PDF版好书分享《从零开始大模型开发与微调:基于PyTorch与ChatGLM》

从零开始大模型开发与微调:翻译模型 从零开始大模型开发与微调:翻译模型 作者:禅与计算机程序设计艺术 1. 背景介绍 1.1 大语言模型的发展历程 1.1.1 早期的统计语言模型 阅读详情

今天给大家推荐一本大模型学习书籍,本书详细讲解大模型基本理论、算法、程序实现与应用实战,揭示大模型开发与微调技术

图片
这本书籍以及大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

1、本书内容

大模型是深度学习自然语言处理皇冠上的一颗明珠,也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch 2.0作为学习大模型的基本框架,以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术,为读者揭示大模型开发技术。本书配套示例源代码、PPT课件。

《从零开始大模型开发与微调:基于PyTorch与ChatGLM》共18章,内容包括人工智能与大模型、PyTorch 2.0深度学习环境搭建、从零开始学习PyTorch 2.0、深度学习基础算法详解、基于PyTorch卷积层的MNIST分类实战、PyTorch数据处理与模型展示、ResNet实战、有趣的词嵌入、基于PyTorch循环神经网络的中文情感分类实战、自然语言处理的编码器、预训练模型BERT、自然语言处理的解码器、强化学习实战、只具有解码器的GPT-2模型、实战训练自己的ChatGPT、开源大模型ChatGLM使用详解、ChatGLM高级定制化应用实战、对ChatGLM进行高级微调。

《从零开始大模型开发与微调:基于PyTorch与ChatGLM》适合PyTorch深度学习初学者、大模型开发初学者、大模型开发人员学习,也适合高等院校人工智能、智能科学与技术、数据科学与大数据技术、计算机科学与技术等专业的师生作为教学参考书。

2、本书作者

王晓华,高校计算机专业讲师,研究方向为云计算、大数据与人工智能。著有《PyTorch 2.0深度学习从零开始学》《Python机器学习与可视化分析实战》《谷歌JAX深度学习从零开始学》《Spark 3.0大数据分析与挖掘:基于机器学习》《TensorFlow深度学习应用实践》《OpenCV+TensorFlow深度学习与计算机视觉实战》《TensorFlow知识图谱实战》《TensorFlow人脸识别实战》《TensorFlow语音识别实战》《TensorFlow+Keras自然语言处理实战》《TensorFlow 2.0卷积神经网络实战》《Keras实战:基于TensorFlow2.2的深度学习实践》《TensorFlow 2.0深度学习从零开始学》《深度学习的数学原理与实现》。

3、编辑推荐

大模型是深度学习自然语言处理皇冠上的一颗明珠,也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch 2.0作为学习大模型的基本框架,以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术,为读者揭示大模型开发技术。

