多模態大模型：算法、應用與微調

目 錄
前言
篇　演算法原理
第1章　Transformer模型　2
1.1　Seq2Seq結構　2
1.1.1　分詞器　2
1.1.2　編碼器–解碼器結構　6
1.1.3　注意力機制　9
1.1.4　實戰：日期轉換　13
1.2　Transformer模型介紹　18
1.2.1　位置編碼　18
1.2.2　模型架構　24
1.2.3　標準化與殘差連結　32
1.2.4　線性層和softmax層　36
1.2.5　損失函數　36
1.2.6　實戰：日期轉換　37
1.2.7　小結　45
1.3　ViT模型介紹　46
1.3.1　注意力機制在影像上的應用　47
1.3.2　ViT模型架構　48
1.3.3　大數據預訓練　50
1.3.4　ViT模型訓練實務　52
1.4　本章總結　54
第2章　GPT系列模型　55
2.1　GPT-1　55
2.1.1　語言模型　56
2.1.2　訓練框架　56
2.1.3　模型效果分析　62
2.2　GPT-2　63
2.2.1　模型架構分析　64
2.2.2　構造訓練資料集　65
2.2.3　模型效果分析　65
2.3　GPT-3　66
2.3.1　上下文學習　67
2.3.2　構造訓練資料集　67
2.3.3　訓練停止判定　69
2.3.4　重要潛力　69
2.4　GPT-3.5　70
2.4.1　程式碼生成模型Codex　71
2.4.2　強化學習　76
2.4.3　ChatGPT的「孿生兄弟」：InstructGPT　85
2.4.4　RLAIF　96
2.5　GPT-4　97
2.5.1　GPT-4的非凡表現　98
2.5.2　基於規則的獎勵模型　99
2.5.3　多模態架構　101
2.5.4　訓練流程　103
2.5.5　局限性　104
2.6　語言模型的未來　104
2.6.1　自我學習與自我核實　105
2.6.2　稀疏專家模型　106
2.7　GPT系列的其他應用　107
2.7.1　MiniGPT-4　107
2.7.2　minGPT與nanoGPT　108
2.7.3　AutoGPT與AgentGPT　109
2.8　本章總結　109
第3章　深度生成模型　111
3.1　從自編碼器到變分自編碼器　111
3.1.1　自編碼器　111
3.1.2　變分自編碼器　116
3.2　生成對抗網　119
3.2.1　網路架構　119
3.2.2　演算法描述　120
3.2.3　實戰：手寫數位影像生成　122
3.2.4　衍生應用　125
3.3　文字與影像的橋樑：CLIP　129
3.3.1　介紹　129
3.3.2　訓練與推理　129
3.3.3　實戰：圖像文字匹配　132
3.3.4　CLIP的限制　134
3.4　穩定擴散模型：Stable Diffusion　135
3.4.1　基本組件　135
3.4.2　擴散原理　136
3.4.3　資料集建構　139
3.4.4　流程梳理　141
3.4.5　實戰：影像生成　144
3.4.6　Stable Diffusion升級　147
3.5　本章總結　148
第4章　預訓練模型　150
4.1　大模型的湧現能力　151
4.1.1　縮放法則　151
4.1.2　湧現能力　152
4.2　模型參數量估算　153
4.3　通訊資料量分析　155
4.3.1　點對點通訊　156
4.3.2　集群通訊　157
4.4　分散式訓練　161
4.4.1　基本概念　161
4.4.2　資料並行　163
4.4.3　模型並行　171
4.4.4　混合併行　177
4.4.5　混合精準度訓練　178
4.5　DeepSpeed　180
4.5.1　ZeRO　181
4.5.2　ZeRO-Offload　185
4.5.3　ZeRO-Infinity　189
4.6　模型即服務平台　190
4.6.1　ModelScope　191
4.6.2　Hugging Face　192
4.7　本章總結　196
第二篇　應用實戰
第5章　文本生成應用實戰：利用ChatPDF與文件對話　198
5.1　大模型的落地應用　198
5.1.1　外部增強：領域工具增強　200
