新書推薦：
《
预见6G
》
售價：HK$
96.8
《
全球视野下的投资机会
》
售價：HK$
96.8
《
地图中的战争史.陆战篇（一本书看透军事地图对500余年来近现代世界的塑造）
》
售價：HK$
184.8
《
我们的箱根驿传
》
售價：HK$
71.5
《
思想的手法：如何“做中国哲学”
》
售價：HK$
85.8
《
图说新质生产力2：智能制造 落地化解读新质生产力的内涵和精髓
》
售價：HK$
64.9
《
日本公司法（第四版）
》
售價：HK$
196.9
《
故宫叙事：百年守宝传奇
》
售價：HK$
86.9
|
| 編輯推薦： |
|
（1）打通完整Python开发链条：系统梳理大模型应用开发全流程，涵盖分词、词嵌入、向量数据库、提示词工程、模型微调与部署等关键技术，帮助开发者构建成体系的技能框架。 （2）主流工具一网打尽：聚焦Hugging Face、LangChain、RAG等当前最热门的大模型开发框架，讲解其原理与实操方法，配合可运行的代码与实战案例，快速上手、易于应用。 （3）项目实战导向，深度挖掘数字人场景：通过多个数字人电商项目实战，完整展示智能系统构建方式，贴近热门应用场景，增强实战价值与可落地性。 （4）内容循序渐进，初学与进阶开发者友好：全书由浅入深、结构清晰，从基础认知到高级实战，兼顾知识体系构建与动手能力提升，既适合AI开发初学者，也能帮助有经验的工程师补齐短板。 （5）作者技术实力深厚，经验提炼与代码实操双助力：作者倾力总结多年AI架构实战经验，结合真实项目中的痛点问题，提供一线开发技巧与工程化思维，帮助开发者在实践中掌握大模型开发的“术”与“道”。
|
| 內容簡介： |
|
这是一本聚焦Python大语言模型应用开发的实战指南。从基础知识出发，逐步深入讲解主流开发工具与关键技术，最终以当前热门的数字人电商直播项目为例，呈现完整的AI实战路径。 本书具有以下特色： ?由浅入深：本书各章节环环相扣，循序渐进，形成完整的知识体系。 ?注重实战：本书注重实践，引导读者在解决实际项目问题的过程中掌握知识。 ?内容新颖：本书均采用前沿、主流的技术和工具，使读者掌握先进的开发方法。 ?经验总结：本书是对作者近10年工作经验的总结，对AI初学者具有极高的参考价值。 全书分为三篇，共15章，具体内容如下： 第一篇：基础知识（第1、2章）。本篇介绍大语言模型及其应用开发的基础知识，为后续章节的学习奠定坚实的基础。 第二篇：开发技术（第3～10章）。本篇涵盖分词技术、词嵌入技术、向量数据库、提示词工程与优化、Hugging Face 入门与开发、LangChain入门与开发、大语言模型微调，以及大语言模型的部署等内容。这些主题构成了大语言模型应用开发的核心技术体系，掌握这些技术对于深入开发大语言模型至关重要。 第三篇：项目实战（第11～15章）。本篇聚焦数字人电商直播应用，包括数字人口播台词生成、直播间问答分类、直播间互动问答，以及直播间数据分析Text2SQL等实战项目。这些内容基于当前热门的数字人应用开发，具有很高的实践价值和参考意义。
|
| 關於作者： |
|
宿永杰拥有近10年的技术研发经验，专注于人工智能（AI）技术架构与研发，研究方向涵盖大数据处理、AI应用架构及智能系统开发。目前从事智能座舱语音对话系统的架构设计与研发工作。热衷于技术分享，长期活跃于技术社区，是CSDN博客专家，全网粉丝量超15万。
|
| 目錄：
|
|
CONTENTS目 录前言第一篇 基础知识第1章 大语言模型21.1 大语言模型概述21.1.1 大语言模型的定义21.1.2 大语言模型的分类31.1.3 大语言模型的应用场景31.2 大语言模型的演变与发展41.2.1 大语言模型的网络架构演变41.2.2 大语言模型发展的关键事件61.3 大语言模型的基础知识71.3.1 什么是算力71.3.2 显卡的基础知识71.3.3 大语言模型的参数数量与精度91.3.4 大语言模型的基本单位101.3.5 通用人工智能111.4 小结12第2章 Python大语言模型应用开发132.1 Python大语言模型应用开发的基础知识132.1.1 Python编程的基础知识132.1.2 接口的设计与优化212.1.3 大语言模型接口开发实战242.2 Docker容器的基础知识302.2.1 Docker基础命令302.2.2 Docker构建镜像322.2.3 Docker容器编排332.3 大语言模型与NLP342.3.1 