从零开始大模型开发与微调：基于PyTorch与ChatGLM

王晓华著，2023年版    [文件格式: PDF - 174MB]

内容简介

大模型是深度学习自然语言处理皇冠上的一颗明珠，也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch 2.0作为学习大模型的基本框架，以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术，为读者揭示大模型开发技术。本书配套示例源代码、PPT课件。

《从零开始大模型开发与微调：基于PyTorch与ChatGLM》共18章，内容包括人工智能与大模型、PyTorch 2.0深度学习环境搭建、从零开始学习PyTorch 2.0、深度学习基础算法详解、基于PyTorch卷积层的MNIST分类实战、PyTorch数据处理与模型展示、ResNet实战、有趣的词嵌入、基于PyTorch循环神经网络的中文情感分类实战、自然语言处理的编码器、预训练模型BERT、自然语言处理的解码器、强化学习实战、只具有解码器的GPT-2模型、实战训练自己的ChatGPT、开源大模型ChatGLM使用详解、ChatGLM高级定制化应用实战、对ChatGLM进行高级微调。

《从零开始大模型开发与微调：基于PyTorch与ChatGLM》适合PyTorch深度学习初学者、大模型开发初学者、大模型开发人员学习，也适合高等院校人工智能、智能科学与技术、数据科学与大数据技术、计算机科学与技术等专业的师生作为教学参考书。

作者简介

王晓华，高校计算机专业讲师，研究方向为云计算、大数据与人工智能。著有《PyTorch 2.0深度学习从零开始学》《Python机器学习与可视化分析实战》《谷歌JAX深度学习从零开始学》《Spark 3.0大数据分析与挖掘：基于机器学习》《TensorFlow深度学习应用实践》《OpenCV+TensorFlow深度学习与计算机视觉实战》《TensorFlow知识图谱实战》《TensorFlow人脸识别实战》《TensorFlow语音识别实战》《TensorFlow+Keras自然语言处理实战》《TensorFlow 2.0卷积神经网络实战》《Keras实战：基于TensorFlow2.2的深度学习实践》《TensorFlow 2.0深度学习从零开始学》《深度学习的数学原理与实现》。

目录

目 录

第1章 新时代的曙光—人工智能与大模型 1

• 1.1 人工智能：思维与实践的融合 1
  • 1.1.1 人工智能的历史与未来 2
  • 1.1.2 深度学习与人工智能 2
  • 1.1.3 选择PyTorch 2.0实战框架 3
• 1.2 大模型开启人工智能的新时代 4
  • 1.2.1 大模型带来的变革 4
  • 1.2.2 最强的中文大模型—清华大学ChatGLM介绍 5
  • 1.2.3 近在咫尺的未来—大模型的应用前景 6
• 1.3 本章小结 7

第2章 PyTorch 2.0深度学习环境搭建 8

• 2.1 环境搭建1：安装Python 8
  • 2.1.1 Miniconda的下载与安装 8
  • 2.1.2 PyCharm的下载与安装 11
  • 2.1.3 Python代码小练习：计算Softmax函数 14
• 2.2 环境搭建2：安装PyTorch 2.0 15
  • 2.2.1 Nvidia 10/20/30/40系列显卡选择的GPU版本 15
  • 2.2.2 PyTorch 2.0 GPU Nvidia运行库的安装 15
  • 2.2.3 PyTorch 2.0小练习：Hello PyTorch 18
• 2.3 生成式模型实战：古诗词的生成 18
• 2.4 图像降噪：手把手实战第一个深度学习模型 19
  • 2.4.1 MNIST数据集的准备 19
  • 2.4.2 MNIST数据集的特征和标签介绍 21
  • 2.4.3 模型的准备和介绍 22
  • 2.4.4 对目标的逼近—模型的损失函数与优化函数 24
  • 2.4.5 基于深度学习的模型训练 24
• 2.5 本章小结 26

第3章 从零开始学习PyTorch 2.0 27

• 3.1 实战MNIST手写体识别 27
  • 3.1.1 数据图像的获取与标签的说明 27
  • 3.1.2 实战基于PyTorch 2.0的手写体识别模型 29
  • 3.1.3 基于Netron库的PyTorch 2.0模型可视化 32
• 3.2 自定义神经网络框架的基本设计 34
  • 3.2.1 神经网络框架的抽象实现 34
  • 3.2.2 自定义神经网络框架的具体实现 35
• 3.3 本章小结 43