4、本书目录

第1章 新时代的曙光—人工智能与大模型 1

1.1 人工智能:思维与实践的融合 1

1.1.1 人工智能的历史与未来 2

1.1.2 深度学习与人工智能 2

1.1.3 选择PyTorch 2.0实战框架 3

1.2 大模型开启人工智能的新时代 4

1.2.1 大模型带来的变革 4

1.2.2 最强的中文大模型—清华大学ChatGLM介绍 5

1.2.3 近在咫尺的未来—大模型的应用前景 6

1.3 本章小结 7

第2章 PyTorch 2.0深度学习环境搭建 8

2.1 环境搭建1:安装Python 8

2.1.1 Miniconda的下载与安装 8

2.1.2 PyCharm的下载与安装 11

2.1.3 Python代码小练习:计算Softmax函数 14

2.2 环境搭建2:安装PyTorch 2.0 15

2.2.1 Nvidia 10/20/30/40系列显卡选择的GPU版本 15

2.2.2 PyTorch 2.0 GPU Nvidia运行库的安装 15

2.2.3 PyTorch 2.0小练习:Hello PyTorch 18

2.3 生成式模型实战:古诗词的生成 18

2.4 图像降噪:手把手实战第一个深度学习模型 19

2.4.1 MNIST数据集的准备 19

2.4.2 MNIST数据集的特征和标签介绍 21

2.4.3 模型的准备和介绍 22

2.4.4 对目标的逼近—模型的损失函数与优化函数 24

2.4.5 基于深度学习的模型训练 24

2.5 本章小结 26

第3章 从零开始学习PyTorch 2.0 27

3.1 实战MNIST手写体识别 27

3.1.1 数据图像的获取与标签的说明 27

3.1.2 实战基于PyTorch 2.0的手写体识别模型 29

3.1.3 基于Netron库的PyTorch 2.0模型可视化 32

3.2 自定义神经网络框架的基本设计 34

3.2.1 神经网络框架的抽象实现 34

3.2.2 自定义神经网络框架的具体实现 35

3.3 本章小结 43

第4章 一学就会的深度学习基础算法详解 44

4.1 反向传播神经网络的前身历史 44

4.2 反向传播神经网络两个基础算法详解 47

4.2.1 最小二乘法详解 48

4.2.2 梯度下降算法 50

4.2.3 最小二乘法的梯度下降算法及其Python实现 52

4.3 反馈神经网络反向传播算法介绍 58

4.3.1 深度学习基础 58

4.3.2 链式求导法则 59

4.3.3 反馈神经网络的原理与公式推导 60

4.3.4 反馈神经网络原理的激活函数 64

4.3.5 反馈神经网络原理的Python实现 66

4.4 本章小结 70

第5章 基于PyTorch卷积层的MNIST分类实战 71

5.1 卷积运算的基本概念 71

5.1.1 基本卷积运算示例 72

5.1.2 PyTorch中的卷积函数实现详解 73

5.1.3 池化运算 75

5.1.4 Softmax激活函数 77

5.1.5 卷积神经网络的原理 78

5.2 实战:基于卷积的MNIST手写体分类 80

5.2.1 数据的准备 80

5.2.2 模型的设计 81

5.2.3 基于卷积的MNIST分类模型 82

5.3 PyTorch的深度可分离膨胀卷积详解 84

5.3.1 深度可分离卷积的定义 84

5.3.2 深度的定义以及不同计算层待训练参数的比较 86

5.3.3 膨胀卷积详解 87

5.3.4 实战:基于深度可分离膨胀卷积的MNIST手写体识别 87

5.4 本章小结 90

第6章 可视化的PyTorch数据处理与模型展示 91

6.1 用于自定义数据集的torch.utils.data工具箱使用详解 92

6.1.1 使用torch.utils.data. Dataset封装自定义数据集 92

6.1.2 改变数据类型的Dataset类中的transform的使用 93

6.1.3 批量输出数据的DataLoader类详解 98

6.2 实战:基于tensorboardX的训练可视化展示 100

6.2.1 可视化组件tensorboardX的简介与安装 100

6.2.2 tensorboardX可视化组件的使用 100

6.2.3 tensorboardX对模型训练过程的展示 103

6.3 本章小结 105

第7章 ResNet实战 106

7.1 ResNet基础原理与程序设计基础 106

7.1.1 ResNet诞生的背景 107

7.1.2 PyTorch 2.0中的模块工具 109

7.1.3 ResNet残差模块的实现 110

7.1.4 ResNet网络的实现 112

7.2 ResNet实战:CIFAR-10数据集分类 114

7.2.1 CIFAR-10数据集简介 114

7.2.2 基于ResNet的CIFAR-10数据集分类 117

7.3 本章小结 118

第8章 有趣的词嵌入 120

8.1 文本数据处理 120

8.1.1 Ag_news数据集介绍和数据清洗 120

8.1.2 停用词的使用 123

