新書推薦:
《
中国年画 1950-1990 THE NEW CHINA: NEW YEAR PICTURE 英文版
》
售價:NT$
1100.0
《
革命与反革命:社会文化视野下的民国政治(近世中国丛书)
》
售價:NT$
435.0
《
画楼:《北洋画报》忆旧(年轮丛书)
》
售價:NT$
1573.0
《
大国脊梁:漫画版
》
售價:NT$
374.0
《
跟着渤海小吏读历史:大唐气象(全三册)
》
售價:NT$
989.0
《
心智的构建:大脑如何创造我们的精神世界
》
售價:NT$
352.0
《
美国小史(揭秘“美国何以成为美国”,理解美国的经典入门读物)
》
售價:NT$
352.0
《
中国古代北方民族史丛书——东胡史
》
售價:NT$
576.0
編輯推薦:
《实战AI大模型》详细介绍了从基本概念到实践技巧的诸多内容,全方位解读AI大模型,循序渐进、由浅入深。书中配有二维码视频,使读者身临其境,迅速、深入地掌握各种经验和技巧。本书还附带了丰富的额外资源:开源工具和库、数据集和模型案例研究和实际应用、在线交流社区等。读者可以综合利用这些资源,获得更丰富的学习体验,加速自己的学习和成长。
內容簡介:
《实战AI大模型》是一本旨在填补人工智能(AI)领域(特别是AI大模型)理论与实践之间鸿沟的实用手册。书中介绍了AI大模型的基础知识和关键技术,如Transformer、BERT、ALBERT、T5、GPT系列、InstructGPT、ChatGPT、GPT 4、PaLM和视觉模型等,并详细解释了这些模型的技术原理、实际应用以及高性能计算(HPC)技术的使用,如并行计算和内存优化。
同时,《实战AI大模型》还提供了实践案例,详细介绍了如何使用Colossal AI训练各种模型。无论是人工智能初学者还是经验丰富的实践者,都能从本书学到实用的知识和技能,从而在迅速发展的AI领域中找到适合自己的方向。
關於作者:
尤洋,清华大学硕士,加州伯克利大学博士,新加坡国立大学计算机系校长青年教授(Presidential Young Professor)。曾创造ImageNet、BERT、AlphaFold、ViT训练速度的世界纪录,相关技术被广泛应用于谷歌、微软、英特尔、英伟达等科技巨头。近三年以第一作者身份在NIPS,ICLR,SC,IPDPS,ICS等国际重要会议或期刊上发表论文十余篇,曾以第一作者身份获国际并行与分布式处理大会(IPDPS)的Best Paper Award(0.8%获奖率)和国际并行处理大会(ICPP)的Best Paper Award(0.3%获奖率),也曾以通讯作者身份获得了国际人工智能大会 (AAAI)的杰出论文奖(0.14%获奖率)和国际计算语言学大会 (ACL)的杰出论文奖(0.86%获奖率),总计发表论文近百篇。曾获清华大学优秀毕业生及当时清华大学计算机系数额最高的西贝尔奖学金,美国计算机协会(ACM)官网上唯一颁给在读博士生的ACM-IEEE CS George Michael Memorial HPC Fellowship,颁发给伯克利优秀毕业生的Lotfi A. Zadeh Prize。他被UC Berkeley提名为ACM Doctoral Dissertation Award候选人。他曾任职于谷歌,微软,英伟达,英特尔,IBM,2021年入选福布斯30岁以下精英榜(亚洲)并获得IEEE-CS超算杰出新人奖。
目錄 :
第1章 深度学习中的AI大模型
1.1 AI大模型在人工智能领域的兴起
1.1.1 AI大模型的发展与挑战
1.1.2 AI大模型为何难以训练
1.2 深度学习框架入门
1.2.1 搭建神经网络
1.2.2 训练一个文本分类器
第2章 分布式系统:AI大模型的诞生之所
2.1 深度学习与分布式系统
2.1.1 从分布式计算到分布式AI系统
2.1.2 大规模分布式训练平台的关键技术
2.1.3 Colossal AI应用实践
2.2 AI大模型训练方法
2.2.1 梯度累积和梯度裁剪
2.2.2 大批量优化器LARSLAMB
2.2.3 模型精度与混合精度训练
2.3 异构训练
2.3.1 异构训练的基本原理
2.3.2 异构训练的实现策略
2.4 实战分布式训练
2.4.1 Colossal AI环境搭建
