ChatGPT与大模型研究

在本章中，我们将首先简要回顾卷积神经网络（CNN）架构的发展历程，然后详细研究不同的CNN架构。我们将使用PyTorch实现这些CNN架构，并通过此过程深入探索PyTorch在构建深度CNN时提供的工

深度学习是一类机器学习方法，它彻底改变了计算机/机器在现实生活中构建自动化解决方案的方式，以前的技术难以实现这些效果。深度学习利用大量数据来学习输入与输出之间的复杂非线性关系，如图1.1所示，这些输入

在上一章中，我们介绍了构建对话应用程序的核心步骤。我们从一个基础的聊天机器人开始，然后逐步添加了更复杂的组件，例如记忆、非参数化知识和外部工具。借助LangChain的预构建组件以及Streamlit

在上一章中，我们探讨了如何在应用程序中正确协调大型语言模型（LLM）及其组件的重要性。事实上，我们还了解到，并非所有的LLM都是相同的。接下来的关键决策是实际选择使用哪些LLM。不同的LLM可能具有不

本章深入探讨了 LlamaIndex 中不同类型的索引。我们将解释索引的工作原理、关键功能、定制选项、底层架构和应用场景。总体来说，本章将作为一个指南，帮助利用 LlamaIndex 的索引功能来构建

本章深入探讨了使用 LlamaIndex 的功能实现聊天机器人和智能体。我们将探索各种聊天引擎模式，从简单的聊天机器人到更高级的上下文感知和问题精简引擎。接着，我们将深入分析智能体架构，包括工具、推理

毫无疑问，我们正处于人工智能（AI）/机器学习（ML）运营化的蓬勃发展时期。根据Gartner的一篇文章《IT预算在增长。资金流向何处》，AI/ML在技术列表中名列前茅，几乎一半的首席信息官（CIO）

微调已经成为AI中的一种流行建模范式，尤其是在迁移学习中。本书中到目前为止的所有实验都基于更新所有参数的方式。因此，从现在开始，使用“全量微调”这个术语更为准确（也称为全模型微调或全参数微调）。 在本

到目前为止，我们已经使用常见的方法解决了许多任务，并取得了一些成功。然而，通过利用特定的技术，我们可以进一步提高任务的性能。在文献中有几种方法可以提高Transformer模型的性能。在本章中，我们将

到目前为止，我们已经使用 transformers 库解决了分类和生成问题。文本表示是现代自然语言处理（NLP）中的另一个关键任务，尤其适用于无监督任务，如聚类、语义搜索和主题建模。本文将介绍如何使用

在本章中，我们将学习如何为标记分类任务微调语言模型。诸如命名实体识别（NER）、词性标注（POS）和问答（QA）等任务将在本章中进行探讨。我们将学习如何在这些任务上微调特定的语言模型，重点将放在BER

大型语言模型（LLMs）的日益普及将模型输出的准确性与可解释性之间的权衡摆到了前台。可解释人工智能（XAI）研究中的最大挑战是处理深度神经模型中存在的大量层和参数。那么，我们如何解决这个问题呢？我们能

在本章中，我们将学习如何配置一个预训练模型以进行文本分类，并如何微调它以适应任何文本分类的下游任务，例如情感分析、多类分类或多标签分类。我们还将讨论如何处理句子对和回归问题，并提供一个实现示例。我们将

在本章中，您将学习生成语言模型（GLMs）和大型语言模型（LLMs）。接下来，您将学习如何在自己的文本上预训练任何语言模型，例如生成预训练变换器2（GPT-2），并将其用于自然语言生成（NLG）等任务

在上一章中，我们研究了如何使用 Hugging Face 的 Transformers 来应用典型的 Transformer 模型。到目前为止，本书的所有章节都包括了如何使用预训练或预构建模型的说明，

在过去的二十年里，自然语言处理（NLP）领域取得了显著的进展。我们经历了各种不同的范式，如今已经进入了Transformer架构的时代。这些进步帮助我们能够更有效地表示单词或句子，从而解决NLP任务。

在第一章中，我们介绍了人工智能（AI）和机器学习（ML）的核心概念，以帮助奠定使用对抗性AI的基础。在本章中，我们将提供ML开发的实际操作演练，展示如何创建和管理您的开发环境，使用算法，并导航我们描述

在本章中，我们将提供 Hugging Face 生态系统、Elasticsearch 的 Eland Python 库以及在 Elasticsearch 中使用嵌入模型的实用策略概览。我们将首先探索

欢迎来到《在 Elastic 中开始学习向量搜索》。在本章中，我们将了解在 Elastic 中搜索的基本范式，以及向量搜索如何成为实时、上下文感知和准确信息检索的强大工具。 在本章中，我们将涵盖以下主

我们已经从整体上了解了LlamaIndex的结构。现在是时候深入了解这个框架的细节了。随着我们的深入，技术性将会增加，但也会变得更加有趣。 准备好深入探索了吗？跟我来！ 在本章中，我们将学习以下内容：