前言

在当今快速发展的科技时代，人工智能（AI）技术正以前所未有的速度改变着我们的生活和工作方式。其中，大模型技术，尤其是基于Transformer架构的自然语言处理模型，已经成为推动这一变革的核心力量。无论是生成式AI的应用，还是多模态模型的创新，都在不断地拓展着AI的边界。对于想要深入了解和掌握这些技术的开发者和研究者来说，以下三本书将是你不可多得的指南，帮助你从理论到实践，全面探索大模型的潜力。

为什么选择这三本书？

• 全面覆盖：从模型的预训练与优化，到实际应用开发，再到技术原理的深入解析，这三本书几乎涵盖了大模型领域的所有关键方面。
• 实战导向：书中不仅有理论知识，更包含了大量的代码示例和实际案例，让读者能够边学边练，快速掌握大模型的开发和应用技巧。
• 适合不同层次：无论你是刚入门的学习者，还是经验丰富的开发者，这三本书都能为你提供适合的内容和深度，帮助你在AI领域不断成长。

《Python预训练视觉和大语言模型》：从零开始构建强大的AI模型

《Python预训练视觉和大语言模型》由经验丰富的AWS和机器学习专家Emily Webber撰写，涵盖的内容十分广泛，包括构思项目，准备数据集，训练、评估和部署大型语言、视觉及多模态模型。本书循序渐进地讲述基本概念并列举实例，指导你预训练和准备数据集及模型，配置环境，并训练、微调、评估、部署和优化基础模型。

学习本书后，你将能按照缩放法则在多个GPU上分布模型和数据集，消除偏差，实现高吞吐量以及构建部署管道。最后，你将完全有能力开发个人项目，对基础模型进行预训练和微调。

书中不仅详细介绍了如何在AWS和Amazon SageMaker平台上高效训练视觉和语言模型，还深入探讨了分布式训练的关键技术，如多GPU并行计算和数据分发策略。无论你是想训练一个视觉模型，还是构建一个多模态应用，这本书都能为你提供坚实的技术基础。

更为可贵的是，Emily分享了许多实际训练中的“坑”和解决方案，比如如何避免训练过程中的常见问题，如何通过健康检查确保训练的稳定性。这些实战经验将极大提升你的开发效率，帮助你少走弯路。

内容简介：

• 为预训练和微调寻找合适的用例和数据集
• 使用定制的加速器和GPU,为大规模训练做好准备
• 配置AWS和SageMaker环境,最大限度地提高性能
• 根据模型和约束条件选择超参数
• 使用多种并行方式分发模型和数据集
• 利用作业重启、间歇性健康检查等方式避开陷阱
• 定性和定量地评估模型
• 部署模型，在运行时进行改进和监控

本书希望能为这些非常重要的问题提供答案。毋庸置疑，这个领域的创新速度真的很惊人，每天都有比昨天更多的基础模型从开源和专有模型供应商那里上线。为了应对这一现实，我试图在整本书中关注最重要的概念基础。这意味着你在这里的认真学习能在未来几年得到回报。

在实际应用和指导方面，我主要关注通过AWS，特别是Amazon SageMaker提供云计算选项。在过去5年多里，我在AWS度过了非常愉快的时光，我很乐意与你分享我所有的知识和经验！注意，本书中分享的所有想法和观点都是我自己的，并不代表亚马逊的观点。

基础模型永久改变了机器学习。从BERT到ChatGPT，从CLIP到Stable Diffusion，当数十亿个参数、大数据集与成百上千个GPU相结合时，结果刷新了纪录。《Python预训练视觉和大语言模型》呈现的真知灼见和示例代码将帮你在AWS和Amazon SageMaker上从头开始预训练和优化基础模型，并将它们应用到整个组织的数百个用例中。

Emily Webber是AWS的首席ML专家解决方案架构师，专门从事大型语言和视觉模型的分布式训练。Emily在AWS社区广为人知，在YouTube上发布了由16个视频组成的SageMaker系列，视频播放量高达21.1万次。Emily曾在2019年伦敦人工智能大会上发表过主题演讲。

当当链接：https://product.dangdang.com/29839236.html

LangChain大模型应用开发

拥有了强大的大模型，如何将其应用于实际业务场景中？《LangChain大模型应用开发》为你提供了清晰的路线图。通过LangChain框架，作者Ben Auffarth展示了如何快速构建高效、可靠的LLM应用程序，从智能问答系统到复杂的聊天机器人，应用场景覆盖了客户支持、数据分析等多个领域。