2.4.2 使用Colossal AI训练第一个模型
2.4.3 AI大模型的异构训练
第3章 分布式训练:上千台机器如何共同起舞
3.1 并行策略基础原理
3.1.1 数据并行:最基本的并行训练范式
3.1.2 张量并行:层内模型并行
3.1.3 流水线并行的原理与实现
3.2 高级并行策略基础原理
3.2.1 序列并行:超长序列模型训练
3.2.2 混合并行:扩展模型到千亿参数
3.2.3 自动并行:自动化的分布式并行训练
3.3 实战分布式训练
3.3.1 应用模型并行策略的实际案例
3.3.2 结合多种并行策略的训练实践
第4章 AI大模型时代的奠基石Transformer模型
4.1 自然语言处理基础
4.1.1 自然语言任务介绍
4.1.2 语言输入的预处理
4.1.3 序列到序列模型
4.2 Transformer详解
4.2.1 Transformer模型结构
4.2.2 注意力与自注意力机制
4.2.3 Transformer中的归一化
4.3 Transformer的变体与扩展
4.3.1 变体模型汇总
4.3.2 Transformer序列位置信息的编码处理
4.3.3 Transformer训练
第5章 AI大幅度提升Google搜索质量:BERT模型
5.1 BERT模型详解
5.1.1 BERT模型总体架构与输入形式
5.1.2 BERT模型预训练任务
5.1.3 BERT模型的应用方法
5.2 高效降低内存使用的ALBERT模型
5.2.1 基于参数共享的参数缩减方法
5.2.2 句子顺序预测(SOP)预训练任务
5.3 BERT模型实战训练
5.3.1 构建BERT模型
5.3.2 并行训练BERT模型
第6章 统一自然语言处理范式的T5模型
6.1 T5模型详解
6.1.1 T5模型架构和输入输出——文本到文本
6.1.2 T5模型预训练
6.1.3 T5模型应用前景及未来发展
6.2 统一BERT和GPT的BART模型
6.2.1 从BERT、GPT到BART
6.2.2 BART模型预训练
6.2.3 BART模型的应用
6.3 统一语言学习范式的UL2框架
6.3.1 关于语言模型预训练的统一视角
6.3.2 结合不同预训练范式的混合去噪器
6.3.3 UL2的模型性能
6.4 T5模型预训练方法和关键技术
第7章 作为通用人工智能起点的GPT系列模型
7.1 GPT系列模型的起源
7.1.1 GPT的训练方法和关键技术
7.1.2 GPT的模型性能评估分析
7.2 GPT 2模型详解
7.2.1 GPT 2的核心思想
7.2.2 GPT 2的模型性能
7.3 GPT 3模型详解
7.3.1 小样本学习、一次学习与零次学习的异同
7.3.2 GPT 3的训练方法和关键技术
7.3.3 GPT 3的模型性能与效果评估
7.4 GPT 3模型构建与训练实战
7.4.1 构建GPT 3模型
7.4.2 使用异构训练降低GPT 3训练消耗资源
第8章 兴起新一代人工智能浪潮:ChatGPT模型
8.1 能与互联网交互的WebGPT
8.1.1 WebGPT的训练方法和关键技术
8.1.2 WebGPT的模型性能评估分析
8.2 能与人类交互的InstructGPT模型
8.2.1 指令学习
8.2.2 近端策略优化
8.2.3 基于人类反馈的强化学习(RLHF)方法汇总
8.3 ChatGPT和GPT4
8.3.1 ChatGPT模型简介和应用
8.3.2 GPT 4模型特点与应用
8.4 构建会话系统模型
8.4.1 基于监督的指令精调与模型训练
8.4.2 会话系统的推理与部署策略
第9章 百花齐放的自然语言模型:Switch Transfomer和PaLM
9.1 万亿参数稀疏大模型Switch Transformer
9.1.1 稀疏门控混合专家模型MoE
9.1.2 基于MoE的万亿参数模型Switch Transformer
9.2 PaLM模型:优化语言模型性能
9.2.1 PaLM模型的结构、原理和关键特点
9.2.2 PaLM训练策略与效果评估
9.3 PaLM实战训练
第10章 实现Transformer向计算机视觉进军的ViT模型
10.1 Transformer在计算机视觉中的应用