第4章 一学就会的深度学习基础算法详解 44

• 4.1 反向传播神经网络的前身历史 44
• 4.2 反向传播神经网络两个基础算法详解 47
  • 4.2.1 最小二乘法详解 48
  • 4.2.2 梯度下降算法 50
  • 4.2.3 最小二乘法的梯度下降算法及其Python实现 52
• 4.3 反馈神经网络反向传播算法介绍 58
  • 4.3.1 深度学习基础 58
  • 4.3.2 链式求导法则 59
  • 4.3.3 反馈神经网络的原理与公式推导 60
  • 4.3.4 反馈神经网络原理的激活函数 64
  • 4.3.5 反馈神经网络原理的Python实现 66
• 4.4 本章小结 70

第5章 基于PyTorch卷积层的MNIST分类实战 71

• 5.1 卷积运算的基本概念 71
  • 5.1.1 基本卷积运算示例 72
  • 5.1.2 PyTorch中的卷积函数实现详解 73
  • 5.1.3 池化运算 75
  • 5.1.4 Softmax激活函数 77
  • 5.1.5 卷积神经网络的原理 78
• 5.2 实战：基于卷积的MNIST手写体分类 80
  • 5.2.1 数据的准备 80
  • 5.2.2 模型的设计 81
  • 5.2.3 基于卷积的MNIST分类模型 82
• 5.3 PyTorch的深度可分离膨胀卷积详解 84
  • 5.3.1 深度可分离卷积的定义 84
  • 5.3.2 深度的定义以及不同计算层待训练参数的比较 86
  • 5.3.3 膨胀卷积详解 87
  • 5.3.4 实战：基于深度可分离膨胀卷积的MNIST手写体识别 87
• 5.4 本章小结 90

第6章 可视化的PyTorch数据处理与模型展示 91

• 6.1 用于自定义数据集的torch.utils.data工具箱使用详解 92
  • 6.1.1 使用torch.utils.data. Dataset封装自定义数据集 92
  • 6.1.2 改变数据类型的Dataset类中的transform的使用 93
  • 6.1.3 批量输出数据的DataLoader类详解 98
• 6.2 实战：基于tensorboardX的训练可视化展示 100
  • 6.2.1 可视化组件tensorboardX的简介与安装 100
  • 6.2.2 tensorboardX可视化组件的使用 100
  • 6.2.3 tensorboardX对模型训练过程的展示 103
• 6.3 本章小结 105

第7章 ResNet实战 106

• 7.1 ResNet基础原理与程序设计基础 106
  • 7.1.1 ResNet诞生的背景 107
  • 7.1.2 PyTorch 2.0中的模块工具 109
  • 7.1.3 ResNet残差模块的实现 110
  • 7.1.4 ResNet网络的实现 112
• 7.2 ResNet实战：CIFAR-10数据集分类 114
  • 7.2.1 CIFAR-10数据集简介 114
  • 7.2.2 基于ResNet的CIFAR-10数据集分类 117
• 7.3 本章小结 118

第8章 有趣的词嵌入 120

• 8.1 文本数据处理 120
  • 8.1.1 Ag_news数据集介绍和数据清洗 120
  • 8.1.2 停用词的使用 123
  • 8.1.3 词向量训练模型Word2Vec使用介绍 125
  • 8.1.4 文本主题的提取：基于TF-IDF 128
  • 8.1.5 文本主题的提取：基于TextRank 132
• 8.2 更多的词嵌入方法—FastText和预训练词向量 134
  • 8.2.1 FastText的原理与基础算法 135
  • 8.2.2 FastText训练及其与PyTorch 2.0的协同使用 136
  • 8.2.3 使用其他预训练参数来生成PyTorch 2.0词嵌入矩阵（中文） 140
• 8.3 针对文本的卷积神经网络模型简介—字符卷积 141
  • 8.3.1 字符（非单词）文本的处理 141
  • 8.3.2 卷积神经网络文本分类模型的实现—Conv1d（一维卷积） 148
• 8.4 针对文本的卷积神经网络模型简介—词卷积 151
  • 8.4.1 单词的文本处理 151
  • 8.4.2 卷积神经网络文本分类模型的实现—Conv2d（二维卷积） 153
• 8.5 使用卷积对文本分类的补充内容 155
  • 8.5.1 汉字的文本处理 155
  • 8.5.2 其他细节 157
• 8.6 本章小结 158