NLP的研究任务342.3.2 传统NLP的技术实现路径352.3.3 大语言模型对传统NLP的影响362.4 小结36第二篇 开发技术第3章 分词技术383.1 分词383.1.1 什么是分词383.1.2 英文分词393.1.3 中文分词413.1.4 制作词云图443.2 常见的分词算法453.2.1 基于规则的分词算法463.2.2 基于统计的分词算法483.2.3 基于深度学习的分词算法503.2.4 基于预训练语言模型的分词算法513.3 使用大语言模型进行分词513.3.1 基于ChatGPT服务的分词513.3.2 基于本地大语言模型的分词523.4 小结53第4章 词嵌入技术544.1 词袋模型544.1.1 词袋模型的基本概念和原理544.1.2 词袋模型的构建554.2 词向量模型574.2.1 One-Hot编码584.2.2 Word2Vec模型594.3 大语言模型生成Embedding614.3.1 使用ChatGPT生成Embedding614.3.2 使用Text2Vec生成Embedding634.3.3 使用sentence-transformers生成Embedding644.3.4 使用Transformers库生成Embedding644.3.5 统计输入文本的Token数654.4 大语言模型的Embedding应用664.4.1 Embedding数据集准备674.4.2 Embedding数据2D可视化684.4.3 Embedding中文相似度计算684.5 小结70第5章 向量数据库715.1 向量数据库简介715.1.1 向量数据库的缘起715.1.2 向量数据库的特点725.1.3 与传统数据库的比较725.1.4 向量数据库的应用场景735.2 向量数据库的原理735.2.1 向量距离的度量745.2.2 相似度搜索算法755.3 向量数据库的应用765.3.1 FAISS向量数据库入门765.3.2 FAISS的相似度度量785.3.3 FAISS的索引分类785.3.4 FAISS的索引创建与操作795.3.5 FAISS的优化805.4 小结80第6章 提示词工程与优化816.1 认识提示词工程816.1.1 人机交互的演进816.1.2 什么是提示词826.1.3 提示词工程826.2 提示词工程的使用技巧836.2.1 使用文本分隔符836.2.2 赋予模型角色846.2.3 将过程分步拆解856.2.4 尽可能量化需求856.2.5 提供正反示例856.2.6 要求结构化输出866.2.7 合理进行限制866.2.8 使用链式思维876.3 使用提示词完成NLP任务886.3.1 使用提示词进行分词896.3.2 使用提示词提取关键词906.3.3 使用提示词进行文本分类906.3.4 使用提示词进行情感分析916.3.5 使用提示词进行文本摘要926.3.6 使用提示词进行中英文翻译936.4 小结93第7章 Hugging Face入门与开发957.1 Hugging Face简介957.1.1 什么是Hugging Face957.1.2 Hugging Face Hub客户端库967.2 Hugging Face数据集工具997.2.1 数据集工具简介997.2.2 数据集工具的基本操作1007.3 Hugging Face模型工具1067.3.1 Transformers简介1067.3.2 数据预处理1127.3.3 模型微调1147.3.4 模型评价指标1187.4 小结120第8章 LangChain入门与开发1218.1 初识LangChain1218.1.1 LangChain简介1218.1.2 LangChain的开发生态1228.2 模型I/O1248.2.1 模型I/O简介1248.2.2 提示词模板1258.2.3 模型包装器1288.2.4 输出解析器1338.3 数据增强1348.3.1 文档加载器1358.3.2 文档转换器1368.3.3 文本嵌入1378.3.4 向量存储库1388.3.5 检索器1408.4 链1418.5 小结142第9章 大语言模型微调1449.1 大语言模型微调概述1449.1.1 为什么需要微调1459.1.2 少样本提示与微调1459.1.3 微调的基本流程1469.2 大语言模型的微调策略1479.2.1 全面微调1479.2.2 参数高效微调1489.3 基于ChatGPT的微调1499.3.1 