10.1.1 ViT模型在计算机视觉中的发展背景
10.1.2 ViT模型的架构、原理和关键要素
10.1.3 大规模ViT模型的应用场景和挑战
10.2 视觉大模型的进一步发展:Transformer与卷积的融合
10.2.1 基于Transformer的视觉模型的改进应用
10.2.2 基于卷积的视觉模型的发展优化
10.3 ViT模型构建与训练实战
10.3.1 构建ViT模型的关键步骤与关键方法
10.3.2 多维张量并行的ViT的实战演练
参考文献
內容試閱 :
今天,人工智能技术的快速发展和广泛应用已经引起了大众的关注和兴趣,它不仅成为技术发展的核心驱动力,更是推动着社会生活的全方位变革。特别是作为AI重要分支的深度学习,通过不断刷新的表现力已引领并定义了一场科技革命。大型深度学习模型(简称AI大模型)以其强大的表征能力和卓越的性能,在自然语言处理、计算机视觉、推荐系统等领域均取得了突破性的进展。尤其随着AI大模型的广泛应用,无数领域因此受益。
然而,AI大模型的研究和应用是一次复杂且困难的探索。其在训练方法、优化技术、计算资源、数据质量、安全性、伦理性等方面的挑战和难题需要人们去一一应对和破解。以上就是作者编写本书的初衷和目标:希望通过本书能为研究者、工程师、学者、学生等群体提供一份详尽的指南和参考,为读者提供一个理论与实践相结合的全面视角,使他们能够理解并运用AI大模型,同时也希望本书能引领读者探索更多的新问题,从而推动人工智能的持续发展。
AI大模型的训练需要巨大的计算资源和复杂的分布式系统支持。从机器学习到AI大模型的发展历程来看,只有掌握了深度学习的基本概念、经典算法和网络架构,才能更好地理解和应用AI大模型。此外,分布式训练和并行策略在AI大模型训练中起着关键作用,能够有效提升训练效率和模型性能。同时,AI大模型的应用也涉及自然语言处理、计算机视觉等多个领域,为各类读者提供了更广阔的应用空间。
为了帮助读者更好地理解和应用AI大模型,本书详细介绍了从基本概念到实践技巧的诸多内容。每章均将重点放在介绍核心概念、关键技术和实战案例上。涵盖了从基本概念到前沿技术的广泛内容,包括神经网络、Transformer模型、BERT模型、GPT系列模型等。书中详细介绍了各个模型的原理、训练方法和应用场景,并探讨了解决AI大模型训练中的挑战和优化方法。此外,书中还讨论了分布式系统、并行策略和内存优化等关键技术,以及计算机视觉和自然语言处理等领域中Transformer模型的应用。总体而言,本书提供了一个全面的视角,帮助读者深入了解AI大模型和分布式训练在深度学习领域的重要性和应用前景。
本书内容安排如下。
第1章介绍了AI大模型的兴起、挑战和训练难点,以及神经网络的发展历程和深度学习框架的入门指南。
第2章介绍了分布式AI系统和大规模分布式训练平台的关键技术,以及梯度累积、梯度剪裁以及大批量优化器的应用。
第3章介绍了数据并行和张量并行在分布式环境下处理大规模数据和张量数据的方法,以及混合并行策略对分布式训练效果的提升。
第4章介绍了Transformer模型的结构和自注意力机制的实现,探讨了自然语言处理中的常见任务和Transformer模型在文本处理中的应用。
第5章介绍了BERT模型的架构和预训练任务,以及利用参数共享和句子顺序预测来优化模型性能和减少内存使用的方法。
第6章介绍了T5模型的架构、预训练方法和关键技术,预训练任务的统一视角以及结合不同预训练范式的混合去噪器的应用。
第7章介绍了GPT系列模型的起源、训练方法和关键技术,以及GPT2和GPT3模型的核心思想、模型性能和效果评估。
第8章介绍了能与互联网和人类交互的ChatGPT和InstructGPT模型,以及ChatGPT模型的应用和GPT4模型的特点与应用。
第9章介绍了稀疏门控混合专家模型和基于MoE的Switch Transformer模型,以及PaLM模型的结构、训练策略和效果评估。
第10章介绍了ViT模型在计算机视觉中的应用和性能,以及图像分类、目标检测和图像生成等任务中Transformer的应用前景。
