088
4．1　Seq2Seq架构　089
4．2　构建简单Seq2Seq架构　092
小结　103
思考　103
第5课　见微知著开慧眼：引入注意力机制　104
5．1　点积注意力　105
5．2　缩放点积注意力　114
5．3　编码器-解码器注意力　116
5．4　注意力机制中的Q、K、V　122
5．5　自注意力　125
5．6　多头自注意力　126
5．7　注意力掩码　129
5．8　其他类型的注意力　131
小结　132
思考　132
第6课　　层峦叠翠上青天：搭建GPT核心组件Transformer　133
6．1　Transformer架构剖析　133
6．1．1　编码器-解码器架构　135
6．1．2　各种注意力的应用　135
6．1．3　编码器的输入和位置编码　140
6．1．4　编码器的内部结构　141
6．1．5　编码器的输出和编码器-解码器的连接　142
6．1．6　解码器的输入和位置编码　143
6．1．7　解码器的内部结构　145
6．1．8　解码器的输出和Transformer的输出头　146
6．2　Transformer代码实现　148
6．3　完成翻译任务　176
6．3．1　数据准备　177
6．3．2　训练Transformer模型　179
6．3．3　测试Transformer模型　179
小结　181
思考　182
第7课　芳林新叶催陈叶：训练出你的简版生成式GPT　183
7．1　BERT与GPT争锋　184
7．2　GPT：生成式自回归模型　188
7．3　构建GPT模型并完成文本生成任务　191
7．3．1　搭建GPT模型（解码器）　　　　192
7．3．2　构建文本生成任务的数据集　　　　195
7．3．3　训练过程中的自回归　　　　198
7．3．4　文本生成中的自回归（贪婪搜索）　　　　200
7．4　使用WikiText2数据集训练Wiki-GPT模型　201
7．4．1　用WikiText2构建Dataset和DataLoader　　　　202
7．4．2　用DataLoader提供的数据进行训练　　　　206
7．4．3　用Evaluation Dataset评估训练过程　　　　207
7．4．4　文本生成中的自回归（集束搜索）　　　　209
小结　212
思考　213
第8课　流水后波推前波：ChatGPT基于人类反馈的强化学习　214
8．1　从GPT到ChatGPT　215
8．2　在Wiki-GPT基础上训练自己的简版ChatGPT　218
8．3　用Hugging Face预训练GPT微调ChatGPT　225
8．4　ChatGPT的RLHF实战　233
8．4．1　强化学习基础知识　　　　235
8．4．2　简单RLHF实战　　　　237
小结　243
思考　244
第9课　生生不息的循环：使用强大的GPT-4 API　245
9．1　强大的OpenAI API　245
9．2　使用GPT-4 API　249
小结　251
思考　252
后　记　莫等闲，白了少年头　253