《實戰AI大模型》是2023年機械工業出版社出版的圖書。
基本介紹
- 中文名：實戰AI大模型
- 出版時間：2023年12月1日
- 出版社：機械工業出版社
- ISBN：9787111738787
內容簡介,圖書目錄,
內容簡介
《實戰AI大模型》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大模型的基礎知識和關鍵技術，如Transformer、BERT、ALBERT、T5、GPT系列、InstructGPT、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、實際套用以及高性能計算（HPC）技術的使用，如並行計算和記憶體最佳化。
同時，《實戰AI大模型》還提供了實踐案例，詳細介紹了如何使用Colossal AI訓練各種模型。無論是人工智慧初學者還是經驗豐富的實踐者，都能從本書學到實用的知識和技能，從而在迅速發展的AI領域中找到適合自己的方向。
圖書目錄
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 深度學習框架入門
1.2.1 搭建神經網路
1.2.2 訓練一個文本分類器
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套用實踐
2.2 AI大模型訓練方法
2.2.1 梯度累積和梯度裁剪
2.2.2 大批量最佳化器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 並行策略基礎原理
3.1.1 數據並行:最基本的並行訓練範式
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 高級並行策略基礎原理
3.2.1 序列並行:超長序列模型訓練
3.2.2 混合併行: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 套用模型並行策略的實際案例
3.3.2 結合多種並行策略的訓練實踐
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 注意力與自注意力機制
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序列位置信息的編碼處理
4.3.3 Transformer訓練
第5章 AI大幅度提升Google搜尋質量: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模型的套用方法
5.2 高效降低記憶體使用的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 構建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模型架構和輸入輸出——文本到文本
6.1.2 T5模型預訓練
6.1.3 T5模型套用前景及未來發展
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模型的套用
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噪器
6.3.3 UL2的模型性能
6.4 T5模型預訓練方法和關鍵技術
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的訓練方法和關鍵技術
7.1.2 GPT的模型性能評估分析
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的訓練方法和關鍵技術
7.3.3 GPT 3的模型性能與效果評估
7.4 GPT 3模型構建與訓練實戰
7.4.1 構建GPT 3模型
7.4.2 使用異構訓練降低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 能與網際網路互動的WebGPT
8.1.1 WebGPT的訓練方法和關鍵技術
8.1.2 WebGPT的模型性能評估分析
8.2 能與人類互動的InstructGPT模型
8.2.1 指令學習
8.2.2 近端策略最佳化
8.2.3 基於人類反饋的強化學習（RLHF）方法匯總
8.3 ChatGPT和GPT4
8.3.1 ChatGPT模型簡介和套用
8.3.2 GPT 4模型特點與套用
8.4 構建會話系統模型
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 萬億參數稀疏大模型Switch Transformer
9.1.1 稀疏門控混合專家模型MoE
9.1.2 基於MoE的萬億參數模型Switch Transformer
9.2 PaLM模型：最佳化語言模型性能
9.2.1 PaLM模型的結構、原理和關鍵特點
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向計算機視覺進軍的ViT模型
10.1 Transformer在計算機視覺中的套用
10.1.1 ViT模型在計算機視覺中的發展背景
10.1.2 ViT模型的架構、原理和關鍵要素
10.1.3 大規模ViT模型的套用場景和挑戰
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的視覺模型的改進套用
10.2.2 基於卷積的視覺模型的發展最佳化
10.3 ViT模型構建與訓練實戰
10.3.1 構建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
