ChatGPT与大模型研究

本章涵盖以下内容： 理解研究摘要引擎 使用提示工程生成 Web 搜索并汇总结果 将整个流程组织为独立的 LangChain 链 将子链集成到主链中 使用高级 LCEL 进行并行处理 在第 3 章内容摘

本章涵盖以下内容： 对超过 LLM 上下文窗口的大型文档进行摘要 跨多份文档进行摘要 在第 1 章中，我们探讨了三类主要的 LLM 应用：摘要引擎、聊天机器人和 AI 智能体。在本章中，你将开始使用

本章涵盖以下内容： 提示与提示工程 不同类型的提示及其组织结构 如何利用单样本、双样本或少样本学习来增强提示响应 在 ChatGPT 和 OpenAI API 中使用提示的示例 AI 应用与大语言模型

本书第一章旨在通过介绍自然语言处理（NLP）的关键概念、机器处理语言的早期策略，以及它与机器学习（ML）之间的协同关系，帮助专业人士建立自然语言处理的基础。我们还会强调数学基础的重要性，例如线性代数、

本章涵盖以下内容： 部署 PyTorch 模型的多种选项 通过 Web 框架和 API 部署模型 优化推理性能 将模型导出到不同部署目标所需的格式 从 C++ 中运行导出的模型以及原生实现的模型 在本

本章涵盖以下内容： 分布式训练的基本概念 PyTorch 的分布式包（torch.distributed） 不同形式的并行策略 在前面的章节中，我们大多一直专注于在单块 GPU 上训练模型。但随着模型

本章涵盖以下内容： 修改数据，使其可用于一个二维分割问题 使用 Segment Anything 执行分割 理解使用 SegFormer 进行掩码预测 微调一个分割模型 在前四章中，我们已经完成了很多

本章涵盖以下内容： 定义并计算 precision、recall，以及 true / false positives / negatives 比较 F1 score 与其他质量指标 通过数据平衡与数据

本章涵盖以下内容： 使用 PyTorch DataLoader 加载数据 实现一个对 CT 数据执行分类的模型 为我们的应用搭建基础骨架 在训练过程中添加日志并展示指标 在前几章中，我们已经为癌症检测

本章涵盖以下内容： 加载并处理原始数据文件 实现一个用于表示数据的 Python 类 将数据转换为 PyTorch 可用的格式 对训练数据和验证数据进行可视化 现在我们已经讨论了项目的高层目标，也勾勒

本章涵盖以下内容： 将一个大型问题拆解为多个更小、更容易处理的问题 探索一个复杂的深度学习问题，并决定其结构与解决思路 下载训练数据 本章我们有两个主要目标。首先，我们将介绍本书第二部分的整体规划，以

本章涵盖以下内容： 生成式 AI 在图像合成中的应用概览 扩散模型的基础原理 从零开始实现一个扩散模型 在继续我们的生成式 AI 之旅时，我们现在将目光转向图像合成。在上一章中，我们探讨了如何使用 T

本章涵盖以下内容 对文本生成问题的解释 对无监督学习的介绍 使用注意力机制学习结构 从简单概率模型逐步构建到深度学习模型 Transformer 架构及其变体与应用 尽管前面几章已经展示了深度学习在回

本章涵盖以下内容 理解卷积 构建卷积神经网络 创建自定义 nn.Module 子类 模块式 API 与函数式 API 的区别 神经网络中的设计选择 在上一章中，我们构建了一个简单的神经网络。借助线性层

本章涵盖以下内容 构建前馈神经网络 使用 Dataset 和 DataLoader 加载数据 理解分类损失函数 上一章让我们有机会深入探究了通过梯度下降进行学习的内部机制，以及 PyTorch 为构建

本章涵盖以下内容 激活函数：神经网络与线性模型之间的关键差异 使用 PyTorch 的 nn 模块 用神经网络求解线性拟合问题 到目前为止，我们已经仔细考察了线性模型是如何学习的，以及如何在 PyTo

本章涵盖以下内容 将真实世界数据表示为 PyTorch 张量 处理多种数据类型 从文件中加载数据 将数据转换为张量 调整张量形状，使其能够作为神经网络模型的输入 在上一章中，我们已经学到，张量是 Py

本章涵盖以下内容 理解张量——PyTorch 中的基础数据结构 对张量进行索引与运算 与 NumPy 多维数组进行互操作 将计算迁移到 GPU 上以提升速度 在上一章中，我们概览了深度学习所能实现的众

本章涵盖以下内容 运行预训练的图像识别模型 使用预训练的 Transformer 和扩散模型 通过 Hugging Face 访问模型 使用预训练模型为图像生成说明文字 在第一章中，我们已经提到过深度