xxxfreesexmoves-haodiaocao这里只有精品视频-欧美性受黑人性爽-欧美性受xxxxxx黑人xyx性爽|www.jsyyzsb.com

《大模型Agent應(yīng)用開(kāi)發(fā)》深入探討了LLM的核心概念、前沿技術(shù)和實(shí)際應(yīng)用，最終為擴(kuò)展AI能力邊界的大型基礎(chǔ)模型(Large Foundation Models，LFM)的崛起鋪平道路。
本書(shū)開(kāi)篇詳細(xì)介紹了LLM的基本原理，隨后探討了多種主流架構(gòu)框架，既涵蓋專有模型(如GPT-3.5/4)，也分析開(kāi)源模型(如Falcon LLM)的獨(dú)特優(yōu)勢(shì)與差異。接下來(lái)，我們以基于Python的輕量級(jí)框架LangChain為核心，引導(dǎo)讀者逐步構(gòu)建智能體。這些智能體能夠從非結(jié)構(gòu)化數(shù)據(jù)中提取信息，并利用LLM和強(qiáng)大工具包與結(jié)構(gòu)化數(shù)據(jù)交互。此外，本書(shū)還將深入探索LFM領(lǐng)域該類模型融合了視覺(jué)、音頻等多態(tài)能力，可以覆蓋更廣泛的AI任務(wù)。
無(wú)論你是經(jīng)驗(yàn)豐富的AI專家，還是初入該領(lǐng)域的新人，本書(shū)都將為你提供解鎖LLM全部潛力的路線圖，助力開(kāi)創(chuàng)智能機(jī)器的新紀(jì)元。

你將學(xué)到：
探索LLM架構(gòu)的核心組件，包括編碼器-解碼器模塊與嵌入模塊
理解GPT-3.5/4、Llama 2和Falcon LLM等大模型的獨(dú)特功能
使用LangChain等AI編排器，結(jié)合Streamlit構(gòu)建前端
熟悉LLM組件(如記憶模塊、提示工程與工具鏈)
掌握非參數(shù)化知識(shí)與向量數(shù)據(jù)庫(kù)的應(yīng)用
洞察LFM對(duì)AI研究與行業(yè)應(yīng)用的深遠(yuǎn)影響
通過(guò)微調(diào)定制專屬LLM
了解LLM應(yīng)用背后的倫理挑戰(zhàn)

本書(shū)開(kāi)啟了探索大規(guī)模語(yǔ)言模型(Large Language Model，LLM)及其在人工智能(Artificial Intelligence，AI)領(lǐng)域所代表的變革性范式之旅。這本全面的指南可以幫助你深入了解基本概念，從這些前沿技術(shù)的堅(jiān)實(shí)理論基礎(chǔ)到大規(guī)模語(yǔ)言模型的實(shí)際應(yīng)用，最終匯聚到使用生成式人工智能解決方案時(shí)的倫理和責(zé)任考量。本書(shū)旨在幫助你深入了解市場(chǎng)上新興的大規(guī)模語(yǔ)言模型如何影響個(gè)人、大型企業(yè)乃至整個(gè)社會(huì)。本書(shū)重點(diǎn)介紹如何利用LangChain等新型人工智能編排器構(gòu)建由大規(guī)模語(yǔ)言模型驅(qū)動(dòng)的強(qiáng)大應(yīng)用，并揭示現(xiàn)代應(yīng)用開(kāi)發(fā)的新趨勢(shì)。
閱讀完本書(shū)后，相信你定能更輕松駕馭快速發(fā)展的生成式人工智能解決方案生態(tài)系統(tǒng)，并掌握在日常任務(wù)和業(yè)務(wù)中充分利用大規(guī)模語(yǔ)言模型的工具。讓我們開(kāi)始吧！
本書(shū)讀者對(duì)象
本書(shū)主要面向有一定Python代碼基礎(chǔ)的技術(shù)讀者。但理論章節(jié)和實(shí)踐練習(xí)基于生成式人工智能基礎(chǔ)知識(shí)和行業(yè)用例，非技術(shù)讀者可能也會(huì)感興趣。
總之，本書(shū)適合有興趣全面了解大規(guī)模語(yǔ)言模型的讀者，可輔助其充滿信心和前瞻性地駕馭快速發(fā)展的人工智能領(lǐng)域。本書(shū)所呈現(xiàn)的內(nèi)容適合但不僅限于以下讀者。
