《生成式AI入门与AWS实战》[76]百度网盘|亲测有效|pdf下载

编辑推荐

从零开始，循序渐进，深入剖析理论重点与开发难点：

本书从基础概念入手，逐步深入技术原理和应用，以启发式教学帮助读者逐步深入了解生成式AI的方方面面。

理论与实践相结合，既有理论详解，又有开发实例，助力读者全面掌握生成式AI应用程序开发：

本书不仅介绍生成式AI的理论知识，而且涉及相关的实际应用和案例分析，可以帮助读者更好地理解理论知识在实际问题中的应用。

案例实用，贴近生活，内容丰富，有趣且有料：

本书涵盖生成式AI的多个主题，包括基本概念、技术原理、应用领域和案例分析等，内容丰富多样，语言风趣幽默，能够满足不同层次读者的需求。

内容简介

本书是专注于如何在AWS上开发和应用生成式AI的实用指南，旨在为技术领导者、机器学习实践者、应用开发者等提供深入了解和应用生成式AI的策略与方法。本书首先介绍了生成式AI的概念及其在产品和服务中的应用潜力，然后详细阐述了生成式AI项目的完整生命周期。作者探讨了多种模型类型，如大语言模型和多模态模型，并提供了通过提示工程和上下文学习来优化这些模型的实际技巧。此外，本书讨论了如何使用LoRA技术对模型进行微调，以及如何通过RLHF使模型与人类价值观对齐。书中还介绍了RAG技术，以及如何利用LangChain和ReAct等开发agent。最后，本书介绍了如何使用Amazon Bedrock构建基于生成式AI的应用程序。基于该强大的平台，读者可以实现自己的创新想法。

本书适合对生成式AI感兴趣的学生和研究人员、在AWS上开发AI应用程序的软件开发人员和数据科学家、寻求利用AI技术优化业务流程的企业决策者以及对技术趋势保持好奇心的科技爱好者阅读。

作者简介

Chris Fregly，AWS生成式AI首席解决方案架构师，也是O'Reilly图书Data Science on AWS的合著者。 Antje Barth，AWS生成式Al首席开发倡导者，也是O'Reilly图书Data Science on AWS的合著者。 Shelbee Eigenbrode，AWS生成式AI首席解决方案架构师。她在多个技术领域获得了超过35项专利。

