生成式AI入門與AWS實戰 9787115644169 克里斯.弗雷格利 安特耶.巴特 舍爾比.艾根布羅德
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：人民郵電
物品所在地：中國大陸
原出版社：人民郵電
NT$635
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202406*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：生成式AI入門與AWS實戰 ISBN：9787115644169 出版社：人民郵電 著編譯者：克里斯.弗雷格利 安特耶.巴特 舍爾比.艾根布羅德 頁數：254 所在地：中國大陸 *此為代購商品 書號：1639325 可大量預訂，請先連絡。 【台灣高等教育出版社簡體書】 生成式AI入門與AWS實戰 787115644169 克里斯.弗雷格利 安特耶.巴特 舍爾比.艾根布羅德 內容簡介 本書是專註于如何在AWS上開發和應用生成式AI的實用指南，旨在為技術領導者、機器學習實踐者、應用開發者等提供深入了解和應用生成式AI的策略與方法。本書首先介紹了生成式AI的概念及其在產品和服務中的應用潛力，然後詳細闡述了生成式AI項目的完整生命周期。作者探討了多種模型類型，如大語言模型和多模態模型，並提供了通過提示工程和上下文學習來優化這些模型的實際技巧。此外，本書討論了如何使用LoRA技術對模型進行微調，以及如何通過RLHF使模型與人類價值觀對齊。書中還介紹了RAG技術，以及如何利用LangChain和ReAct等開發agent。最後，本書介紹了如何使用Amazon Bedrock構建基於生成式AI的應用程序。基於該強大的平台，讀者可以實現自己的創新想法。 本書適合對生成式AI感興趣的學生和研究人員、在AWS上開發AI應用程序的軟體開發人員和數據科學家、尋求利用AI技術優化業務流程的企業決策者以及對技術趨勢保持好奇心的科技愛好者閱讀。作者簡介 克里斯·弗雷格利是AWS的首席AI和機器學習開發者和佈道者，居住在舊金山。他經常在全世界的AI和機器學習會議上演講，包括O』Reilly AI Superstream系列。之前，Chris曾是PipelineAI的創建者，Databricks的解決方案工程師，以及Netflix的軟體工程師。目錄 前言第1章 生成式AI用例、基礎知識和項目生命周期 1 1 生成式AI用例和任務 1 2 基礎模型和模型中心 1 3 生成式AI項目生命周期 1 4 AWS上的生成式AI 1 5 為什麼選擇基於AWS構建生成式AI 1 6 在AWS上構建生成式AI應用程序 1 7 小結 第2章 提示工程與上下文學習 2 1 提示與補全 2 2 token 2 3 提示工程 2 4 提示結構 2 4 1 指令 2 4 2 上下文 2 5 通過少樣本推理進行上下文學習 2 5 1 零樣本推理 2 5 2 單樣本推理 2 5 3 少樣本推理 2 5 4 上下文學習出錯 2 5 5 上下文學習實踐 2 6 提示工程實踐 2 7 推理配置參數 2 8 小結 第3章 大語言基礎模型 3 1 大語言基礎模型簡介 3 2 分詞器 3 3 嵌入向量 3 4 Transformer 3 4 1 輸入token上下文窗口 3 4 2 嵌入 3 4 3 編碼器 3 4 4 自注意力層 3 4 5 解碼器 3 4 6 Softmax輸出 3 5 基於Transformer的基礎模型的類別 3 6 預訓練數據集 3 7 縮放定律 3 8 計算*模型 3 9 小結 第4章 顯存和計算優化 4 1 顯存容量挑戰 4 2 數據類型和數值精度 4 3 量化 4 3 1 fp 4 3 2 bfloat 4 3 3 fp 4 3 4 int 4 4 優化自注意力層 4 4 1 FlashAttention 4 4 2 分組查詢注意力 4 5 分散式GPU集群計算 