8.1.3 词向量训练模型Word2Vec使用介绍 125

8.1.4 文本主题的提取:基于TF-IDF 128

8.1.5 文本主题的提取:基于TextRank 132

8.2 更多的词嵌入方法—FastText和预训练词向量 134

8.2.1 FastText的原理与基础算法 135

8.2.2 FastText训练及其与PyTorch 2.0的协同使用 136

8.2.3 使用其他预训练参数来生成PyTorch 2.0词嵌入矩阵(中文) 140

8.3 针对文本的卷积神经网络模型简介—字符卷积 141

8.3.1 字符(非单词)文本的处理 141

8.3.2 卷积神经网络文本分类模型的实现—Conv1d(一维卷积) 148

8.4 针对文本的卷积神经网络模型简介—词卷积 151

8.4.1 单词的文本处理 151

8.4.2 卷积神经网络文本分类模型的实现—Conv2d(二维卷积) 153

8.5 使用卷积对文本分类的补充内容 155

8.5.1 汉字的文本处理 155

8.5.2 其他细节 157

8.6 本章小结 158

第9章 基于循环神经网络的中文情感分类实战 160

9.1 实战:循环神经网络与情感分类 160

9.2 循环神经网络理论讲解 165

9.2.1 什么是GRU 165

9.2.2 单向不行,那就双向 167

9.3 本章小结 168

第10章 从零开始学习自然语言处理的编码器 169

10.1 编码器的核心—注意力模型 170

10.1.1 输入层—初始词向量层和位置编码器层 170

10.1.2 自注意力层 172

10.1.3 ticks和Layer Normalization 177

10.1.4 多头注意力 178

10.2 编码器的实现 180

10.2.1 前馈层的实现 181

10.2.2 编码器的实现 182

10.3 实战编码器:拼音汉字转化模型 184

10.3.1 汉字拼音数据集处理 185

10.3.2 汉字拼音转化模型的确定 187

10.3.3 模型训练部分的编写 190

10.4 本章小结 191

第11章 站在巨人肩膀上的预训练模型BERT 193

11.1 预训练模型BERT 193

11.1.1 BERT的基本架构与应用 194

11.1.2 BERT预训练任务与微调 195

11.2 实战BERT:中文文本分类 198

11.2.1 使用Hugging Face获取BERT预训练模型 198

11.2.2 BERT实战文本分类 200

11.3 更多的预训练模型 203

11.4 本章小结 205

第12章 从1开始自然语言处理的解码器 206

12.1 解码器的核心—注意力模型 206

12.1.1 解码器的输入和交互注意力层的掩码 207

12.1.2 为什么通过掩码操作能够减少干扰 212

12.1.3 解码器的输出(移位训练方法) 213

12.1.4 解码器的实现 214

12.2 解码器实战—拼音汉字翻译模型 215

12.2.1 数据集的获取与处理 216

12.2.2 翻译模型 218

12.2.3 拼音汉字模型的训练 229

12.2.4 拼音汉字模型的使用 230

12.3 本章小结 231

第13章 基于PyTorch 2.0的强化学习实战 232

13.1 基于强化学习的火箭回收实战 232

13.1.1 火箭回收基本运行环境介绍 233

13.1.2 火箭回收参数介绍 234

13.1.3 基于强化学习的火箭回收实战 234

13.1.4 强化学习的基本内容 239

13.2 强化学习的基本算法—PPO算法 243

13.2.1 PPO算法简介 243

13.2.2 函数使用说明 244

13.2.3 一学就会的TD-error理论介绍 245

13.2.4 基于TD-error的结果修正 247

13.2.5 对于奖励的倒序构成的说明 248

13.3 本章小结 249

第14章 ChatGPT前身—只具有解码器的GPT-2模型 250

14.1 GPT-2模型简介 250

14.1.1 GPT-2模型的输入和输出结构—自回归性 251

14.1.2 GPT-2模型的PyTorch实现 252

14.1.3 GPT-2模型输入输出格式的实现 257

14.2 Hugging Face GPT-2模型源码模型详解 259

14.2.1 GPT2LMHeadModel类和GPT2Model类详解 259

14.2.2 Block类详解 270

14.2.3 Attention类详解 274

14.2.4 MLP类详解 281

14.3 Hugging Face GPT-2模型的使用与自定义微调 282

14.3.1 模型的使用与自定义数据集的微调 282

14.3.2 基于预训练模型的评论描述微调 285

14.4 自定义模型的输出 286

14.4.1 GPT输出的结构 286

14.4.2 创造性参数temperature与采样个数topK 288

14.5 本章小结 290

第15章 实战训练自己的ChatGPT 291