●軟件開(kāi)發(fā)人員和工程師：本書(shū)為希望利用大規(guī)模語(yǔ)言模型構(gòu)建應(yīng)用的開(kāi)發(fā)人員提供了實(shí)用指導(dǎo)。內(nèi)容包括將大規(guī)模語(yǔ)言模型集成到應(yīng)用后端、API、架構(gòu)等。
●數(shù)據(jù)科學(xué)家：本書(shū)為有興趣將大規(guī)模語(yǔ)言模型部署到實(shí)際應(yīng)用中的數(shù)據(jù)科學(xué)家介紹了如何將模型從研究階段應(yīng)用到生產(chǎn)階段。內(nèi)容包括模型服務(wù)、監(jiān)控和優(yōu)化等方面。
●人工智能/機(jī)器學(xué)習(xí)工程師：專注于人工智能/機(jī)器學(xué)習(xí)應(yīng)用的工程師可以利用本書(shū)了解如何構(gòu)建和部署大規(guī)模語(yǔ)言模型，并將其作為智能系統(tǒng)和智能體的一部分。
●技術(shù)創(chuàng)始人/CTO：初創(chuàng)公司的創(chuàng)始人和CTO可以利用本書(shū)評(píng)估是否以及如何在其應(yīng)用和產(chǎn)品中使用大規(guī)模語(yǔ)言模型。本書(shū)在提供技術(shù)概述的同時(shí)，還考慮了業(yè)務(wù)因素。
●在校學(xué)生：學(xué)習(xí)人工智能、機(jī)器學(xué)習(xí)、自然語(yǔ)言處理(Natural Language Processing，NLP)或計(jì)算機(jī)科學(xué)的研究生和高年級(jí)本科生可以從本書(shū)中了解大規(guī)模語(yǔ)言模型在實(shí)踐中的應(yīng)用。
●大規(guī)模語(yǔ)言模型研究人員：研究新型大規(guī)模語(yǔ)言模型架構(gòu)、訓(xùn)練技術(shù)等的研究人員將深入了解真實(shí)世界中模型的用法和相關(guān)挑戰(zhàn)。
本書(shū)內(nèi)容
第1章介紹并深入探討大規(guī)模語(yǔ)言模型，這是生成式人工智能領(lǐng)域中一套強(qiáng)大的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。本章不僅介紹了大規(guī)模語(yǔ)言模型概念，其與經(jīng)典機(jī)器學(xué)習(xí)模型的區(qū)別，以及相關(guān)術(shù)語(yǔ)，還討論了最流行的大規(guī)模語(yǔ)言模型采用的架構(gòu)，如何訓(xùn)練和使用大規(guī)模語(yǔ)言模型，并比較了基礎(chǔ)大規(guī)模語(yǔ)言模型與經(jīng)過(guò)微調(diào)的大規(guī)模語(yǔ)言模型。完成第1章的學(xué)習(xí)后，讀者便可了解什么是大規(guī)模語(yǔ)言模型及其在人工智能領(lǐng)域的定位，從而為后續(xù)章節(jié)的學(xué)習(xí)奠定基礎(chǔ)。
第2章探討大規(guī)模語(yǔ)言模型如何徹底改變軟件開(kāi)發(fā)世界，從而引領(lǐng)人工智能驅(qū)動(dòng)的應(yīng)用進(jìn)入新時(shí)代。本章可幫助讀者更清楚地了解如何借助目前人工智能開(kāi)發(fā)市場(chǎng)上的新型人工智能編排器框架，將大規(guī)模語(yǔ)言模型嵌入不同的應(yīng)用場(chǎng)景中。
第3章重點(diǎn)介紹不同的大規(guī)模語(yǔ)言模型可能具有不同的架構(gòu)、規(guī)模、訓(xùn)練數(shù)據(jù)、功能和限制。為自己的應(yīng)用場(chǎng)景選擇合適的大規(guī)模語(yǔ)言模型并不是一件簡(jiǎn)單的事情，畢竟它會(huì)對(duì)解決方案的性能、質(zhì)量和成本產(chǎn)生重大影響。這一章將介紹如何為應(yīng)用場(chǎng)景選擇合適的大規(guī)模語(yǔ)言模型，并討論市場(chǎng)上最有前景的大規(guī)模語(yǔ)言模型、比較大規(guī)模語(yǔ)言模型時(shí)使用的主要標(biāo)準(zhǔn)和工具，以及規(guī)模和性能之間進(jìn)行的各種權(quán)衡。閱讀完本章后，讀者便可清楚地了解如何為自己的應(yīng)用場(chǎng)景選擇合適的大規(guī)模語(yǔ)言模型，以及如何有效、負(fù)責(zé)任地使用它。
