1.1.1 LLM的概念
为了区分不同参数尺度的语言模型,研究界为大规模的PLM(例如,包含数百亿或数千亿个参数)创造了术语“大型语言模型”LLM。
1.1.2 LLM的能力与缩放定律
LLM的能力
涌现能力LLMs被正式定义为“在小型模型中不存在但在大型模型中出现的能力”,这是LLMs区别于以往PLM的最突出特征之一。当出现紧急能力时,它进一步引入了一个显着的特征:当规模达到一定水平时,性能明显高于随机性。以下是三种经典的涌现能力:
- In-context learning
假设语言模型已经提供了自然语言指令和/或多个任务演示,它可以通过完成输入文本的单词序列来生成测试实例的预期输出,而无需额外的训练或梯度更新 - Instruction following
通过指令调优,LLMs可以在不使用显式示例的情况下遵循新任务的任务指令,从而具有更高的泛化能力。 - Step-by-step reasoning
LLMs可以通过利用涉及中间推理步骤的提示机制来推导出最终答案来解决例如数学或者单词任务
LLM的缩放定律
缩放可以在很大程度上提高 LLMs的模型容量
- KM scaling law
(1-a)L(N)=(NCN)αN,αN∼0.076,NC∼8.8×1013(1-b)L(D)=(DCD)αN,αD∼0.095,DC∼5.4×1013(1-c)L©=(CCC)αN,αC∼0.050,CC∼3.1×1013
- Chinchilla scaling law
(2-a)L(N,D)=E+ANα+BDβ
其中E=1.69,A=406.4,B=410.7,α=0.34和β=0.28通过优化约束C≈6ND下的损失L(N,D)可以推导出如下最佳分配:
(2-b)Nopt©=G(C6)α,Dopt©=G−1(C6)b
以下是推导过程:
为了找到最优的N和D,我们可以通过最小化损失函数L(N,D)来解决这个问题。首先,我们需要计算L(N,D)的梯度,然后令梯度等于零,以找到损失函数的最小值点。
首先计算L(N,D)的梯度:∂L∂N=−αANα+1
∂L∂D=−βBDβ+1
令∂L∂N=0和∂L∂D=0,得到:
ANα+1=BDβ+1
由于C≈6ND,我们可以得到D=C6N,将其代入上面的等式中,得到:
ANα+1=B(C6N)β+1
化简得到:
Nα=AGC,Dβ=BGC
因此,最优的N和D可以表示为:
Nopt©=G(C6)α,Dopt©=G−1(C6)β
其中G=(AGC)1α。这就是通过优化约束C≈6ND下的损失L(N,D)推导出的最佳分配。
1.2.1 RAG的概念
图(1)
图(1)显示了RAG应用于问答的三个步骤:
- Indexing:文档被拆分为块,编码为向量,并且储存在向量数据库中
- Retrieval:根据语义的相似性检索与问题最相关的前k个块
- Generation:将原始问题和检索到的块一起输入以LLM生成最终答案
1.2.2 RAG的增强过程
迭代检索
迭代检索是根据初始查询和到目前为止生成的文本重复搜索知识库的过程,为 LLMs提供更全面的知识库。这种方法已被证明可以通过多次检索迭代提供额外的上下文引用来增强后续答案生成的鲁棒性。但是,它可能会受到语义不连续性和不相关信息积累的影响。
递归检索
递归检索通常用于信息检索和 NLP,以提高搜索结果的深度和相关性。该过程涉及根据从先前搜索中获得的结果迭代优化搜索查询。递归检索旨在通过反馈循环逐渐收敛到最相关的信息,从而增强搜索体验。
自适应检索
通过主动确定检索的最佳时刻和内容来完善RAG框架LLMs,从而提高信息来源的效率和相关性。
1.3.1LangChain简要介绍
LangChain 是一个开源框架,允许AI开发人员将 GPT-4 等大型语言模型(LLMs)与外部数据相结合
1.3.2 LangChain的核心组件
- Models (LLM Wrappers) 模型 (LLM 包装纸)
- Prompts 提示
- Chains 链
- Embeddings and Vector Stores 嵌入和矢量存储
- Agents 代理
- Callback 回调
环境配置
电脑配置
运行
Copy
git clone git@github.com:datawhalechina/llm-universe.git
的时候出现以下错误
Copy
fatal: Could not read from remote repository.
Please make sure you have the correct access rights
and the repository exists.
原因是更新了win11之后ssh应该重新创建添加
重新添加后成功克隆
图(2)
创建虚拟环境并且激活
Copy
python -m venv .venv
..venv\Scripts\Activate.ps1
安装库文件
Copy
pip install -r requirements.txt -y
结果:
如何系统的去学习AI大模型LLM ?
作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的 AI大模型资料
包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
所有资料 ⚡️ ,朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》,扫码获取~
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI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。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
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
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~