第9章 基于循环神经网络的中文情感分类实战 160

• 9.1 实战：循环神经网络与情感分类 160
• 9.2 循环神经网络理论讲解 165
  • 9.2.1 什么是GRU 165
  • 9.2.2 单向不行，那就双向 167
• 9.3 本章小结 168

第10章 从零开始学习自然语言处理的编码器 169

• 10.1 编码器的核心—注意力模型 170
  • 10.1.1 输入层—初始词向量层和位置编码器层 170
  • 10.1.2 自注意力层 172
  • 10.1.3 ticks和Layer Normalization 177
  • 10.1.4 多头注意力 178
• 10.2 编码器的实现 180
  • 10.2.1 前馈层的实现 181
  • 10.2.2 编码器的实现 182
• 10.3 实战编码器：拼音汉字转化模型 184
  • 10.3.1 汉字拼音数据集处理 185
  • 10.3.2 汉字拼音转化模型的确定 187
  • 10.3.3 模型训练部分的编写 190
• 10.4 本章小结 191

第11章 站在巨人肩膀上的预训练模型BERT 193

• 11.1 预训练模型BERT 193
  • 11.1.1 BERT的基本架构与应用 194
  • 11.1.2 BERT预训练任务与微调 195
• 11.2 实战BERT：中文文本分类 198
  • 11.2.1 使用Hugging Face获取BERT预训练模型 198
  • 11.2.2 BERT实战文本分类 200
• 11.3 更多的预训练模型 203
• 11.4 本章小结 205

第12章 从1开始自然语言处理的解码器 206

• 12.1 解码器的核心—注意力模型 206
  • 12.1.1 解码器的输入和交互注意力层的掩码 207
  • 12.1.2 为什么通过掩码操作能够减少干扰 212
  • 12.1.3 解码器的输出（移位训练方法） 213
  • 12.1.4 解码器的实现 214
• 12.2 解码器实战—拼音汉字翻译模型 215
  • 12.2.1 数据集的获取与处理 216
  • 12.2.2 翻译模型 218
  • 12.2.3 拼音汉字模型的训练 229
  • 12.2.4 拼音汉字模型的使用 230
• 12.3 本章小结 231

第13章 基于PyTorch 2.0的强化学习实战 232

• 13.1 基于强化学习的火箭回收实战 232
  • 13.1.1 火箭回收基本运行环境介绍 233
  • 13.1.2 火箭回收参数介绍 234
  • 13.1.3 基于强化学习的火箭回收实战 234
  • 13.1.4 强化学习的基本内容 239
• 13.2 强化学习的基本算法—PPO算法 243
  • 13.2.1 PPO算法简介 243
  • 13.2.2 函数使用说明 244
  • 13.2.3 一学就会的TD-error理论介绍 245
  • 13.2.4 基于TD-error的结果修正 247
  • 13.2.5 对于奖励的倒序构成的说明 248
• 13.3 本章小结 249

第14章 ChatGPT前身—只具有解码器的GPT-2模型 250

• 14.1 GPT-2模型简介 250
  • 14.1.1 GPT-2模型的输入和输出结构—自回归性 251
  • 14.1.2 GPT-2模型的PyTorch实现 252
  • 14.1.3 GPT-2模型输入输出格式的实现 257
• 14.2 Hugging Face GPT-2模型源码模型详解 259
  • 14.2.1 GPT2LMHeadModel类和GPT2Model类详解 259
  • 14.2.2 Block类详解 270
  • 14.2.3 Attention类详解 274
  • 14.2.4 MLP类详解 281
• 14.3 Hugging Face GPT-2模型的使用与自定义微调 282
  • 14.3.1 模型的使用与自定义数据集的微调 282
  • 14.3.2 基于预训练模型的评论描述微调 285
• 14.4 自定义模型的输出 286
  • 14.4.1 GPT输出的结构 286
  • 14.4.2 创造性参数temperature与采样个数topK 288
• 14.5 本章小结 290