使用Fine-Tuning UI微调1509.3.2 使用CLI命令微调1519.3.3 使用API微调1539.4 基于Hugging Face的开源大模型微调1549.4.1 Accelerate介绍1549.4.2 PEFT介绍1599.5 小结160第10章 大语言模型的部署16110.1 MLOps与LLMOps16110.1.1 DevOps简介16110.1.2 MLOps简介16210.1.3 LLMOps简介16410.2 大语言模型量化部署16410.2.1 Qwen2-0.5B简介16510.2.2 ChatGLM3-6B简介16510.2.3 基于Qwen2-0.5B的CPU推理16610.2.4 基于ChatGLM3-6B的GPU量化推理16710.3 大语言模型部署实战16910.3.1 基于Gradio框架的网页部署16910.3.2 基于FastAPI框架的接口部署17110.4 小结173第三篇 项目实战第11章 数字人电商直播17611.1 数字人直播概述17611.1.1 数字人简介17611.1.2 品牌虚拟代言人17711.1.3 数字人与“人货场”17811.2 2D数字人核心技术17911.2.1 AI生成文案17911.2.2 AI语音合成18411.2.3 2D数字人口型驱动18611.2.4 2D数字人直播推流18711.3 2D数字人电商直播项目实战19011.3.1 数字人直播流程简介19011.3.2 大语言模型生成商品台词19111.3.3 TTS将商品台词转成音频19211.3.4 口型驱动生成2D数字人19211.3.5 2D数字人推流到直播间19411.4 小结196第12章 数字人口播台词生成19712.1 数字人口播台词生成概述19712.1.1 数字人直播的台词特点19712.1.2 数字人直播的台词编排20012.1.3 数字人直播的防封策略20112.2 数字人口播台词提示词模板20312.2.1 整段式商品台词提示词模板20312.2.2 分段式商品台词提示词模板20412.2.3 商品互动问答台词提示词模板20612.3 数字人口播台词生成项目实战20812.3.1 使用提示词模板生成口播台词20812.3.2 品牌知识库和提示词模板结合生成口播台词21112.4 小结215第13章 数字人直播间问答分类21613.1 文本分类简介21613.1.1 文本分类的方法21613.1.2 文本分类的模型及特点21813.1.3 文本分类的发展与挑战21913.2 文本分类器的训练过程22113.2.1 传统分类器的训练22113.2.2 提示词少样本学习22413.2.3 定制化微调预训练模型22613.3 数字人直播间问答分类项目实战22913.3.1 直播间问答分类简介22913.3.2 直播间问答分类流程23013.3.3 直播间问答分类实战23113.4 小结234第14章 数字人直播间互动问答23514.1 RAG知识库构建23514.1.1 RAG知识库基本概念23514.1.2 RAG知识库构建流程23614.1.3 RAG知识库的发展与挑战24114.2 RAG知识库的优化策略24314.2.1 非结构化文档解析优化24314.2.2 文档分块策略优化24314.2.3 中文Embedding优化24614.2.4 Rewrite优化24614.2.5 Rerank优化24714.2.6 混合技术优化信息检索24914.3 数字人直播间互动问答项目实战25014.3.1 数字人直播间互动问答简介25014.3.2 基于关键词检索的互动问答实现25214.3.3 基于RAG向量库检索的互动问答实现25414.3.4 基于RAG混合检索的互动问答实现25514.3.5 基于大语言模型微调的互动问答实现25714.4 小结257第15章 数字人直播间数据分析Text2SQL25815.1 数据分析的本质25815.2 数据分析的思维和方法论25915.2.1 费米估计25915.2.2 辛普森悖论26115.2.3 必知必会的两个原则26215.2.4 三种思考模型26315.2.5 四大战略分析工具26515.2.6 五大生命周期理论26615.2.7 数字化营销的“六脉神剑”27015.3 数字人直播间数据分析Text2SQL项目实战27315.3.1 Text2SQL概述27315.3.2 Text2SQL开源项目简介27615.3.3 Text2SQL项目实战27715.4 小结283
