Quick Start Guide to Large Language Models: Strategies and Best Practices for using ChatGPT and Other LLMs, 1st edition
BRAND: PEARSON
eBook edition. 1 Year Subscription. Dành cho Cá nhân | Trường ĐH, Nhóm, Thư Viện: Gọi 0915920514 để báo giá Pearson, Vital Source eBook hoặc mua Sách In
Tổng quan sách
Hướng dẫn từng bước thực tế để sử dụng LLM ở quy mô lớn trong các dự án và sản phẩmCác Mô hình Ngôn ngữ Lớn (LLM) như ChatGPT đang thể hiện những khả năng ngoạn mục, nhưng quy mô và độ phức tạp của chúng đã ngăn cản nhiều người thực hành áp dụng chúng. Trong Hướng dẫn bắt đầu nhanh về mô hình ngôn ngữ lớn, nhà khoa học dữ liệu tiên phong và doanh nhân AI Sinan Ozdemir đã xóa bỏ những trở ngại đó và cung cấp hướng dẫn cách làm việc, tích hợp và triển khai LLM để giải quyết các vấn đề thực tế.Ozdemir tập hợp tất cả những gì bạn cần để bắt đầu, ngay cả khi bạn không có kinh nghiệm trực tiếp với LLM: hướng dẫn từng bước, phương pháp hay nhất, nghiên cứu trường hợp thực tế, bài tập thực hành, v.v. Đồng thời, anh ấy chia sẻ những hiểu biết sâu sắc về hoạt động bên trong của LLM để giúp bạn tối ưu hóa việc lựa chọn mô hình, định dạng dữ liệu, thông số và hiệu suất. Bạn thậm chí sẽ tìm thấy nhiều tài nguyên hơn trên trang web đồng hành, bao gồm các tập dữ liệu mẫu và mã để làm việc với LLM nguồn mở và mã nguồn đóng, chẳng hạn như các LLM từ OpenAI (GPT-4 và ChatGPT), Google (BERT, T5 và Bard), EleutherAI (GPT-J và GPT-Neo), Cohere (dòng Command) và Meta (BART và dòng LLaMA).Tìm hiểu các khái niệm chính: đào tạo trước, học chuyển giao, tinh chỉnh, chú ý, nhúng, mã thông báo, v.v.Sử dụng API và Python để tinh chỉnh và tùy chỉnh LLM theo yêu cầu của bạnXây dựng một hệ thống truy xuất thông tin thần kinh/ngữ nghĩa hoàn chỉnh và gắn vào LLM đàm thoại để tạo ra khả năng truy xuất tăng cườngNắm vững các kỹ thuật kỹ thuật nhắc nhở nâng cao như cấu trúc đầu ra, chuỗi suy nghĩ và nhắc nhở vài lần theo ngữ nghĩaTùy chỉnh phần nhúng LLM để xây dựng công cụ đề xuất hoàn chỉnh từ đầu với dữ liệu người dùngXây dựng và tinh chỉnh các kiến trúc Transformer đa phương thức bằng cách sử dụng LLM mã nguồn mởCăn chỉnh LLM bằng cách sử dụng Học tăng cường từ phản hồi của con người và AI (RLHF/RLAIF)Triển khai các lời nhắc và LLM được tinh chỉnh tùy chỉnh lên đám mây với lưu ý đến khả năng mở rộng và quy trình đánh giá"Bằng cách cân bằng tiềm năng của cả mô hình nguồn mở và nguồn đóng, Hướng dẫn bắt đầu nhanh về Mô hình ngôn ngữ lớn đóng vai trò là hướng dẫn toàn diện để hiểu và sử dụng LLM, thu hẹp khoảng cách giữa các khái niệm lý thuyết và ứng dụng thực tế."--Giada Pistilli, Nhà đạo đức chính tại HuggingFace"Một nguồn tài liệu mới mẻ và đầy cảm hứng. Chứa đầy những hướng dẫn thực tế và giải thích rõ ràng giúp bạn thông minh hơn về lĩnh vực mới đáng kinh ngạc này."--Pete Huang, tác giả cuốn The Neuron
- Foreword xvPreface xviiAcknowledgments xxiAbout the Author xxiiiPart I: Introduction to Large Language Models 1
- Chapter 1: Overview of Large Language Models 3What Are Large Language Models? 4Popular Modern LLMs 20Domain-Specific LLMs 22Applications of LLMs 23Summary 29
- Chapter 2: Semantic Search with LLMs 31Introduction 31The Task 32Solution Overview 34The Components 35Putting It All Together 51The Cost of Closed-Source Components 54Summary 55
- Chapter 3: First Steps with Prompt Engineering 57Introduction 57Prompt Engineering 57Working with Prompts Across Models 65Building a Q/A Bot with ChatGPT 69Summary 74Part II: Getting the Most Out of LLMs 75
- Chapter 4: Optimizing LLMs with Customized Fine-Tuning 77Introduction 77Transfer Learning and Fine-Tuning: A Primer 78A Look at the OpenAI Fine-Tuning API 82Preparing Custom Examples with the OpenAI CLI 84Setting Up the OpenAI CLI 87Our First Fine-Tuned LLM 88Case Study: Amazon Review Category Classification 93Summary 95
- Chapter 5: Advanced Prompt Engineering 97Introduction 97Prompt Injection Attacks 97Input/Output Validation 99Batch Prompting 103Prompt Chaining 104Chain-of-Thought Prompting 111Revisiting Few-Shot Learning 113Testing and Iterative Prompt Development 123Summary 124
- Chapter 6: Customizing Embeddings and Model Architectures 125Introduction 125Case Study: Building a Recommendation System 126Summary 144Part III: Advanced LLM Usage 145
- Chapter 7: Moving Beyond Foundation Models 147Introduction 147Case Study: Visual Q/A 147Case Study: Reinforcement Learning from Feedback 163Summary 173
- Chapter 8: Advanced Open-Source LLM Fine-Tuning 175Introduction 175Example: Anime Genre Multilabel Classification with BERT 176Example: LaTeX Generation with GPT2 189Sinan's Attempt at Wise Yet Engaging Responses: SAWYER 193The Ever-Changing World of Fine-Tuning 206Summary 207
- Chapter 9: Moving LLMs into Production 209Introduction 209Deploying Closed-Source LLMs to Production 209Deploying Open-Source LLMs to Production 210Summary 225Part IV: Appendices 227Appendix A: LLM FAQs 229Appendix B: LLM Glossary 233Appendix C: LLM Application Archetypes 239Index 243
.svg)