《Python 機(jī)器學(xué)習(xí)》作者新作：從頭開始構(gòu)建大型語言模型，代碼已開源

自 ChatGPT 發(fā)布以來，大型語言模型（LLM）已經(jīng)成為推動人工智能發(fā)展的關(guān)鍵技術(shù)。

近期，機(jī)器學(xué)習(xí)和 AI 研究員、暢銷書《Python 機(jī)器學(xué)習(xí)》作者 Sebastian Raschka 又寫了一本新書 ——《Build a Large Language Model (From Scratch)》，旨在講解從頭開始構(gòu)建大型語言模型的整個過程，包括如何創(chuàng)建、訓(xùn)練和調(diào)整大型語言模型。

最近，Sebastian Raschka 在 GitHub 上開源了這本新書對應(yīng)的代碼庫。

項(xiàng)目地址：https://github.com/rasbt/LLMs-from-scratch/tree/main?tab=readme-ov-file

對 LLM 來說，指令微調(diào)能夠有效提升模型性能，因此各種指令微調(diào)方法陸續(xù)被提出。Sebastian Raschka 發(fā)推重點(diǎn)介紹了項(xiàng)目中關(guān)于指令微調(diào)的部分，其中講解了：

• 如何將數(shù)據(jù)格式化為 1100 指令 - 響應(yīng)對；

• 如何應(yīng)用 prompt-style 模板；

• 如何使用掩碼。

《Build a Large Language Model (From Scratch)》用清晰的文字、圖表和示例解釋每個階段，從最初的設(shè)計(jì)和創(chuàng)建，到采用通用語料庫進(jìn)行預(yù)訓(xùn)練，一直到針對特定任務(wù)進(jìn)行微調(diào)。

具體來說，新書和項(xiàng)目講解了如何：

• 規(guī)劃和編碼 LLM 的所有部分；

• 準(zhǔn)備適合 LLM 訓(xùn)練的數(shù)據(jù)集；

• 使用自己的數(shù)據(jù)微調(diào) LLM；

• 應(yīng)用指令調(diào)整方法來確保 LLM 遵循指令；

• 將預(yù)訓(xùn)練權(quán)重加載到 LLM 中。

作者介紹

個人主頁：https://sebastianraschka.com/

Sebastian Raschka 是一名機(jī)器學(xué)習(xí)和人工智能研究員，曾在威斯康星大學(xué)麥迪遜分校擔(dān)任統(tǒng)計(jì)學(xué)助理教授，專門研究深度學(xué)習(xí)和機(jī)器學(xué)習(xí)。他讓關(guān)于 AI 和深度學(xué)習(xí)相關(guān)的內(nèi)容更加容易獲得，并教人們?nèi)绾未笠?guī)模利用這些技術(shù)。

此外，Sebastian 熱衷于開源軟件，十多年來一直是一個充滿熱情的開源貢獻(xiàn)者。他提出的方法現(xiàn)已成功應(yīng)用于 Kaggle 等機(jī)器學(xué)習(xí)競賽。

除了編寫代碼，Sebastian 還喜歡寫作，并撰寫了暢銷書《Python Machine Learning》（《Python 機(jī)器學(xué)習(xí)》）和《Machine Learning with PyTorch and ScikitLearn》。

參考鏈接：https://twitter.com/rasbt/status/1802327699937009807

   

    搭建機(jī)器學(xué)習(xí)開發(fā)環(huán)境及Python基礎(chǔ)，108頁P(yáng)DF
    

   
    

     116頁P(yáng)DF小冊子：機(jī)器學(xué)習(xí)中的概率論、統(tǒng)計(jì)學(xué)、線性代數(shù)
    
   

    本地運(yùn)行“小型”大模型，配合筆記應(yīng)用王者Obsidian做知識管理
    

   
   

    可能是全網(wǎng)最全的速查表：Python Numpy Pandas Matplotlib 機(jī)器學(xué)習(xí) ChatGPT等