目　　录

前言 1

第 1章生成式AI用例、基础知识和项目生命周期 5

1.1 生成式AI用例和任务 5

1.2 基础模型和模型中心 8

1.3 生成式AI项目生命周期 8

1.4 AWS上的生成式AI 11

1.5 为什么选择基于AWS构建生成式AI 13

前言 1 第 1章 生成式AI用例、基础知识和项目生命周期 5 1.1 生成式AI用例和任务 5 1.2 基础模型和模型中心 8 1.3 生成式AI项目生命周期 8 1.4 AWS上的生成式AI 11 1.5 为什么选择基于AWS构建生成式AI 13 1.6 在AWS上构建生成式AI应用程序 14 1.7 小结 16 第 2章 提示工程与上下文学习 17 2.1 提示与补全 17 2.2 token 18 2.3 提示工程 18 2.4 提示结构 19 2.4.1 指令 20 2.4.2 上下文 20 2.5 通过少样本推理进行上下文学习 22 2.5.1 零样本推理 23 2.5.2 单样本推理 23 2.5.3 少样本推理 23 2.5.4 上下文学习出错 24 2.5.5 上下文学习实践 25 2.6 提示工程实践 26 2.7 推理配置参数 31 2.8 小结 36 第3章 大语言基础模型 37 3.1 大语言基础模型简介 37 3.2 分词器 39 3.3 嵌入向量 40 3.4 Transformer 41 3.4.1 输入token上下文窗口 42 3.4.2 嵌入 42 3.4.3 编码器 42 3.4.4 自注意力层 43 3.4.5 解码器 44 3.4.6 Softmax输出 44 3.5 基于Transformer的基础模型的类别 45 3.6 预训练数据集 48 3.7 缩放定律 48 3.8 计算最优模型 50 3.9 小结 51 第4章 显存和计算优化 53 4.1 显存容量挑战 53 4.2 数据类型和数值精度 55 4.3 量化 57 4.3.1 fp16 57 4.3.2 bfloat16 59 4.3.3 fp8 60 4.3.4 int8 61 4.4 优化自注意力层 63 4.4.1 FlashAttention 63 4.4.2 分组查询注意力 64 4.5 分布式GPU集群计算 64 4.5.1 分布式数据并行 65 4.5.2 全分片数据并行 66 4.5.3 FSDP与DDP的性能比较 68 4.6 基于AWS的分布式计算 69 4.6.1 通过Amazon SageMaker进行全分片数据并行 69 4.6.2 AWS Neuron SDK与AWS Trainium 71 4.7 小结 72 第5章 微调和评估 73 5.1 指令微调简介 73 5.1.1 Llama 2 74 5.1.2 Falcon 74 5.1.3 FLAN-T5 74 5.2 指令数据集 74 5.2.1 多任务指令数据集 75 5.2.2 FLAN：示例多任务指令数据集 75 5.2.3 提示模板 77 5.2.4 将自定义数据集转换为指令数据集 78 5.3 指令微调的过程 80 5.3.1 Amazon SageMaker Studio 80 5.3.2 Amazon SageMaker JumpStart 81 5.3.3 将Amazon SageMaker Estimator用于Hugging Face 82 5.4 评估 84 5.4.1 评估指标 84 5.4.2 基准测试和数据集 85 5.5 小结 86 第6章 参数高效微调 87 6.1 全量微调与PEFT 87 6.2 LoRA和QLoRA 89 6.2.1 LoRA基础 90 6.2.2 秩 91 6.2.3 目标模块和网络层 91 6.2.4 应用LoRA 92 6.2.5 将LoRA适配器与原始模型合并 93 6.2.6 维护独立的LoRA适配器 94 6.2.7 全量微调与 LoRA 性能比较 94 6.2.8 QLoRA 95 6.3 Prompt Tuning和软提示 96 6.4 小结 99 第7章 基于人类反馈的强化学习微调 101 7.1 与人类价值观对齐：有用的、诚实的、无害的 101 7.2 强化学习概述 102 7.3 训练自定义奖励模型 104 7.3.1 通过人机交互收集训练数据集 104 7.3.2 供人类标注者参考的示例指令 105 7.3.3 通过Amazon SageMaker Ground Truth进行人工标注 105 7.3.4 为训练奖励模型准备排序数据 107 7.3.5 训练奖励模型 110 7.4 现有奖励模型：Meta有害性检测器模型 111 7.5 通过人类反馈进行强化学习微调 113 7.5.1 使用奖励模型进行RLHF 113 7.5.2 近端策略优化强化学习算法 114 7.5.3 通过PPO进行RLHF微调 115 7.5.4 缓解奖励破解 117 7.5.5 通过RLHF进行PEFT 118 7.6 评估RLHF微调模型 119 7.6.1 定性评估 119 7.6.2 定量评估 120 7.6.3 载入评估模型 120 7.6.4 定义评估指标聚合函数 120 7.6.5 