无论是BERT、GPT,还是PaLM,每种模型都是人工智能技术演进的结晶,背后包含了深厚的理论基础和实践经验。这正是本书选择对每种模型进行单独讨论的原因,以确保对每种模型的深度和广度都有充分覆盖。对于训练这些模型所需的技术,本书也进行了全面介绍:从高性能计算(HPC)到并行处理,从大规模优化方法到内存优化,每一种技术都是精心挑选并进行过深入研究的,它们是AI大模型训练的基石,也是构建高性能AI系统的关键。
然而,掌握理论知识只是理解大模型的起点。AI的实际应用需要解决AI大模型训练的一系列挑战,如计算资源的管理、训练效率的优化等。这就引出了书中特别强调的一部分内容——Colossal AI。
通过使用Colossal AI,本书提供了一系列实战内容,包括如何一步步地训练BERT、GPT 3、PaLM、ViT及会话系统。这些实战内容不仅介绍了模型训练的具体步骤,还深入解析了Colossal AI的关键技术和优势,帮助读者理解如何利用这个强大的工具来提升他们的研究和
工作。最后,本书设计了一系列实战训练,目的是将理论转化为实践。这样的设计也符合编程学习中“实践出真知”的经验,只有真正动手实际操作,才能真正理解和掌握这些复杂的AI大模型背后的原理。
本书面向对深度学习和人工智能领域感兴趣的读者。无论是学生、研究人员还是从业者,都可以从书中获得有价值的知识和见解。对于初学者,本书提供了深度学习和AI大模型的基础概念和算法,帮助他们建立必要的知识框架;对于有一定经验的读者,本书深入探讨了大模型和分布式训练的关键技术和挑战,使他们能够深入了解最新的研究进展和实践应用。
本书提供了丰富的资源,以帮助读者更好地理解和应用所学知识。书中的内容经过了作者的精心编排和整理,具有系统性和连贯性,读者可以从中获得清晰的知识结构和学习路径。同时,书中也提供了大量的代码示例和实践案例,读者可以通过实际操作来巩固所学的概念和
技术。此外,书中还提供了进一步学习的参考文献,帮助读者深入研究感兴趣的主题。除此以外,本书还附带了丰富的额外资源,旨在进一步吸引读者在书籍知识之外继续自己的探索学习。这些资源包括:
开源工具和库:书中介绍了许多常用的开源深度学习工具和库,读者可以获得这些工具的详细说明、用法和示例代码,从而更方便地应用于实际项目中。
数据集和模型下载:书中涵盖了多个领域的数据集和预训练模型,读者可以通过书中提供的链接或附带的访问代码,轻松获取这些资源,节省了大量的数据收集和模型训练时间。
案例研究和实际应用:书中详细介绍了一些成功的深度学习案例和实际应用,包括自然语言处理、计算机视觉、语音识别等领域,读者可以通过这些案例了解主流的技术趋势和行业应用。
在线交流社区:读者可以通过作者提供的ColossalAI在线交流社区与其他读者和专家进行交流和讨论。这个社区提供了问题解答、经验分享和学习资源推荐等功能,为读者提供了一个互动和合作的平台。
读者可以综合利用这些代码、数据集、模型(GitHub 开源链接地址为https://github.com/hpcaitech/ColossalAI,ColossalAI官网代码教程地址为https://colossalai.org/docs/get_started/installation/)和在线学习社区(地址为https://app.slack.com/client/T02N7KV99E1/C02NAJARJ9Y)等资源,获得更丰富的学习体验,并将所学知识应用于实际项目中,加速自己的学习和成长。
这里还要感谢所有对本书创作和出版做出贡献的人和机构。感谢所有为本书做出贡献的人员,他们付出了大量的心血和努力,为本书添加了丰富、详尽的核心知识资源,帮助读者深入了解AI大模型的各个方面。他们分别是(排名不分先后,按照拼音首字母排序):卞正达、曹绮桐、韩佳桐、巩超宇、李永彬、刘勇、柳泓鑫、娄宇轩、路广阳、马千里、申琛惠、许凯、杨天吉、张耿、张懿麒、赵望博、赵轩磊、郑奘巍、郑子安和朱子瑞。
感谢所有提供代码、数据集和模型的研究者和机构,这些宝贵资源使读者能够更好地理解和运用AI大模型技术。此外,还要感谢那些为本书提供反馈和建议的审读人,他们的意见和建议对于书稿的改进和完善起到了重要作用。最后,感谢所有支持和购买本书的读者,这份支持和信任使得这本书能够帮助更多人深入学习和应用AI大模型。
希望本书能够为广大读者提供有价值的知识和资源,推动AI大模型的发展和应用。
由于水平有限,书中不足之处在所难免,欢迎读者批评指正。
作者