GPT图解 大模型是怎样构建的

　　人工智能（AI），尤其是生成式语言模型和生成式人工智能（AIGC）模型，正以惊人的速度改变着我们的世界。驾驭这股潮流的关键，莫过于探究自然语言处理（NLP）技术的深奥秘境。本书将带领读者踏上一段扣人心弦的探索之旅，让其亲身感受，并动手搭建语言模型。本书主要内容包括N-Gram，词袋模型（BoW），Word2Vec（W2V），神经概率语言模型（NPLM），循环神经网络（RNN），Seq2Seq（S2S），注意力机制，Transformer，从初代GPT到ChatGPT再到GPT-4等一系列突破性技术的诞生与演进。

　　本书将以生动活泼的笔触，将枯燥的技术细节化作轻松幽默的故事和缤纷多彩的图画，引领读者穿梭于不同技术的时空，见证自然语言处理技术的传承、演进与蜕变。在这场不断攀登技术新峰的奇妙之旅中，读者不仅能深入理解自然语言处理技术的核心原理，还能自己动手，从零开始搭建起一个又一个语言模型。

　　无论你是在校学生还是人工智能从业者，这本书都将成为一盏明灯，照亮你探索人工智能无限奥秘的道路。

黄佳，笔名咖哥，新加坡科技研究局人工智能研究员。主攻方向为 NLP 大模型的研发与应用、持续学习、AI in FinTech。黄佳深耕人工智能领域多年，积累了丰富的科研项目和政府、银行、能源、医疗等领域 AI 项目落地实战经验，目前正与 PlatoX.AI 展开富有前景的技术合作。曾著有《零基础学机器学习》《数据分析咖哥十话》等多部热销书。同时，在极客时间开设专栏《零基础实战机器学习》《LangChain 实战课》，在深蓝学院开设视频课程“生成式预训练语言模型：理论与实战”。