15.1 什么是ChatGPT 291

15.2 RLHF模型简介 293

15.2.1 RLHF技术分解 293

15.2.2 RLHF中的具体实现—PPO算法 296

15.3 基于RLHF实战的ChatGPT正向评论的生成 297

15.3.1 RLHF模型进化的总体讲解 297

15.3.2 ChatGPT评分模块简介 298

15.3.3 带有评分函数的ChatGPT模型的构建 300

15.3.4 RLHF中的PPO算法—KL散度 301

15.3.5 RLHF中的PPO算法—损失函数 303

15.4 本章小结 304

第16章 开源大模型ChatGLM使用详解 305

16.1 为什么要使用大模型 305

16.1.1 大模型与普通模型的区别 306

16.1.2 一个神奇的现象—大模型的涌现能力 307

16.2 ChatGLM使用详解 307

16.2.1 ChatGLM简介及应用前景 308

16.2.2 下载ChatGLM 309

16.2.3 ChatGLM的使用与Prompt介绍 310

16.3 本章小结 311

第17章 开源大模型ChatGLM 高级定制化应用实战 312

17.1 医疗问答GLMQABot搭建实战—基于ChatGLM搭建专业客服问答机器人 312

17.1.1 基于ChatGLM搭建专业领域问答机器人的思路 313

17.1.2 基于真实医疗问答的数据准备 314

17.1.3 文本相关性(相似度)的比较算法 315

17.1.4 提示语句Prompt的构建 316

17.1.5 基于单个文档的GLMQABot的搭建 316

17.2 金融信息抽取实战—基于知识链的ChatGLM本地化知识库检索与智能答案生成 318

17.2.1 基于ChatGLM搭建智能答案生成机器人的思路 319

17.2.2 获取专业(范畴内)文档与编码存储 320

17.2.3 查询文本编码的相关性比较与排序 322

17.2.4 基于知识链的ChatGLM本地化知识库检索与智能答案生成 325

17.3 基于ChatGLM的一些补充内容 327

17.3.1 语言的艺术—Prompt的前世今生 328

17.3.2 清华大学推荐的ChatGLM微调方法 329

17.3.2 一种新的基于ChatGLM的文本检索方案 330

17.4 本章小结 331

第18章 对训练成本上亿美元的ChatGLM进行高级微调 332

18.1 ChatGLM模型的本地化处理 332

18.1.1 下载ChatGLM源码与合并存档 332

18.1.2 修正自定义的本地化模型 335

18.1.3 构建GLM模型的输入输出示例 337

18.2 高级微调方法1—基于加速库Accelerator的全量数据微调 339

18.2.1 数据的准备—将文本内容转化成三元组的知识图谱 339

18.2.2 加速的秘密—Accelerate模型加速工具详解 342

18.2.3 更快的速度—使用INT8(INT4)量化模型加速训练 345

18.3 高级微调方法2—基于LoRA的模型微调 348

18.3.1 对ChatGLM进行微调的方法—LoRA 348

18.3.2 自定义LoRA的使用方法 349

18.3.3 基于自定义LoRA的模型训练 350

18.3.4 基于自定义LoRA的模型推断 352

18.3.5 基于基本原理的LoRA实现 355

18.4 高级微调方法3—基于Huggingface的PEFT模型微调 357

18.4.1 PEFT技术详解 358

18.4.2 PEFT的使用与参数设计 359

18.4.3 Huggingface专用PEFT的使用 360

18.5 本章小结 362

这本书籍以及大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

从零开始大模型开发与微调:深度学习与人工智能 1. 背景介绍 1.1 人工智能的崛起与大模型的诞生 近年来,人工智能(AI)技术取得了突飞猛进的发展,其中深度学习的兴起功不可没。深度学习模型,特别是大型语言模型(LLM),在自然语言处理、计算机视觉、语音识别等领域展现出惊人的能力。这些大模型通常拥有数十亿甚至数万亿的参数,能够学习复 阅读详情

相关推荐

从零开始:使用微调和嵌入训练自己的AI个性化大模型.docx

从零开始:使用微调和嵌入训练自己的AI个性化大模型.docx

【图书介绍】《从零开始大模型开发与微调 :基于PyTorch与ChatGLM》

他们的主要工作就是利用获得的数据集设计不同的人工神经模型,利用人工神经网络强大的学习能力提取和挖掘数据集中包含的潜在信息,编写相应的PyTorch程序对数据进行处理,对其价值进行进一步开发,为商业机会的获取、管理模式的创新、决策的制定提供相应的支持。第2章介绍PyTorch 2.0的安装和常用的类库。第1章介绍人工智能的基本内容,初步介绍深度学习应用与大模型的发展方向,介绍最强的人工智能大模型—清华大学ChatGLM的应用前景,旨在说明使用深度学习和人工智能实现大模型是未来科技的发展方向,也是必然趋势。