|
| 內容試閱：
|
|
Preface前 言大语言模型的崛起是人工智能发展史上的一个重要里程碑。早期的自然语言处理（NLP）依赖经验规则和简单的统计方法，随后逐步发展为基于机器学习的模型。然而，这些模型在应对复杂的语言理解和生成任务时表现平平。随着深度学习和大规模数据的结合，特别是Transformer架构的引入，诞生了像GPT系列这样的大语言模型。大语言模型的进步不仅反映了人工智能技术的历史演变，也预示着未来人工智能在更复杂任务中发挥更大作用的可能性。近年来，随着模型的规模不断扩大，参数量从百万级跃升到千亿级，模型在复杂语言任务中的表现有了显著提升。在企业中，大语言模型已被广泛应用于提升生产力，如自动生成文案、编写代码、处理客户服务请求和进行复杂的数据分析等。除此之外，大语言模型在跨领域学习、增强推理能力和理解多模态数据等方面也展现出巨大潜力，它在金融、医疗、法律、科学研究等领域的应用，加快了这些领域的创新进程，进而推动了社会的整体进步。总结来说，大语言模型不仅是人工智能技术发展的重要里程碑，还通过提升工作效率、推动技术创新以及促进人类进步，展现了其广阔的发展前景。随着技术的进一步发展，大语言模型将继续在各个领域产生深远的影响。在我的实践中，大语言模型作为一项突破性的技术，展现出了诸多不可否认的优势。然而，在实际的开发和使用过程中，仍然需要对许多地方进行微调和优化，以确保大语言模型在各种应用场景中的有效性和可靠性。例如：提示词的编写质量直接影响到最终生成结果的准确性和相关性；大语言模型的解释性较差，并且可能出现“幻觉”现象，生成虚假或不准确的信息；在资源有限的情况下，量化技术的应用显得尤为重要，它能够有效降低计算资源的消耗。此外，在特定领域的应用中，大语言模型往往需要进行微调，以适应具体需求；在检索增强生成（RAG）应用中，多个环节需要不断优化，以提升系统的准确度和召回率。本书将重点总结和探讨这些问题，旨在帮助读者充分利用大语言模型，最大限度地发挥其价值。本书特色本书尽量避免纯理论知识的讲述，重点突出实战入门，内容通俗易懂，案例丰富且实用性强。本书具有以下特色：由浅入深：本书各章节环环相扣，由浅入深，形成完整的知识体系。注重实践：本书注重动手实践，引导读者在解决实际项目问题的过程中掌握知识。内容新颖：本书涉及的技术和工具大多处于前沿领域，具有较强的新颖性。经验总结：本书内容是对作者近10年工作经验的总结，对初学者具有极高的参考价值。如何阅读本书本书从大语言模型开发的基础知识入手，逐步深入探讨大语言模型的常用开发工具，并在最后介绍当前备受关注的数字人电商直播项目中的大语言模型AI实战案例。通过阅读本书，读者不仅可以系统地学习大语言模型开发的相关知识，还能对数字人直播应用的开发有更为深入的理解。全书分为三篇，共15章，具体内容如下：第一篇：基础知识（第1章和第2章）。本篇介绍大语言模型及其应用开发的基础知识，为后续章节的学习奠定坚实的基础。第二篇：开发技术（第3～10章）。本篇涵盖分词技术、词嵌入技术、向量数据库、提示词工程与优化、Hugging Face入门与开发、LangChain入门与开发、大语言模型微调，以及大语言模型的部署等内容。这些主题构成了大语言模型应用开发的核心技术体系，掌握这些技术对于深入开发大语言模型至关重要。第三篇：项目实战（第11～15章）。本篇聚焦数字人电商直播应用，包括数字人口播台词生成、直播间问答分类、直播间互动问答，以及直播间数据分析Text2SQL等实战项目。这些内容基于当前热门的数字人应用开发，具有很高的实践价值和参考意义。读者如果在阅读本书的过程中遇到问题，可以通过邮件与我联系，地址为soyoger@gmail.com。读者对象本书适合以下读者阅读：对大语言模型开发感兴趣的人。对电商数字人项目感兴趣的人。大语言模型应用初、中级开发工程师。想系统学习大语言模型开发的工程师。致谢首先，我要特别感谢我的家人，感谢他们在我写书期间给予的悉心照顾，让我能够全身心地专注于本书的撰写。其次，我要感谢我曾经任职的公司为我提供宝贵的工作机会，同时也感谢领导、同事们在工作中提供的学习和交流机会，让我得以在职业生涯中不断成长和进步。最后，我要衷心感谢罗雨露老师。她不仅是我写作道路上的伯乐，还在我撰写本书的过程中给予了大量指导。本书的顺利出版，离不开她的专业能力和对工作的严谨态度。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
