大模型应用开发

本书详细解析了RAG （Retrieval-Augmented Generation，检索增强生成 ）技术及其应用，从文档的 分块与向量化，到利用深度 学习模型进行向量检索，再 到结合Prompt技术以实现 精准响应，每个知识点都有 清晰的逻辑阐述与实践案例 ；同时，介绍了PyTorch编 程基础与深度学习核心概念 。此外，本书还涵盖了一系 列实用技术，如Web可视化 工具Streamlit与Gradio的使 用，以及如何利用这些工具 快速构建交互式界面，直观 展示RAG技术的效果。最后 ，通过动手实现PDF阅读器 的实例，读者能亲自体验从 理论到实践的过程，加深对 RAG技术的理解与掌握。 本书内容通俗易懂，适 合对文档搜索和RAG应用感 兴趣的读者阅读，也可以作 为从事大语言模型相关工作 的人员的参考书。

陈明明，统计学硕士，研究方向为自然语言处理、深度学习与量化交易，曾就职于微软公司，现在从事自然语言处理和人工智能方面的开发工作。

第1章 RAG概述 1.1 人工智能和自然语言处理概述 1.1.1 人工智能的定义和发展历史 1.1.2 自然语言处理的概念和基本任务 1.2 自然语言处理在大数据时代的挑战与机遇 1.2.1 大数据时代对自然语言处理的影响 1.2.2 大数据时代的自然语言处理技术发展趋势 1.3 基于RAG的大模型文档搜索概述 1.3.1 RAG模型的含义和基本原理 1.3.2 大模型文档搜索在信息检索领域的重要性 1.4 基于RAG的大模型文档搜索的工作原理 1.4.1 Retriever模块的工作原理 1.4.2 Generator模块的工作原理 1.4.3 Ranker模块的工作原理 1.5 基于RAG的大模型文档搜索的优势和应用场景 1.5.1 优势 1.5.2 应用场景 第2章 PyTorch编程基础 2.1 PyTorch简介 2.2 PyTorch安装与环境配置 2.2.1 安装PyTorch 2.2.2 环境配置 2.2.3 常见安装问题及解决方法 2.3 PyTorch张量 2.3.1 张量的创建 2.3.2 张量的基本运算 2.3.3 张量的索引和切片 2.3.4 张量的形状操作 2.4 PyTorch自动微分 2.4.1 梯度计算 2.4.2 反向传播 2.4.3 停止梯度传播 2.5 PyTorch模型构建 2.5.1 搭建神经网络模型 2.5.2 模型参数的访问和初始化 2.6 PyTorch数据加载与预处理 2.6.1 数据加载 2.6.2 数据预处理 2.7 PyTorch模型训练与评估 2.7.1 模型训练 2.7.2 模型评估 2.8 PyTorch模型保存与加载 2.8.1 模型的保存 2.8.2 模型的加载 2.9 小结 第3章 深度学习基础 3.1 感知机和多层感知机 3.1.1 感知机的原理和结构 3.1.2 多层感知机的结构和前向传播 3.1.3 多层感知机的训练算法