比较应用RLHF之前和之后的评估指标 121 7.7 小结 122 第8章 模型部署优化 125 8.1 模型推理优化 125 8.1.1 剪枝 126 8.1.2 通过GPTQ进行训练后量化 128 8.1.3 蒸馏 129 8.2 大型模型推理容器 131 8.3 AWS Inferentia：专为推理而打造的硬件 132 8.4 模型更新和部署策略 134 8.4.1 A/B测试 135 8.4.2 影子模型部署 136 8.5 指标和监控 137 8.6 自动伸缩 138 8.6.1 自动伸缩策略 139 8.6.2 定义自动伸缩策略 139 8.7 小结 140 第9章 通过RAG和agent实现基于上下文推理的应用程序 141 9.1 大语言模型的局限性 142 9.1.1 幻觉 142 9.1.2 知识截断 143 9.2 RAG 143 9.2.1 外部知识源 144 9.2.2 RAG工作流 145 9.2.3 文档加载 146 9.2.4 分块 147 9.2.5 检索数据和重新排序 147 9.2.6 提示增强 149 9.3 RAG编排和实现 150 9.3.1 文档加载和分块 151 9.3.2 嵌入向量存储和检索 152 9.3.3 检索链 155 9.3.4 通过MMR进行重新排序 157 9.4 agent 159 9.4.1 ReAct框架 160 9.4.2 PAL框架 162 9.5 生成式AI应用程序 165 9.6 FMOps：实施生成式AI项目生命周期 170 9.6.1 试验注意事项 171 9.6.2 开发注意事项 172 9.6.3 生产部署注意事项 173 9.7 小结 174 第 10章 多模态基础模型 177 10.1 用例 178 10.2 多模态提示工程实践 178 10.3 图像生成和增强 179 10.3.1 图像生成 180 10.3.2 图像编辑和增强 181 10.4 图像补全、图像外部填充和depth-to-image 186 10.4.1 图像补全 186 10.4.2 图像外部填充 187 10.4.3 depth-to-image 188 10.5 图像描述和视觉问答 190 10.5.1 图像描述 191 10.5.2 内容审查 191 10.5.3 视觉问答 192 10.6 模型评估 197 10.6.1 文生图任务 197 10.6.2 图生文任务 199 10.6.3 非语言推理任务 200 10.7 扩散模型架构 201 10.7.1 前向扩散简介 201 10.7.2 反向扩散简介 202 10.7.3 U-Net简介 203 10.8 Stable Diffusion 2架构 204 10.8.1 文本编码器 205 10.8.2 U-Net和扩散过程 206 10.8.3 文本条件控制 207 10.8.4 交叉注意力 208 10.8.5 采样器 208 10.8.6 图像解码器 209 10.9 Stable Diffusion XL架构 209 10.9.1 U-Net和交叉注意力 209 10.9.2 精修模型 209 10.9.3 条件控制 210 10.10 小结 211 第 11章 通过Stable Diffusion进行受控生成和微调 213 11.1 ControlNet 213 11.2 微调 218 11.2.1 DreamBooth 219 11.2.2 DreamBooth与PEFT-LoRA 221 11.2.3 文本反演 222 11.3 通过RLHF进行人类偏好对齐 226 11.4 小结 228 第 12章 Amazon Bedrock：用于生成式AI的托管服务 229 12.1 Bedrock基础模型 229 12.1.1 Amazon Titan基础模型 230 12.1.2 来自Stability AI公司的Stable Diffusion基础模型 230 12.2 Bedrock推理API 230 12.3 大语言模型推理API 232 12.3.1 生成SQL代码 233 12.3.2 文本摘要 233 12.3.3 使用Amazon Bedrock生成嵌入 234 12.4 通过Amazon Bedrock进行微调 237 12.5 通过Amazon Bedrock创建agent 239 12.6 多模态模型 242 12.6.1 文生图 243 12.6.2 图生图 244 12.7 数据隐私和网络安全 246 12.8 治理和监控 247 12.9 小结 247

显示全部信息

媒体评论

当前，生成式AI领域的发展日新月异，即便是对从业者来说，新的技术名词也可能让他们应接不暇。这本书不仅详细介绍了众多前沿技术名词及其应用场景，而且提供了一条清晰的路径。这条路径可以帮助任何对此感兴趣的读者整合应用这些技术，以构建完整的端到端应用程序，而不仅仅是停留在理论学习的层面。对希望将AI技术应用到实际场景中的从业者而言，这本书无疑是一份极具价值的资源，它能帮助他们在AI技术的落地应用方面取得实质性的进展。

——贾扬清，Lepton AI创始人兼CEO

这本书广泛且深入地覆盖了生成式A