大模型应用开发：RAG入门与实战
全新正版 假一赔十 可开发票
￥ 55.71 7.0折 ￥ 79.8 全新
库存36件
北京东城
认证卖家担保交易快速发货售后保障
作者陈明明 著
出版社人民邮电出版社
ISBN9787115648938
出版时间2024-10
装帧平装
开本16开
定价79.8元
货号1203389463
上书时间2024-10-07
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
陈明明，数据科学博士，研究方向为自然语言处理、深度学习及贝叶斯统计；曾就职于微软，从事自然语言处理和人工智能的开发工作。
潘翔，计算机应用博士，研究方向为卷积网络、大数据分析、大语言模型、多模态数据分析；主持了国家自然科学基金、浙江省科学技术厅等重点项目，在IEEE Journal of Biomedical and Health Informatics、《计算机学报》等期刊和国际会议上发表30多篇论文；目前就职于浙江工业大学计算机科学与技术学院。
戴弘毅，毕业于维克森林大学和波士顿大学，研究方向为自然语言处理、深度学习及金融市场分析。
目录
第 1章 RAG概述001
1.1 人工智能和自然语言处理概述001
1.1.1 人工智能的定义和发展历史001
1.1.2 自然语言处理的概念和基本任务001
1.2 自然语言处理在大数据时代的挑战与机遇003
1.2.1 大数据时代对自然语言处理的影响003
1.2.2 大数据时代的自然语言处理技术发展趋势004
1.3 基于RAG的大模型文档搜索概述006
1.3.1 RAG模型的含义和基本原理006
1.3.2 大模型文档搜索在信息检索领域的重要性007
1.4 基于RAG的大模型文档搜索的工作原理008
1.4.1 Retriever模块的工作原理008
1.4.2 Generator模块的工作原理009
1.4.3 Ranker模块的工作原理011
1.5 基于RAG的大模型文档搜索的优势和应用场景012
1.5.1 优势012
1.5.2 应用场景014
第 2章 PyTorch编程基础017
2.1 PyTorch简介017
2.2 PyTorch安装与环境配置018
2.2.1 安装PyTorch018
2.2.2 环境配置019
2.2.3 常见安装问题及解决方法019
2.3 PyTorch张量020
2.3.1 张量的创建020
2.3.2 张量的基本运算023
2.3.3 张量的索引和切片026
2.3.4 张量的形状操作029
2.4 PyTorch自动微分032
2.4.1 梯度计算032
2.4.2 反向传播033
2.4.3 停止梯度传播035
2.5 PyTorch模型构建037
2.5.1 搭建神经网络模型037
2.5.2 模型参数的访问和初始化039
2.6 PyTorch数据加载与预处理041
2.6.1 数据加载041
2.6.2 数据预处理043
2.7 PyTorch模型训练与评估045
2.7.1 模型训练045
2.7.2 模型评估049
2.8 PyTorch模型保存与加载053
2.8.1 模型的保存053
2.8.2 模型的加载054
2.9 小结056
第3章 深度学习基础057
3.1 感知机和多层感知机057
3.1.1 感知机的原理和结构057
3.1.2 多层感知机的结构和前向传播058
3.1.3 多层感知机的训练算法059
3.2 卷积神经网络061
3.2.1 卷积层和池化层061
3.2.2 CNN的典型结构：LeNet、AlexNet、VGG、ResNet064
3.3 循环神经网络073
3.3.1 RNN的结构和原理073
3.3.2 长短期记忆网络075
3.3.3 门控循环单元076
3.4 Transformer模型078
3.4.1 Self-Attention机制078
3.4.2 Transformer架构080
3.4.3 Transformer在机器翻译、语言建模等任务中的应用084
3.5 BERT模型084
3.5.1 BERT的预训练任务和目标084
3.5.2 BERT的结构、原理和应用088
3.6 GPT大模型089
3.6.1 GPT的预训练任务和目标089
3.6.2 GPT的结构、原理和应用090
3.7 深度学习的优化算法091
3.7.1 梯度下降和反向传播091
3.7.2 SGD和Adam094
3.7.3 学习率调整策略096
3.8 深度学习的正则化和防止过拟合方法099
3.8.1 L1和L2正则化099