第15章 实战训练自己的ChatGPT 291

• 15.1 什么是ChatGPT 291
• 15.2 RLHF模型简介 293
  • 15.2.1 RLHF技术分解 293
  • 15.2.2 RLHF中的具体实现—PPO算法 296
• 15.3 基于RLHF实战的ChatGPT正向评论的生成 297
  • 15.3.1 RLHF模型进化的总体讲解 297
  • 15.3.2 ChatGPT评分模块简介 298
  • 15.3.3 带有评分函数的ChatGPT模型的构建 300
  • 15.3.4 RLHF中的PPO算法—KL散度 301
  • 15.3.5 RLHF中的PPO算法—损失函数 303
• 15.4 本章小结 304

第16章 开源大模型ChatGLM使用详解 305

• 16.1 为什么要使用大模型 305
  • 16.1.1 大模型与普通模型的区别 306
  • 16.1.2 一个神奇的现象—大模型的涌现能力 307
• 16.2 ChatGLM使用详解 307
  • 16.2.1 ChatGLM简介及应用前景 308
  • 16.2.2 下载ChatGLM 309
  • 16.2.3 ChatGLM的使用与Prompt介绍 310
• 16.3 本章小结 311

第17章 开源大模型ChatGLM 高级定制化应用实战 312

• 17.1 医疗问答GLMQABot搭建实战—基于ChatGLM搭建专业客服问答机器人 312
  • 17.1.1 基于ChatGLM搭建专业领域问答机器人的思路 313
  • 17.1.2 基于真实医疗问答的数据准备 314
  • 17.1.3 文本相关性（相似度）的比较算法 315
  • 17.1.4 提示语句Prompt的构建 316
  • 17.1.5 基于单个文档的GLMQABot的搭建 316
• 17.2 金融信息抽取实战—基于知识链的ChatGLM本地化知识库检索与智能答案生成 318
  • 17.2.1 基于ChatGLM搭建智能答案生成机器人的思路 319
  • 17.2.2 获取专业（范畴内）文档与编码存储 320
  • 17.2.3 查询文本编码的相关性比较与排序 322
  • 17.2.4 基于知识链的ChatGLM本地化知识库检索与智能答案生成 325
• 17.3 基于ChatGLM的一些补充内容 327
  • 17.3.1 语言的艺术—Prompt的前世今生 328
  • 17.3.2 清华大学推荐的ChatGLM微调方法 329
  • 17.3.2 一种新的基于ChatGLM的文本检索方案 330
• 17.4 本章小结 331

第18章 对训练成本上亿美元的ChatGLM进行高级微调 332

• 18.1 ChatGLM模型的本地化处理 332
  • 18.1.1 下载ChatGLM源码与合并存档 332
  • 18.1.2 修正自定义的本地化模型 335
  • 18.1.3 构建GLM模型的输入输出示例 337
• 18.2 高级微调方法1—基于加速库Accelerator的全量数据微调 339
  • 18.2.1 数据的准备—将文本内容转化成三元组的知识图谱 339
  • 18.2.2 加速的秘密—Accelerate模型加速工具详解 342
  • 18.2.3 更快的速度—使用INT8（INT4）量化模型加速训练 345
• 18.3 高级微调方法2—基于LoRA的模型微调 348
  • 18.3.1 对ChatGLM进行微调的方法—LoRA 348
  • 18.3.2 自定义LoRA的使用方法 349
  • 18.3.3 基于自定义LoRA的模型训练 350
  • 18.3.4 基于自定义LoRA的模型推断 352
  • 18.3.5 基于基本原理的LoRA实现 355
• 18.4 高级微调方法3—基于Huggingface的PEFT模型微调 357
  • 18.4.1 PEFT技术详解 358
  • 18.4.2 PEFT的使用与参数设计 359
  • 18.4.3 Huggingface专用PEFT的使用 360
• 18.5 本章小结 362