大模型新书丨《大规模语言模型：从理论到实践》（附PDF）

大语言模型

于 2025-04-12 09:39:46 发布

阅读量795

点赞数 28

文章标签： LLM 大模型智能手机 AI大模型人工智能程序员

本文链接：https://blog.csdn.net/2301_81940605/article/details/147159830

版权

本次阅读书目：《大规模语言模型：从理论到实践》

作者：张奇、桂韬、郑锐、⻩萱菁

出版时间：2023 年 9 月 10 日

一、带着学习目的读书

同事推荐的书，因为读完上一本AI技术相关的书后，疑问更深了。

那就继续阅读吧。

定个小目标，先读10本相关的书。

本书思维导图：

二、学习心得分享

（一）大规模语言模型基本概念

LLM：大规模语言模型（Large Language Models，LLM），也称大语言模型或大型语言模型，是一种由包含数百亿以上参数的深度神经网络构建的语言模型，通常使用自监督学习方法通过大量无标注文本进行训练。

LM：语言模型（Language Model，LM），目标就是建模自然语言的概率分布。

大语言模型的发展历程：从n元语言模型到神经语言模型，再到预训练语言模型。

大规模语言模型发展时间线：

深度神经网络需要采用有监督方法，使用标注数据进行训练，因此，语言模型的训练过程也不可避免需要构造训练语料。但是由于训练目标可以通过无标注文本直接获得，从而使得模型的训练仅需要大规模无标注文本即可。语言模型也成为了典型的自监督学习（Self-supervised Learning）任务。互联网的发展，使得大规模文本非常容易获取，因此训练超大规模的基于神经网络的语言模型也成为了可能。

将预训练模型应用于下游任务时，不需要了解太多的任务细节，不需要设计特定的神经网络结构，只需要“微调”预训练模型，使用具体任务的标注数据在预训练语言模型上进行监督训练，就可以取得显著的性能提升。这类方法通常称为预训练语言模型（Pre-trained Language Models，PLM）。

大语言模型构建的四个主要阶段：预训练、有监督微调、奖励建模和强化学习。

OpenAI 使用的大规模语言模型构建流程：

（二）大语言模型基础

Transformer 模型：是谷歌在 2017 年提出并首先应用于机器翻译的神经网络模型结构。

生成式预训练语言模型 GPT：由多层 Transformer 组成的单向语言模型，主要分为输入层，编码层和输出层三部分。

（三）语言模型训练数据

数据来源：通用数据和专业数据。

数据处理：低质过滤、冗余去除、隐私消除、词元切分。

数据影响分析：数据规模、质量、多样性对模型性能的影响。

开源数据集合：Pile、ROOTS、RefinedWeb、SlimPajama等。

（四）分布式训练

分布式训练将模型训练任务拆分成多个子任务，分发给多个计算设备。

并行策略：数据并行、模型并行、混合并行。

集群架构：高性能计算集群硬件组成、参数服务器架构、去中心化架构

DeepSpeed 实践：它采用了多种技术手段来加速训练，包括模型并行化、梯度累积、动态精度缩放和本地模式混合精度等。此外，DeepSpeed 还提供了一些辅助工具，例如分布式训练管理、内存优化和模型压缩，以帮助开发者更好地管理和优化大规模深度学习训练任务。

DeepSpeed 软件架构：

（五）有监督微调

有监督微调（Supervised Finetuning, SFT）又称指令微调（Instruction Tuning），是指在已经训练好的语言模型的基础上，通过使用有标注的特定任务数据进行进一步的微调，从而使得模型具备遵循指令的能力。

提示学习和语境学习：利用少量高质量数据集合进行微调。

高效模型微调：LoRA、Delta Tuning等模型高效微调方法。

指令数据构建：手动构建指令、自动生成指令、开源指令数据集。

（六）强化学习

模型不能适用自然语言多样性，也不能解决微小变化的敏感性问题。强化学习则将模型输出文本作为一个整体进行考虑，其优化目标是使得模型生成高质量回复。

奖励模型：数据收集、模型训练、开源数据。

近端策略优化：策略梯度、广义优势估计、近端策略优化算法。

（七）大语言模型应用

推理规划：

思维链提示：除了将问题输入给模型外，还将类似题目的解题思路和步骤输入模型，使得模型不仅输出最终结果，还输出中间步骤，从而提升模型的推理能力的方法。

由少至多提示：利用大语言模型的规划能力，将复杂问题分解为一系列的子问题并依次解决它们。

综合应用框架：

LangChain框架核心模块：核心目标是为了连接多种大语言模型（如 OpenAI、LLaMA 等）和外部资源（如 Google、Wikipedia、Notion 以及 Wolfram 等），提供抽象和工具以在文本输入和输出之间进行接口处理。

LangChain 的提供了以下 6 种标准化、可扩展的接口并且可以外部集成的核心模块：模型输入/输出（Model I/O）与语言模型交互的接口；数据连接（Data connection）与特定应用程序的数据进行交互的接口；链（Chains）用于复杂的应用的调用序列；智能体（Agents）语言模型作为推理器决定要执行的动作序列；记忆（Memory）用于链的多次运行之间持久化应用程序状态；回调（Callbacks）记录和流式传输任何链式组装的中间步骤。

知识库问答实践。

知识库问答系统主要包含以下几个主要步骤：

（1）收集领域知识数据构造知识库，这些数据应当能够尽可能的全面覆盖问答需求；

（2）将知识库中的对非结构数据进行文本提取和文本拆分，得到文本块；

（3）利用嵌入向量表示模型给出文本块嵌入表示，并利用向量数据库进行保存；

（4）根据用户输入信息的嵌入表示，通过向量数据库检索得到最相关文本片段，利用提示词模板与用户输入以及历史消息合并输入大语言模型；

（5）将大语言模型结果返回用户。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望