3.8.2 Dropout和Batch Normalization101
第4章 自然语言处理基础103
4.1 基础知识103
4.1.1 分词算法103
4.1.2 关键词提取106
4.1.3 摘要提取110
4.2 模型如何看懂文字113
4.3 ChatGPT大模型117
4.3.1 GPT模型的发展历程118
4.3.2 ChatGPT模型概述119
4.3.3 ChatGPT模型的原理和发展方向120
第5章 Web可视化121
5.1 Streamlit介绍121
5.1.1 概述121
5.1.2 主要功能122
5.1.3 应用场景132
5.2 Gradio介绍145
5.2.1 概述145
5.2.2 主要功能147
5.2.3 应用场景153
第6章 RAG文档分块和向量化164
6.1 文档分块概述164
6.1.1 文档分块的定义和作用164
6.1.2 常见的文档分块算法166
6.1.3 文档分块在信息检索和自然语言处理中的应用168
6.2 文档分块方法171
6.2.1 基于规则的文档分块方法171
6.2.2 基于机器学习的文档分块方法173
6.2.3 基于深度学习的文档分块方法174
6.3 文档向量化概述178
6.3.1 文档向量化的定义和作用178
6.3.2 文档向量化在自然语言处理中的应用场景179
6.3.3 文档向量化的评估指标181
6.4 基于词袋模型的文档向量化方法183
6.4.1 词频矩阵183
6.4.2 TF-IDF矩阵 185
6.4.3 Hot编码187
6.4.4 哈希编码188
6.5 基于词嵌入模型的文档向量化方法190
6.5.1 Word2Vec190
6.5.2 fastText191
6.5.3 Doc2Vec193
6.6 基于预训练模型的文档向量化方法195
6.6.1 BERT文档向量化195
6.6.2 GPT文档向量化197
第7章 RAG向量检索技术199
7.1 向量检索技术的定义和应用场景199
7.1.1 向量检索技术的定义199
7.1.2 向量检索技术的应用场景200
7.2 向量间距离的计算204
7.2.1 内积距离204
7.2.2 欧式距离206
7.2.3 汉明距离207
7.2.4 杰卡德距离208
7.3 基于树的方法210
7.3.1 KNN算法210
7.3.2 KD-树211
7.3.3 Annoy212
7.4 基于哈希的方法214
第8章 RAG中的Prompt技术216
8.1 特定指令模式217
8.2 指令模板模式223
8.3 代理模式227
8.4 示例模式231
8.5 零样本提示模式231
8.6 少样本提示模式233
8.7 思维链提示模式234
8.7.1 零样本CoT235
8.7.2 少样本CoT237
第9章 动手实现PDF阅读器239
9.1 PDF内容提取239
9.2 PDF文档分块241
9.3 PDF文档向量化243
9.4 PDF文档相似度计算244
9.5 大模型回答246
内容摘要
本书详细解析了RAG（Retrieval-Augmented Generation，检索增强生成）技术及其应用，从文档的分块与向量化，到利用深度学习模型进行向量检索，再到结合Prompt技术以实现精准响应，每个知识点都有清晰的逻辑阐述与实践案例；同时，介绍了PyTorch编程基础与深度学习核心概念。此外，本书还涵盖了一系列实用技术，如Web可视化工具Streamlit与Gradio的使用，以及如何利用这些工具快速构建交互式界面，直观展示RAG技术的效果。最后，通过动手实现PDF阅读器的实例，读者能亲自体验从理论到实践的过程，加深对RAG技术的理解与掌握。
本书内容通俗易懂，适合对文档搜索和RAG应用感兴趣的读者阅读，也可以作为从事大语言模型相关工作的人员的参考书。
主编推荐
解锁大语言模型和RAG技术的秘密，带读者深入理解文档搜索的应用
深入浅出地介绍了从文档分块到向量检索的全过程
结合实践案例，帮助读者将RAG技术快速应用于实际工作中
本书全面剖析了RAG（检索增强生成）技术，从文档的分块与向量化，到利用深度学习模型进行高效检索，再结合Prompt技术实现精准响应，每一步骤都通过清晰的逻辑与实例展示。书中不仅详细介绍了大语言模型的核心原理，还涵盖了PyTorch编程基础、深度学习理论与NLP技术。配合实际项目，如PDF阅读器的构建、Streamlit与Gradio可视化工具的使用，帮助读者将理论应用于实践，是学习RAG技术与大语言模型应用的必备指南。
— 没有更多了 —
以下为对购买帮助不大的评价