第4章介紹了在設(shè)計(jì)由大規(guī)模語(yǔ)言模型驅(qū)動(dòng)的應(yīng)用時(shí)，提示工程是一項(xiàng)至關(guān)重要的活動(dòng)，原因是提示對(duì)大規(guī)模語(yǔ)言模型的性能有很大影響。事實(shí)上，有幾種技術(shù)不僅可以重新微調(diào)大規(guī)模語(yǔ)言模型的響應(yīng)，還可以降低與幻覺(jué)和偏差相關(guān)的風(fēng)險(xiǎn)。這一章中介紹的提示工程領(lǐng)域采用的新興技術(shù)，更是涉及從基本方法到高級(jí)框架的描述。完成本章的學(xué)習(xí)后，讀者將具備為大規(guī)模語(yǔ)言模型驅(qū)動(dòng)的應(yīng)用構(gòu)建功能強(qiáng)大的提示的能力，并為接下來(lái)的章節(jié)學(xué)習(xí)打下堅(jiān)實(shí)的基礎(chǔ)。
第5章討論隨著使用大規(guī)模語(yǔ)言模型開(kāi)發(fā)的應(yīng)用的出現(xiàn)，軟件開(kāi)發(fā)領(lǐng)域所引入的一系列新組件。為了更方便地在應(yīng)用流程中編排大規(guī)模語(yǔ)言模型及其相關(guān)組件，出現(xiàn)了幾個(gè)人工智能框架，其中LangChain是應(yīng)用最廣泛的框架之一。這一章將深入了解LangChain及其使用方法，學(xué)習(xí)如何通過(guò)Hugging Face Hub將開(kāi)源大規(guī)模語(yǔ)言模型API調(diào)用到代碼中，并管理提示工程。完成本章的學(xué)習(xí)后，讀者將具備開(kāi)始使用LangChain和開(kāi)源Hugging Face模型開(kāi)發(fā)由大規(guī)模語(yǔ)言模型驅(qū)動(dòng)的應(yīng)用的技術(shù)基礎(chǔ)。
第6章開(kāi)始介紹實(shí)踐部分，首次具體實(shí)現(xiàn)由大規(guī)模語(yǔ)言模型驅(qū)動(dòng)的應(yīng)用。使用LangChain及其組件逐步實(shí)現(xiàn)會(huì)話應(yīng)用程序。配置一個(gè)簡(jiǎn)單聊天機(jī)器人對(duì)應(yīng)的模式，添加記憶組件、非參數(shù)知識(shí)和工具，使聊天機(jī)器人智能體化。最后，用幾行代碼幫助讀者建立自己的會(huì)話應(yīng)用程序項(xiàng)目。
第7章探討了大規(guī)模語(yǔ)言模型如何利用嵌入和生成模型來(lái)增強(qiáng)推薦系統(tǒng)。將討論推薦系統(tǒng)的定義和演變，了解生成式人工智能如何影響這一研究領(lǐng)域，并講解如何使用LangChain來(lái)構(gòu)建推薦系統(tǒng)。最后，讀者將能夠創(chuàng)建自己的推薦應(yīng)用程序，并使用LangChain作為框架以利用最先進(jìn)的大規(guī)模語(yǔ)言模型。
第8章介紹大規(guī)模語(yǔ)言模型具有的一項(xiàng)強(qiáng)大功能：處理結(jié)構(gòu)化表格數(shù)據(jù)的能力。講解如何利用插件和智能體方法，將大規(guī)模語(yǔ)言模型用作與結(jié)構(gòu)化數(shù)據(jù)之間的自然語(yǔ)言接口，從而縮小業(yè)務(wù)用戶與結(jié)構(gòu)化信息之間的差距。為了演示這一點(diǎn)，將使用LangChain建立一個(gè)數(shù)據(jù)庫(kù)Copilot編程工具。最后，讀者將能夠?yàn)樽约旱臄?shù)據(jù)資產(chǎn)構(gòu)建一個(gè)自然語(yǔ)言接口，并將非結(jié)構(gòu)化數(shù)據(jù)和結(jié)構(gòu)化數(shù)據(jù)結(jié)合起來(lái)。