夏天又到了的专栏 1692

Qt for Android:基于libusb实现CH340x串口通信的高效开发方案

本文详细介绍了在Qt for Android环境下,基于libusb实现CH340x串口通信的高效开发方案。通过绕过Android高版本系统的权限限制,利用libusb+JNI技术实现稳定通信,适用于工业手持终端等场景。文章涵盖环境搭建、核心实现、常见问题解决方案及性能调优经验,帮助开发者快速掌握这一关键技术。

weixin_42715608的博客 428

爆赞!清华大牛整理的基于PyTorch从零开始大模型开发与微调

他们的主要工作就是利用获得的数据集设计不同的人工神经模型,利用人工神经网络强大的学习能力提取和挖掘数据集中包含的潜在信息,编写相应的 PyTorch 程序对数据进行处理,对其价值进行进一步开发,为商业机会的获取、管理模式的创新、决策的制定提供相应的支持。今天给小伙伴们分享的这份手册使用 PyTorch 2.0 作为学习大模型的基本框架,以 Chat GLM 为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术,为读者揭示大模型开发技术。

公众号:该用户快成仙了 1441

PDN设计

作者:AirCity 2020.2.6 Aircity007@sina.com 本文所有权归作者Aircity所有 PDN设计的目的是降低电源纹波水平,减小电压跌落。我们通常要求LDO的文波水平是30mV,DCDC是50mV,超过这个就需要PDN设计。 PDN设计的方法是用不同的容值,合适的总电容量,降低电源平面与地平面之间的交流阻抗,确定容值总量和电容大小的过程,就是PDN设计过程。 为什么需...

AirCity123的博客 4148

ECU-TEST新手入门:从软件申请到第一个测试包创建的完整保姆级流程

本文详细介绍了ECU-TEST软件从申请试用、安装配置到创建第一个测试包的完整流程。针对新手用户,提供分步指导,包括界面认知、测试组件添加、变量定义及执行结果分析,帮助快速掌握汽车电子测试工具的基本操作。特别说明试用授权的两种获取方式和安装注意事项。

weixin_30606461的博客 481

PDF版好书分享《从零开始大模型开发与微调:基于PyTorch与ChatGLM》_模型训练 书籍pdf

今天给大家推荐一本大模型学习书籍,保证100%免费大模型是深度学习自然语言处理皇冠上的一颗明珠,也是当前AI和NLP研究与产业中最重要的方向之一。本书使用的基本框架,以详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术,为读者揭示大模型开发技术。本书配套。《从零开始大模型开发与微调:基于PyTorch与ChatGLM》共,内容包括。

lyy2017175913的博客 1000

液冷方式介绍

如果将直径在1~100nm的颗粒悬置在传热流体(例如:水、乙烯、乙二醇等)中时,其传热能力会得到提升,因为大多数固体材料的热导率要大于液体,因此由颗粒、流体组成的混合物热导率也高于液体本身的热导率,由此制成的流体,我们称之为纳米流体。金属冷管的液体工质蒸散量几乎为0,而柔软材质的管道则会产生液体的蒸散,在封闭式循环系统中,为了弥补液体工质的蒸散,必须定期在系统中补充液体工质。——我们之前说过,材料的导电和导热的机制大致是类似的,所以导电能力更强的金属往往具有更好的导热能力。

制冷技术咨询与服务的博客 2069

【大模型书籍】从零开始大模型开发与微调:基于PyTorch与ChatGLM

本书使用PyTorch 2.0作为学习大模型的基本框架,以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术,为读者揭示大模型开发技术。

2301_81940605的博客 1401

时间序列分析:ARCH、GARCH、TGARCH与DCC-GARCH波动率模型(含代码)

关注TGARCH模型和DCC-GARCH的应用,通过在沪深300和中证500指数上应用TGARCH和DCC-GARCH模型,揭示这两个指数之间的条件异方差及动态相关性的变化规律。

celiaweiwei的博客 1万+

脑电分析:为什么大脑信号会“变同步”?——事件相关同步化与去同步化 (ERS/ERD) 全景解析

脑电分析中的事件相关同步化(ERS)和去同步化(ERD)是研究大脑动态节律的重要方法,反映特定任务下脑电频段能量的变化。ERD表示神经元活动分散(功率下降),提示脑区活跃处理信息;ERS则反映神经元同步(功率增强),常与静息状态相关。本文详解了ERS/ERD的生理机制、计算流程(包括基线校正和功率谱分析),并提供了Python实现示例,展示如何通过Welch法和STFT进行时频分析,生成ERD/ERS热力图。该技术广泛应用于运动想象脑机接口、癫痫检测等领域,为理解大脑功能状态提供了量化工具。

qq_32516809的博客 1400

大模型新书推荐丨从零开始大模型开发与微调:基于PyTorch与ChatGLM(附PDF)