书中不仅通过大量案例展示了LangChain的强大功能，还深入探讨了提示工程和模型微调的最佳实践。Ben强调了负责任地使用大模型的重要性，这不仅关乎技术实现，更涉及到对社会和伦理的考量。

如果你想要将大模型的能力转化为实际的生产力，《LangChain大模型应用开发》无疑是一本不可多得的实践手册。

《LangChain大模型应用开发》帮助读者在项目中探索微调、提示工程以及部署和监控的最佳实践时，解锁LLM的全部潜力。无论你是构建创意写作工具、开发复杂的聊天机器人，还是制作尖端的软件开发辅助工具，《LangChain大模型应用开发》都将是你的路线图，帮助你自信且创造性地掌握生成式人工智能的变革力量。

• 使用LangChain创建LLM应用,如问答系统和聊天机器人
• 理解变换模型和注意力机制
• 使用pandas和Python自动进行数据分析和可视化
• 掌握提示工程以提高LLM性能
• 微调LLM并了解释放其力量的工具
• 将LLM作为服务部署,并应用评估策略

在充满活力、飞速发展的人工智能领域，生成式人工智能作为一股颠覆性力量脱颖而出，它将改变我们与技术的交互方式。《LangChain大模型应用开发》是对大规模语言模型(Large Language Model，LLM)(推动这一变革的强大引擎)这一错综复杂的世界的一次探险，旨在让开发人员、研究人员和人工智能爱好者掌握利用这些工具所需要的知识。

探究深度学习的奥秘，让非结构化数据焕发生机，了解GPT-4等大规模语言模型如何为人工智能影响企业、社会和个人开辟道路。随着科技行业和媒体对这些模型的能力和潜力的热切关注，现在正是探索它们如何发挥作用、蓬勃发展并推动我们迈向未来的大好时机。

这本书就像你的指南针，指引你理解支撑大规模语言模型的技术框架。本书提供了一个引子，让你了解它们的广泛应用、基础架构的精巧以及其存在的强大意义。《LangChain大模型应用开发》面向不同的读者，从初涉人工智能领域的人到经验丰富的开发人员。我们将理论概念与实用的、代码丰富的示例融为一体，让你不仅从知识上掌握大规模语言模型，还能创造性地、负责任地应用大规模语言模型。

当我们一起踏上这段旅程时，让我们做好准备，塑造此时此刻正在展开的人工智能生成叙事，同时也被它所塑造——在这一叙事中，你将用知识和远见武装自己，站在这一令人振奋的技术演进的最前沿。

Ben Auffarth是一位经验丰富的数据科学领导者，拥有计算神经科学博士学位。Ben分析过TB级数据，在核数多达64k的超级计算机上模拟过大脑活动，设计并开展过湿法实验室实验，构建过处理承保应用的生产系统，并在数百万文档上训练过神经网络。他著有Machine Learning for Time?Series和Artificial Intelligence with Python Cookbook两本书，现于Hastings Direct从事保险工作。

当当链接：https://product.dangdang.com/29826792.html

大模型应用解决方案 基于ChatGPT和GPT-4等Transformer架构的自然语言处理

对于想要深入了解大模型技术原理的读者来说，这本书将为你打开一扇新的大门。作者Denis Rothman从Transformer架构的基本原理出发，深入解析了BERT、GPT、T5等流行模型的工作机制，并展示了如何将这些模型应用于文本摘要、情感分析、机器翻译等经典NLP任务。

书中不仅涵盖了传统的NLP任务，还探讨了如何将Transformer扩展到计算机视觉和语音识别等领域。通过实际的案例，读者可以学习到如何使用PyTorch和TensorFlow等框架，从头开始预训练和微调模型。此外，Denis还特别关注了如何应对NLP领域中的难题，比如假新闻的检测与防范，这为读者提供了全面的技术视角。

《基于GPT-3、ChatGPT、GPT-4等Transformer架构的自然语言处理》可作为所有对Transformer 工作原理感兴趣的人的参考书。作者在理论和实践两方面都做出了出色的工作，详细解释了如何逐步使用Transformer。阅读完本书后，你将能使用这一最先进的技术集合来增强你的深度学习应用能力。本书在详细介绍BERT、RoBERTa、T5 和GPT-3 等流行模型前，先讲述了Transformer 的架构以便为你的学习奠定坚实基础。本书还讲述了如何将Transformer 应用于许多用例，如文本摘要、图像标注、问答、情感分析和假新闻分析等。
如果你对这些主题感兴趣，那么本书绝对是值得一读的。