第9章涉及大規(guī)模語(yǔ)言模型具有的另一項(xiàng)強(qiáng)大功能：生成編程語(yǔ)言。在第8章中，當(dāng)要求大規(guī)模語(yǔ)言模型針對(duì)SQL數(shù)據(jù)庫(kù)生成SQL查詢時(shí)，這一能力的雛形就已漸顯。這一章將探討使用大規(guī)模語(yǔ)言模型生成代碼的其他方式，涵蓋從簡(jiǎn)單的代碼理解和生成到使用算法來(lái)構(gòu)建應(yīng)用程序行為。最后，讀者將能夠?yàn)樽约旱木幋a項(xiàng)目構(gòu)建由大規(guī)模語(yǔ)言模型驅(qū)動(dòng)的應(yīng)用，以及構(gòu)建帶有自然語(yǔ)言接口的大規(guī)模語(yǔ)言模型驅(qū)動(dòng)的應(yīng)用，以便與代碼配合使用。
第10章超越了大規(guī)模語(yǔ)言模型的范疇，在構(gòu)建智能體時(shí)引入了多模態(tài)的概念。它涉及將不同人工智能領(lǐng)域(語(yǔ)言、圖像、音頻)的基礎(chǔ)模型組合成一個(gè)能勝任各種任務(wù)的單一智能體時(shí)背后所蘊(yùn)含的邏輯。其中還講解了如何使用LangChain，以便用單模態(tài)大規(guī)模語(yǔ)言模型來(lái)構(gòu)建多模態(tài)智能體。最后，讀者將能夠構(gòu)建自己的多模態(tài)智能體，并為其提供執(zhí)行各種人工智能任務(wù)時(shí)所需用到的工具和大規(guī)模語(yǔ)言模型。
第11章介紹了微調(diào)大規(guī)模語(yǔ)言模型的技術(shù)細(xì)節(jié)，涵蓋從其理論基礎(chǔ)到使用Python和Hugging Face的實(shí)際操作。將深入探討如何準(zhǔn)備數(shù)據(jù)，在數(shù)據(jù)上微調(diào)基礎(chǔ)模型，并討論微調(diào)模型的托管策略。最后，讀者將能夠在自己的數(shù)據(jù)上微調(diào)大規(guī)模語(yǔ)言模型，從而構(gòu)建由該大規(guī)模語(yǔ)言模型驅(qū)動(dòng)的特定領(lǐng)域應(yīng)用。
第12章介紹了用于減輕大規(guī)模語(yǔ)言模型(以及一般人工智能模型)潛在危害所需具備的學(xué)科基礎(chǔ)知識(shí)，即負(fù)責(zé)任的人工智能。這一點(diǎn)非常重要，因?yàn)樵陂_(kāi)發(fā)由大規(guī)模語(yǔ)言模型驅(qū)動(dòng)的應(yīng)用時(shí)，大規(guī)模語(yǔ)言模型會(huì)帶來(lái)一系列新的風(fēng)險(xiǎn)和偏見(jiàn)。
接下來(lái)，將討論與大規(guī)模語(yǔ)言模型相關(guān)的風(fēng)險(xiǎn)，以及如何使用合適的技術(shù)來(lái)防止或至少降低這些風(fēng)險(xiǎn)。最后，你將對(duì)如何防止大規(guī)模語(yǔ)言模型使所構(gòu)建的應(yīng)用程序具有潛在危害性有更深入的了解。
第13章探討了生成式人工智能領(lǐng)域的最新進(jìn)展和未來(lái)發(fā)展趨勢(shì)。
充分利用本書(shū)
本書(shū)旨在提供一個(gè)堅(jiān)實(shí)的理論基礎(chǔ)，幫助讀者了解什么是大規(guī)模語(yǔ)言模型、大規(guī)模語(yǔ)言模型的架構(gòu)以及大規(guī)模語(yǔ)言模型會(huì)給人工智能領(lǐng)域帶來(lái)革命性變化的原因。本書(shū)主要以動(dòng)手實(shí)踐為主題，逐步指導(dǎo)讀者針對(duì)特定任務(wù)實(shí)現(xiàn)由大規(guī)模語(yǔ)言模型驅(qū)動(dòng)的應(yīng)用，并使用LangChain等功能強(qiáng)大的框架。此外，每個(gè)示例都會(huì)展示各種大規(guī)模語(yǔ)言模型的用法，以幫助讀者了解其不同之處，以及何時(shí)為特定任務(wù)使用合適的模型。