本书使用PyTorch 2.0作为学习大模型的基本框架,以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术,为读者揭示大模型开发技术。本书配套示例源代码、PPT课件。

pythonhy的博客 1126

【人工智能】拒绝焦虑,理性突围:AI 时代 Java 工程师的职业重构与进化指南

摘要:在AI技术快速发展的背景下,Java工程师面临职业转型挑战。本文通过MECE原则解构工作内容,划分高替代风险区(如CRUD开发)、高增效潜能区(如逻辑优化)和高核心壁垒区(如架构设计),指出AI对不同任务的影响程度。从劳动经济学视角分析行业将呈现K型分化,初级执行者被替代,而精通AI协作的全栈工程师需求增长。文章强调警惕过度依赖AI导致认知能力退化,并提出转型路径:掌握AI驱动开发(AIDD)、深耕领域驱动设计(DDD)、拓展全流程能力及AI原生应用开发。最终结论指出,未来的核心竞争力在于结合AI工具

奶爸的编程之路,也就一周冷个三天 139

从零开始大模型开发与微调:基于PyTorch与ChatGLM

PyTorch 2.0深度学习环境搭建、从零开始学习PyTorch 2.0、深度学习基础算法详解、基于PyTorch卷积层的MNIST分类实战、PyTorch数据处理与模型展示、ResNet实战、有趣的词嵌入、基于PyTorch循环神经网络的中文情感分类实战、自然语言处理的编码器、预训练模型BERT、自然语言处理的解码器、强化学习实战、只具有解码器的GPT-2模型、实战训练自己的ChatGPT、开源大模型ChatGLM使用详解、ChatGLM高级定制化应用实战、对ChatGLM进行高级微调。

2401_84208172的博客 991

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

【LLM大模型书】从零开始大模型开发与微调:基于PyTorch与ChatGLM (附PDF)

今天又来给大家推荐一本大模型方面的书籍

Everly_的博客 1185

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

新书分享|ChatGLM3大模型本地化部署、应用开发与微调(附PDF)

ChatGLM3大模型本地化部署、应用开发与微调》作为《PyTorch 2.0深度学习从零开始学》的姊妹篇,专注于大模型的本地化部署、应用开发以及微调等。《ChatGLM3大模型本地化部署、应用开发与微调》不仅系统地阐述了深度学习大模型的核心理论,更注重实践应用,通过丰富的案例和场景,引导读者从理论走向实践,真正领悟和掌握大模型本地化应用的精髓。

嘴巴吃糖了 1956

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

【大模型PDF】从零开始大模型开发与微调:基于PyTorch与ChatGLM

本书使用PyTorch 2.0作为学习大模型的基本框架,以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术,为读者揭示大模型开发技术。本书配套示例源代码、PPT课件。

Langchain的博客 514

【LLM大模型书】入门必读!从零开始大模型开发与微调+大模型黑书(附PDF)

今天又来给大家推荐2本大模型方面的书籍以及大模型黑书!

AAI666666的博客 1966

【大模型书籍推荐】从零开始大模型开发与微调:基于PyTorch与ChatGLM

今天是这本<从零开始大模型开发与微调:基于PyTorch与ChatGLM 书籍PDF分享>,大模型是深度学习自然语言处理皇+冠上的一颗明珠,也是当前AI和NLP研究与产业中最重要的方向之一。

瓦罗兰特顶级C位的博客 723

【大模型书籍】从零开始大模型开发与微调:基于PyTorch与ChatGLM(附PDF)

哈喽各位,今天又来给大家分享大模型学习书籍了,今天是这本,大模型是深度学习自然语言处理皇+冠上的一颗明珠,也是当前AI和NLP研究与产业中最重要的方向之一。

2301_81888214的博客 1425

LLM大模型入门必读!从零开始大模型开发与微调+大模型黑书(附PDF)

今天又来给大家推荐2本大模型方面的书籍以及大模型黑书!

Y525698136的博客 1129

大模型新书丨从零开始大模型开发与微调:基于PyTorch与ChatGLM (附PDF)

本书使用PyTorch 2.0作为学习大模型的基本框架,以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术,为读者揭示大模型开发技术。本书配套示例源代码、PPT课件。

2301_81888214的博客 548
上一篇: 私有化部署ChatGPT:潜力与挑战
下一篇: 大白话讲清楚:什么是 Langchain 及其核心概念
AI大模型_学习君
博客等级 码龄3年 6138粉丝 551原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值