4 5 1 分散式數據并行 4 5 2 全分片數據并行 4 5 3 FSDP與DDP的性能比較 4 6 基於AWS的分散式計算 4 6 1 通過Amazon SageMaker進行全分片數據并行 4 6 2 AWS Neuron SDK與AWS Trainium 4 7 小結 第5章 微調和評估 5 1 指令微調簡介 5 1 1 Llama 5 1 2 Falcon 5 1 3 FLAN-T 5 2 指令數據集 5 2 1 多任務指令數據集 5 2 2 FLAN：示例多任務指令數據集 5 2 3 提示模板 5 2 4 將自定義數據集轉換為指令數據集 5 3 指令微調的過程 5 3 1 Amazon SageMaker Studio 5 3 2 Amazon SageMaker JumpStart 5 3 3 將Amazon SageMaker Estimator用於Hugging Face 5 4 評估 5 4 1 評估指標 5 4 2 基準測試和數據集 5 5 小結 第6章 參數*微調 6 1 全量微調與PEFT 6 2 LoRA和QLoRA 6 2 1 LoRA基礎 6 2 2 秩 6 2 3 目標模塊和網路層 6 2 4 應用LoRA 6 2 5 將LoRA適配器與原始模型合併 6 2 6 維護獨立的LoRA適配器 6 2 7 全量微調與LoRA性能比較 6 2 8 QLoRA 6 3 PromptTuning和軟提示 6 4 小結 第7章 基於人類反饋的強化學習微調 7 1 與人類價值觀對齊：有用的、誠實的、無害的 7 2 強化學習概述 7 3 訓練自定義獎勵模型 7 3 1 通過人機交互收集訓練數據集 7 3 2 供人類標註者參考的示例指令 7 3 3 通過Amazon SageMaker Ground Truth進行人工標註 7 3 4 為訓練獎勵模型準備排序數據 7 3 5 訓練獎勵模型 7 4 現有獎勵模型：Meta有害性檢測器模型 7 5 通過人類反饋進行強化學習微調 7 5 1 使用獎勵模型進行RLHF 7 5 2 近端策略優化強化學習演算法 7 5 3 通過PPO進行RLHF微調 7 5 4 緩解獎勵破解 7 5 5 通過RLHF進行PEFT 7 6 評估RLHF微調模型 7 6 1 定性評估 7 6 2 定量評估 7 6 3 載入評估模型 7 6 4 定義評估指標聚合函數 7 6 5 比較應用RLHF之前和之後的評估指標 7 7 小結 第8章 模型部署優化 8 1 模型推理優化 8 1 1 剪枝 8 1 2 通過GPTQ進行訓練后量化 8 1 3 蒸餾 8 2 大型模型推理容器 8 3 AWS Inferentia：專為推理而打造的硬體 8 4 模型更新和部署策略 8 4 1 A/B測試 8 4 2 影子模型部署 8 5 指標和監控 8 6 自動伸縮 8 6 1 自動伸縮策略 8 6 2 定義自動伸縮策略 8 7 小結 第9章 通過RAG和agent實現基於上下文推理的應用程序 9 1 大語言模型的局限性 9 1 1 幻覺 9 1 2 知識截斷 9 2 RAG 9 2 1 外部知識源 9 2 2 RAG工作流 9 2 3 文檔載入 9 2 4 分塊 9 2 5 檢索數據和重新排序 9 2 6 提示增強 9 3 RAG編排和實現 9 3 1 文檔載入和分塊 9 3 2 嵌入向量存儲和檢索 9 3 3 檢索鏈 9 3 4 通過MMR進行重新排序 9 4 agent 9 4 1 ReAct框架 9 4 2 PAL框架 9 5 生成式AI應用程序 9 6 FMOps：實施生成式AI項目生命周期 9 6 1 試驗注意事項 9 6 2 開發注意事項 9 6 3 生產部署注意事項 9 7 小結 第10章 多模態基礎模型 10 1 用例 10 2 多模態提示工程實踐 10 3 圖像生成和 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