總之，本書(shū)將理論概念與實(shí)際應(yīng)用緊密結(jié)合，希望在大規(guī)模語(yǔ)言模型及其在NLP中的應(yīng)用方面為讀者打下堅(jiān)實(shí)基礎(chǔ)，并提供理想資源。以下是從本書(shū)中獲得最大收益的前提條件：
●對(duì)神經(jīng)網(wǎng)絡(luò)背后蘊(yùn)含的數(shù)學(xué)機(jī)理(線性代數(shù)、神經(jīng)元和參數(shù)以及損失函數(shù))有基本了解
●對(duì)機(jī)器學(xué)習(xí)概念(如訓(xùn)練集和測(cè)試集、評(píng)估指標(biāo)和NLP)有基本了解
●對(duì)Python有基本了解
下載示例代碼與彩色圖片
本書(shū)相關(guān)的所有示例代碼文件均可從本書(shū)配套的GitHub倉(cāng)庫(kù)下載，網(wǎng)址為https://github.com/PacktPublishing/Building-LLM-Powered-Applications。本書(shū)還提供了一個(gè)PDF，其中包含書(shū)中使用的彩色圖片，可以通過(guò)網(wǎng)址https://pack.link/gbp/9781835462317下載。另外，讀者也可通過(guò)掃描本書(shū)封底的二維碼下載這些示例代碼與彩色圖片。

Valentina Alto是一名人工智能愛(ài)好者、技術(shù)文獻(xiàn)作者和跑步健將。在拿到數(shù)據(jù)科學(xué)碩士學(xué)位后，她于2020年加入微軟，目前擔(dān)任人工智能專家。Valentina從求學(xué)之初就對(duì)機(jī)器學(xué)習(xí)和人工智能充滿熱情，她不斷加深對(duì)這一領(lǐng)域的了解，并在科技博客上發(fā)表了數(shù)百篇文章。她與Packt合作撰寫(xiě)了第一本書(shū)，名為Modern Generative AI with ChatGPT and OpenAI Models。在目前的工作中，她與大型企業(yè)合作，旨在將人工智能整合到企業(yè)業(yè)務(wù)中，并利用大型基礎(chǔ)模型開(kāi)發(fā)創(chuàng)新解決方案。
除了職業(yè)追求，Valentina還熱愛(ài)徒步于意大利美麗的山川之間，喜歡跑步、旅行，并樂(lè)于手捧好書(shū)，品一杯香濃的咖啡。

第1章 大規(guī)模語(yǔ)言模型簡(jiǎn)介 1
1.1 大型基礎(chǔ)模型和大規(guī)模語(yǔ)言模型定義 2
1.1.1 人工智能范式轉(zhuǎn)變基礎(chǔ)模型簡(jiǎn)介 2
1.1.2 大規(guī)模語(yǔ)言模型簡(jiǎn)介 5
1.2 最流行的基于transformer架構(gòu)的大規(guī)模語(yǔ)言模型 10
1.2.1 早期實(shí)驗(yàn) 11
1.2.2 transformer架構(gòu) 11
1.3 訓(xùn)練和評(píng)估大規(guī)模語(yǔ)言模型 16
1.3.1 訓(xùn)練大規(guī)模語(yǔ)言模型 16
1.3.2 模型評(píng)估 19
1.4 基礎(chǔ)模型與定制模型 21
1.5 小結(jié) 23
1.6 參考文獻(xiàn) 23
第2章 面向人工智能應(yīng)用的大規(guī)模語(yǔ)言模型 25
2.1 大規(guī)模語(yǔ)言模型如何改變軟件開(kāi)發(fā) 25
2.2 Copilot系統(tǒng) 26
2.3 引入人工智能編排器，將大規(guī)模語(yǔ)言模型嵌入應(yīng)用程序 30
2.3.1 人工智能編排器的主要組成部分 31
2.3.2 LangChain 33