Transformer正在颠覆AI领域。市面上有这么平台和Transformer模型，哪些最符合你的需求？ 将引领你进入Transformer的世界，将讲述不同模型和平台的优势，指出如何消除模型的缺点和问题。本书将引导你使用Hugging Face从头开始预训练一个RoBERTa模型，包括构建数据集、定义数据整理器以及训练模型等。 《基于GPT-3、ChatGPT、GPT-4等Transformer架构的自然语言处理》分步展示如何微调GPT-3等预训练模型。研究机器翻译、语音转文本、文本转语音、问答等NLP任务，并介绍解决NLP难题的技术，甚至帮助你应对假新闻焦虑(详见第13章)。 从书中可了解到，诸如OpenAI的高级平台将Transformer扩展到语言领域、计算机视觉领域，并允许使用DALL-E 2、ChatGPT和GPT-4生成代码。通过本书，你将了解到Transformer的工作原理以及如何实施Transformer来决NLP问题。

• 了解用于解决复杂语言问题的新技术
• 将GPT-3与T5、GPT-2和基于BERT的Transformer的结果进行对比
• 使用TensorFlow、PyTorch和GPT-3执行情感分析、文本摘要、非正式语言分析、机器翻译等任务

Transformer 是自然语言理解(Natural Language Understanding，NLU)的游戏规则改变者，NLU 是自然语言处理(Natural Language Processing，NLP)的一个子集。NLU已成为全球数字经济中AI 的支柱之一。

Transformer 模型标志着AI 新时代的开始。语言基础已成为语言建模、聊天机器人、个人助理、问答、文本摘要、语音转文本、情绪分析、机器翻译等的支柱。社交网络正在取代实体接触，电子商务正在取代实体购物，数字报纸、流媒体正在取代实体剧院，远程文档咨询正在取代实体访问，远程工作正在取代现场办公，我们正在见证数百个领域的类似趋势。如果没有理解AI 语言，社会上使用网络浏览器、流媒体服务和任何涉及语言的数字活动都将非常困难。我们的社会从物理信息到海量数字信息的范式转变迫使AI 进入一个新时代。AI 已经发展到数十亿级参数模型，以应对万亿级单词数据集的挑战。

Transformer 架构具有革命性和颠覆性，它打破了过往RNN 和CNN 的主导地位。BERT 和GPT 模型放弃了循环网络层，使用自注意力机制取而代之。Transformer 模型优于RNN 和CNN。这是AI 历史上划时代的重大变化。

在不到4 年的时间里，Transformer 模型以其强大的性能和创新的思想，迅速在NLP 社区崭露头角，打破了过去30 年的记录。BERT、T5 和GPT 等模型现在已成为计算机视觉、语音识别、翻译、蛋白质测序、编码等各个领域中新应用的基础构件。因此，斯坦福大学最近提出了“基础模型”这个术语，用于定义基于巨型预训练Transformer 的一系列大型语言模型。所有这些进步都归功于一些简单的想法。

Denis Rothman 毕业于法国巴黎索邦大学和狄德罗大学，设计了首批获得专利的编码和嵌入系统，编写了首批获得专利的AI 认知机器人和机器人。他的职业生涯始于为Moët et Chandon 提供NLP(自然语言处理)聊天机器人，并为空中客车公司(前身为Aerospatiale)提供AI 战术防御优化器。此后，Denis 为IBM 和奢侈品牌开发了AI资源优化器，并最终发展为在全球范围内使用的APS(高级规划和调度)解决方案。

当当链接：https://product.dangdang.com/29666036.html

写在最后

在人工智能技术日新月异的今天，掌握大模型的核心技术和应用能力，已经成为每个开发者和研究者的必修课。这三本书不仅为你提供了扎实的理论基础，还通过丰富的实践案例，帮助你将这些知识转化为实际的生产力。无论你是想构建复杂的AI系统，还是探索大模型的前沿应用，这三本书都将是你不可或缺的伙伴。

所以，现在就开启你的AI之旅吧！让这三本书带领你进入一个充满可能性的世界，帮助你在这个快速变化的领域中找到属于自己的位置。未来，掌握大模型的力量，你将能够创造出更多令人惊叹的应用，推动人工智能技术迈向新的高度！