目　录

序章　看似寻常最奇崛，成如容易却艰辛　001

GPT-4：点亮人工通用智能的火花　002

人工智能演进之路：神经网络两落三起　004

现代自然语言处理：从规则到统计　007

何为语言？信息又如何传播？　008

NLP是人类和计算机沟通的桥梁　009

NLP技术的演进史　010

大规模预训练语言模型：BERT与GPT争锋　012

语言模型的诞生和进化　012

统计语言模型的发展历程　014

基于Transformer架构的预训练模型　016

“预训练 微调大模型”的模式　018

以提示/指令模式直接使用大模型　019

从初代GPT到ChatGPT，再到GPT-4　021

GPT作为生成式模型的天然优势　022

ChatGPT背后的推手——OpenAI　023

从初代GPT到ChatGPT，再到GPT-4的进化史　024

第 1课　高楼万丈平地起：语言模型的雏形N-Gram和简单文本表示Bag-of-Words　026

1.1　N-Gram模型　026

1.2　“词”是什么，如何“分词”　030

1.3　创建一个Bigram字符预测模型　032

1.4　词袋模型　036

1.5　用词袋模型计算文本相似度　037

小结　042

思考　043

第 2课　问君文本何所似： 词的向量表示Word2Vec和Embedding　044

2.1　词向量 ≈ 词嵌入　045

2.2　Word2Vec：CBOW模型和Skip-Gram模型　047

2.3　Skip-Gram模型的代码实现　050

2.4　CBOW模型的代码实现　061

2.5　通过nn.Embedding来实现词嵌入　063

小结　067

思考　068

第3课　山重水复疑无路：神经概率语言模型和循环神经网络　069

3.1　NPLM的起源　070

3.2　NPLM的实现　072

3.3　循环神经网络的结构　079

3.4　循环神经网络实战　082

小结　086

思考　087

第4课　柳暗花明又一村：Seq2Seq编码器-解码器架构　088

4.1　Seq2Seq架构　089

4.2　构建简单Seq2Seq架构　092

小结　103

思考　103

第5课　见微知著开慧眼：引入注意力机制　104

5.1　点积注意力　105

5.2　缩放点积注意力　114

5.3　编码器-解码器注意力　116

5.4　注意力机制中的Q、K、V　122

5.5　自注意力　125

5.6　多头自注意力　126

5.7　注意力掩码　129

5.8　其他类型的注意力　131

小结　132

思考　132

第6课　　层峦叠翠上青天：搭建GPT核心组件Transformer　133

6.1　Transformer架构剖析　133

6.1.1　编码器-解码器架构　135

6.1.2　各种注意力的应用　135

6.1.3　编码器的输入和位置编码　140

6.1.4　编码器的内部结构　141

6.1.5　编码器的输出和编码器-解码器的连接　142

6.1.6　解码器的输入和位置编码　143

6.1.7　解码器的内部结构　145

6.1.8　解码器的输出和Transformer的输出头　146

6.2　Transformer代码实现　148

6.3　完成翻译任务　176

6.3.1　数据准备　177

6.3.2　训练Transformer模型　179

6.3.3　测试Transformer模型　179

小结　181

思考　182

第7课　芳林新叶催陈叶：训练出你的简版生成式GPT　183

7.1　BERT与GPT争锋　184

7.2　GPT：生成式自回归模型　188

7.3　构建GPT模型并完成文本生成任务　191

7.3.1　搭建GPT模型（解码器）　　　　192

7.3.2　构建文本生成任务的数据集　　　　195

7.3.3　训练过程中的自回归　　　　198

7.3.4　文本生成中的自回归（贪婪搜索）　　　　200

7.4　使用WikiText2数据集训练Wiki-GPT模型　201

7.4.1　用WikiText2构建Dataset和DataLoader　　　　202

7.4.2　用DataLoader提供的数据进行训练　　　　206

7.4.3　用Evaluation Dataset评估训练过程　　　　207

7.4.4　文本生成中的自回归（集束搜索）　　　　209

小结　212

思考　213

第8课　流水后波推前波：ChatGPT基于人类反馈的强化学习　214

8.1　从GPT到ChatGPT　215

8.2　在Wiki-GPT基础上训练自己的简版ChatGPT　218

8.3　用Hugging Face预训练GPT微调ChatGPT　225

8.4　ChatGPT的RLHF实战　233

8.4.1　强化学习基础知识　　　　235

8.4.2　简单RLHF实战　　　　237

小结　243

思考　244

第9课　生生不息的循环：使用强大的GPT-4 API　245

9.1　强大的OpenAI API　245

9.2　使用GPT-4 API　249

小结　251

思考　252

后　记　莫等闲，白了少年头　253

　　人工智能（AI），尤其是生成式语言模型和生成式人工智能（AIGC）模型，正以惊人的速度改变着我们的世界。驾驭这股潮流的关键，莫过于探究自然语言处理（NLP）技术的深奥秘境。本书将带领读者踏上一段扣人心弦的探索之旅，让其亲身感受，并动手搭建语言模型。本书主要内容包括N-Gram，词袋模型（BoW），Word2Vec（W2V），神经概率语言模型（NPLM），循环神经网络（RNN），Seq2Seq（S2S），注意力机制，Transformer，从初代GPT到ChatGPT再到GPT-4等一系列突破性技术的诞生与演进。

　　本书将以生动活泼的笔触，将枯燥的技术细节化作轻松幽默的故事和缤纷多彩的图画，引领读者穿梭于不同技术的时空，见证自然语言处理技术的传承、演进与蜕变。在这场不断攀登技术新峰的奇妙之旅中，读者不仅能深入理解自然语言处理技术的核心原理，还能自己动手，从零开始搭建起一个又一个语言模型。

　　无论你是在校学生还是人工智能从业者，这本书都将成为一盏明灯，照亮你探索人工智能无限奥秘的道路。

黄佳，笔名咖哥，新加坡科技研究局人工智能研究员。主攻方向为 NLP 大模型的研发与应用、持续学习、AI in FinTech。黄佳深耕人工智能领域多年，积累了丰富的科研项目和政府、银行、能源、医疗等领域 AI 项目落地实战经验，目前正与 PlatoX.AI 展开富有前景的技术合作。曾著有《零基础学机器学习》《数据分析咖哥十话》等多部热销书。同时，在极客时间开设专栏《零基础实战机器学习》《LangChain 实战课》，在深蓝学院开设视频课程“生成式预训练语言模型：理论与实战”。