2.3.3 Haystack 35
2.3.4 語(yǔ)義內(nèi)核 36
2.3.5 如何選擇框架 38
2.4 小結(jié) 39
2.5 參考文獻(xiàn) 40
第3章 為應(yīng)用選擇大規(guī)模語(yǔ)言模型 41
3.1 市場(chǎng)上最有前途的大規(guī)模語(yǔ)言模型 41
3.1.1 專有模型 42
3.1.2 開(kāi)源模型 51
3.2 語(yǔ)言模型之外 56
3.3 選擇正確大規(guī)模語(yǔ)言模型的決策框架 60
3.3.1 考慮因素 60
3.3.2 案例研究 62
3.4 小結(jié) 63
3.5 參考文獻(xiàn) 63
第4章 提示工程 65
4.1 技術(shù)要求 65
4.2 提示工程的定義 66
4.3 提示工程原則 66
4.3.1 明確的指令 66
4.3.2 將復(fù)雜任務(wù)劃分為子任務(wù) 69
4.3.3 詢問(wèn)理由 71
4.3.4 生成多個(gè)輸出，然后使用模型挑選最佳輸出 73
4.3.5 結(jié)尾處的重復(fù)指令 74
4.3.6 使用分隔符 76
4.4 高級(jí)技術(shù) 78
4.4.1 少樣本方法 78
4.4.2 思維鏈 81
4.4.3 ReAct 83
4.5 小結(jié) 86
4.6 參考文獻(xiàn) 87
第5章 在應(yīng)用程序中嵌入大規(guī)模語(yǔ)言模型 88
5.1 技術(shù)要求 88
5.2 LangChain的簡(jiǎn)要說(shuō)明 89
5.3 開(kāi)始使用LangChain 90
5.3.1 模型和提示 91
5.3.2 數(shù)據(jù)連接 93
5.3.3 記憶 99
5.3.4 鏈 101
5.3.5 智能體 105
5.4 通過(guò)Hugging Face Hub使用大規(guī)模語(yǔ)言模型 107
5.4.1 創(chuàng)建Hugging Face用戶訪問(wèn)令牌 107
5.4.2 在.env文件中存儲(chǔ)密鑰 110
5.4.3 啟用開(kāi)源大規(guī)模語(yǔ)言模型 110
5.5 小結(jié) 112
5.6 參考文獻(xiàn) 112
第6章 構(gòu)建會(huì)話應(yīng)用程序 113
6.1 技術(shù)要求 113
6.2 會(huì)話應(yīng)用程序入門(mén) 114
6.2.1 創(chuàng)建普通機(jī)器人 114
6.2.2 添加記憶 116
6.2.3 添加非參數(shù)知識(shí) 119
6.2.4 添加外部工具 122
6.3 使用Streamlit開(kāi)發(fā)前端 125
6.4 小結(jié) 129
6.5 參考文獻(xiàn) 129
第7章 使用大規(guī)模語(yǔ)言模型的搜索引擎和推薦引擎 130
7.1 技術(shù)要求 130
7.2 推薦系統(tǒng)簡(jiǎn)介 131
7.3 現(xiàn)有推薦系統(tǒng) 132
7.3.1 K最近鄰 132
7.3.2 矩陣因式分解 133
7.3.3 神經(jīng)網(wǎng)絡(luò) 136
7.4 大規(guī)模語(yǔ)言模型如何改變推薦系統(tǒng) 138
7.5 實(shí)現(xiàn)由大規(guī)模語(yǔ)言模型驅(qū)動(dòng)的推薦系統(tǒng) 139
7.5.1 數(shù)據(jù)預(yù)處理 140
7.5.2 在冷啟動(dòng)場(chǎng)景中構(gòu)建QA推薦聊天機(jī)器人 143
7.5.3 構(gòu)建基于內(nèi)容的推薦系統(tǒng) 149
7.6 使用Streamlit開(kāi)發(fā)前端 153
7.7 小結(jié) 156
7.8 參考文獻(xiàn) 156
第8章 使用結(jié)構(gòu)化數(shù)據(jù)的大規(guī)模語(yǔ)言模型 157
8.1 技術(shù)要求 157