5.1.2　提示詞工程　201
5.1.3　模型微調　207
5.2　GLM系列模型　207
5.2.1　GLM與GLM-130B　209
5.2.2　ChatGLM、ChatGLM-6B和ChatGLM2-6B　211
5.2.3　ChatGLM與ChatGPT的區別　212
5.3　參數高效率微調　213
5.3.1　Adapter Tuning　213
5.3.2　Prompt Tuning　214
5.3.3　Prefix-Tuning　215
5.3.4　P-Tuning　218
5.3.5　P-Tuning v2　219
5.3.6　ChatGLM2-6B的P-Tuning v2微調　220
5.4　大語言模型應用架構：LangChain　222
5.4.1　快速開始　223
5.4.2　基本概念　226
5.5　ChatGLM金融大模型挑戰賽　232
5.5.1　任務目標　232
5.5.2　環境準備：SQLite　234
5.5.3　問題分析　235
5.5.4　NL2SQL　245
5.5.5　DocTree　261
5.5.6　集成　271
5.6　本章總結　275
第6章　文本生成演算法實戰：DeepSpeed-Chat　276
6.1　ZeRO++　276
6.1.1　權重量化　277
6.1.2　分層切片　278
6.1.3　梯度量化　278
6.1.4　ZeRO++與DeepSpeed-Chat結合　279
6.2　DeepSpeed-Chat快速開始　280
6.3　DeepSpeed-Chat的RLHF訓練　281
6.3.1　資料收集與整理　282
6.3.2　有監督微調　284
6.3.3　獎勵模型微調　287
6.3.4　RLHF微調　288
6.3.5　模型部署與測試　290
6.4　DeepSpeed混合引擎　290
6.5　本章總結　291
第7章　影像生成演算法實戰：Stable Diffusion微調　293
7.1　LoRA參數高效率微調技術　293
7.1.1　奇異值分解　294
7.1.2　LoRA詳解　295
7.2　用於Diffusers的LoRA微調　297
7.2.1　資料收集　297
7.2.2　訓練參數配置　300
7.2.3　模型訓練與測試　300
7.3　Stable Diffusion WebUI　302
7.3.1　安裝　304
7.3.2　模型介紹　304
7.3.3　參數介紹　307
7.3.4　其他應用　310
7.4　可控擴散模型：ControlNet　313
7.4.1　原理介紹　314
7.4.2　安裝插件並使用　316
7.5　本章總結　321
第8章　程式碼生成演算法實戰：Code Llama微調　322
8.1　任務介紹　322
8.1.1　程式碼生成模型的應用場景　323
8.1.2　相關模型介紹　327
8.1.3　常用程式碼資料集　331
8.2　Llama 2　336
8.2.1　模型介紹　336
8.2.2　預訓練　336
8.2.3　有監督微調　337
8.2.4　獎勵模型訓練　338
8.2.5　迭代微調　339
8.2.6　多輪對話一致性　339
8.3　演算法競賽大語言模型　340
8.3.1　資料取得　340
8.3.2　資料清洗　348
8.3.3　text-dedup　351
8.3.4　模型訓練　353
8.4　本章總結　358
第9章　綜合應用實戰：建構「漫畫家」生成多模態漫畫　360
9.1　應用介紹　361
9.1.1　需求分析　361
9.1.2　功能設計　363
9.2　功能實現選用　365
9.2.1　相關AI模型　365
9.2.2　後端技術棧　372
9.2.3　小結　377
9.3　相關模型部署　378
9.3.1　Stable Diffusion WebUI部署　378
9.3.2　語音辨識模型：Whisper　381
9.3.3　語音合成模型：Sambert-Hifigan　383
9.4　後端應用搭建　386
9.4.1　創建專案　387
9.4.2　配置應用　388
9.4.3　基本功能開發　390
9.5　本章總結　403