8.2 結(jié)構(gòu)化數(shù)據(jù)的定義 158
8.3 關(guān)系數(shù)據(jù)庫(kù)入門(mén) 159
8.3.1 關(guān)系數(shù)據(jù)庫(kù)簡(jiǎn)介 160
8.3.2 Chinook數(shù)據(jù)庫(kù)概述 161
8.3.3 如何在Python中使用關(guān)系數(shù)據(jù)庫(kù) 162
8.4 使用LangChain實(shí)現(xiàn)DBCopilot 166
8.4.1 LangChain智能體和SQL智能體 167
8.4.2 提示工程 170
8.4.3 添加更多工具 173
8.5 使用Streamlit開(kāi)發(fā)前端 176
8.6 小結(jié) 179
8.7 參考文獻(xiàn) 180
第9章 使用大規(guī)模語(yǔ)言模型生成代碼 181
9.1 技術(shù)要求 181
9.2 為代碼選擇合適的大規(guī)模語(yǔ)言模型 182
9.3 代碼理解和生成 183
9.3.1 Falcon LLM 184
9.3.2 CodeLlama 187
9.3.3 StarCoder 190
9.4 像算法一樣行動(dòng) 194
9.5 利用代碼解釋器 200
9.6 小結(jié) 206
9.7 參考文獻(xiàn) 206
第10章 使用大規(guī)模語(yǔ)言模型構(gòu)建多模態(tài)應(yīng)用 208
10.1 技術(shù)要求 208
10.2 為什么是多模態(tài) 209
10.3 使用LangChain構(gòu)建多模態(tài)智能體 211
10.4 方案1：使用Azure AI服務(wù)的開(kāi)箱即用工具包 211
10.5 方案2：將單一工具整合到一個(gè)智能體中 225
10.5.1 YouTube工具和Whisper 225
10.5.2 DALL-E和文本生成 227
10.5.3 將所有工具整合在一起 229
10.6 方案3：使用序列鏈的硬編碼方法 233
10.7 三種方案的比較 236
10.8 使用Streamlit開(kāi)發(fā)前端 237
10.9 小結(jié) 239
10.10 參考文獻(xiàn) 239
第11章 微調(diào)大規(guī)模語(yǔ)言模型 240
11.1 技術(shù)要求 241
11.2 微調(diào)定義 241
11.3 何時(shí)微調(diào) 244
11.4 開(kāi)始微調(diào) 245
11.4.1 獲取數(shù)據(jù)集 245
11.4.2 詞元化數(shù)據(jù) 246
11.4.3 微調(diào)模型 249
11.4.4 使用評(píng)估指標(biāo) 250
11.4.5 訓(xùn)練和保存 253
11.5 小結(jié) 256
11.6 參考文獻(xiàn) 257
第12章 負(fù)責(zé)任的人工智能 258
12.1 什么是負(fù)責(zé)任的人工智能，為什么需要它 258
12.2 負(fù)責(zé)任的人工智能架構(gòu) 260
12.2.1 模型層 260
12.2.2 元提示層 263
12.2.3 用戶界面層 264
12.3 有關(guān)負(fù)責(zé)任的人工智能的法規(guī) 267
12.4 小結(jié) 268
12.5 參考文獻(xiàn) 269
第13章 新興趨勢(shì)和創(chuàng)新 270
13.1 語(yǔ)言模型和生成式人工智能的最新發(fā)展趨勢(shì) 270
13.1.1 GPT-4V 271
13.1.2 DALL-E 3 272
13.1.3 AutoGen 273
13.1.4 小型語(yǔ)言模型 274
13.2 擁抱生成式人工智能技術(shù)的公司 275
13.2.1 Coca-Cola 275
13.2.2 Notion 275
13.2.3 Malbek 276
13.2.4 微軟 277
13.3 小結(jié) 278
13.4 參考文獻(xiàn) 279