4006-998-758
3000+课程任你选择
生成性AI-AIGC全原理与实战
研发学院 生成性AI-AIGC全原理与实战 开课时间:2024-02-07
邹伟

睿客邦创始人

中国软件行业协会专家委员

华东建筑设计研究总院研究员

山东交通学院客座教授

南昌航空大学校外硕士生导师

东北石油大学硕士生导师

天津大学创业导师

领导睿客邦与全国多所高校、国企建立了AI联合实验室,完成50多个深度学习实践项目,广泛应用于医疗、交通、农业、气象、银行、电信等多个领域,擅长利用AI技术解决工业、工程中的复杂问题。


查看老师详情
课程内容

课程介绍


课程讲授人是从事深度学习项目管理的人员,带队完成了数十个AI项目,内容不仅包括深度学习、机器学习、数据挖掘等具体技术要点,也包括AI的整体发展、现状、应用、商业价值、未来方向等,涵盖内容非常丰富。

邹老师,长春工业大学人工智能研究院院长,工程学术带头人、华东建筑设计研究总院研究员、山东交通学院客座教授、南昌航空大学硕士生导师、中国软件行业协会专家委员、上海市计划生育科学研究所特聘专家、天津大学创业导师、中华中医药学会会员、中国医药教育协会老年运动与健康分会学术委员;领导睿客邦与全国二十多所高校、国企建立了AI联合实验室,完成50多个深度学习实践项目,广泛应用于医疗、交通、农业、气象、银行、电信等多个领域。


课程收益

1,整体把握机器学习、深度学习、数据挖掘的发展方向

2,了解机器学习、深度学习、计算机视觉的技术框架

3,理解机器学习和深度学习的思维方式和关键技术

4,了解深度学习和机器学习在当前工业界的落地应用

5,了解AI顶会论文和最新技术热点


课程大纲


预备知识:深度学习框架    3

第一节:自注意力机制、Transformer模型和BERT  3

第二节:GPT1、GPT2、GPT3、chatGPT原理与实战    4

第三节:大模型LLM应用实战    5

第四节:自定义知识和LangChain的使用    6

第五节:大模型下的行业应用探讨    7

预备知识:深度学习框架

问答模型的快速实现:代码完成自由问答机器人

Pytorch框架介绍和环境搭建

Pytorch张量、卷积等基础知识

TensorFlow-Keras体系与PyTorch的对比

池化,激活函数,反向传播

目标分类与识别、目标检测与追踪

MLP多层感知机模型搭建与代码实现

AlexNet-VGGNet-GoogLeNet-ResNet-DenseNet

Inception-V3/V4-NasNet

代码和案例实践:

卷积核与特征提取

人证合一

卷积神经网络调参经验分享


第一节:自注意力机制、Transformer模型和BERT

RNN-LSTM-GRU等基本概念

编码器、解码器

自注意力机制详解

Transformer

Mask Multi-Head Attention

位置编码

特定于任务的输入转换

无监督预训练、有监督 Fine-tuning

BERT思路的理解

GPT基本思想

GPT2:多任务系统

GPT3:少样本、零样本学习

meta-learning(元学习)和in-context learning(基于上下文的学习)

代码和案例实践:

基本问答系统的代码实现

深入阅读理解的代码实现

段落相关性代码实现

高考作文神器

作文生成


第二节:GPT1、GPT2、GPT3、chatGPT原理与实战

监督微调(SFT)模型、

指示学习和提示学习

简单提示、小样本提示、基于用户的提示

指令微调

RLLHF技术详解(从人类的反馈中学习)

聚合问答数据训练奖励模型(RM)

强化学习微调、PPO、

 InstructGPT遵循用户意图使用强化学习方案

Instruct Learning vs. Prompt Learning

ChatGPT增加增加了Chat属性

AI 系统的新范式

GPT1-GPT2-GPT3-InstructGPT与chatGPT的技术关系

人工反馈强化学习RLHF

强化学习核心机制

SARSA和Q-Learning

Dueling DQN、PPO算法

InstructGPT遵循用户意图使用强化学习方案

代码和案例实践:

使用chatGPT打造你的私人聊天助理

演示提示词技巧,翻译器润色器、JavaScript 控制台 、Excel Sheet

网站定制chatgpt-web


第三节:大模型LLM应用实战

设计模式:上下文学习

数据预处理/嵌入

提示构建/检索

提示执行/推理

数据预处理/嵌入

Weaviate、Vespa 和 Qdrant等开源系统

Chroma 和 Faiss 等本地向量管理库

pgvector 等OLTP 扩展

提示构建/检索

提示执行/推理

新兴的大语言(LLM)技术栈

数据预处理管道(data preprocessing pipeline)

嵌入终端(embeddings endpoint )+向量存储(vector store)

LLM 终端(LLM endpoints)

LLM 编程框架(LLM programming framework)

LangChain的主要功能及模块

Prompts: 这包括提示管理、提示优化和提示序列化。

LLMs: 这包括所有LLMs的通用接口,以及常用的LLMs工具。

Document Loaders: 这包括加载文档的标准接口,以及与各种文本数据源的集成。

Utils: 语言模型在与其他知识或计算源的交互

Python REPLs、嵌入、搜索引擎等

LangChain提供的常用工具

Indexes:语言模型结合自定义文本数据

Agents:动作执行、观测结果,

LangChain的代理标准接口、可供选择的代理、端到端代理示例

Chat:Chat模型处理消息

代码和案例实践:

LLM大模型的使用

Prompts的设计和使用


第四节:自定义知识和LangChain的使用

构建垂直领域大模型的通用思路和方法

(1) 大模型+知识库

(2) PEFT(参数高效的微调)

(3) 全量微调

(4) 从预训练开始定制

LangChain介绍

LangChain模块学习-LLMs 和 Prompts

LangChain之Chains模块

LangChain之Agents模块

LangChain之Callback模块

Embedding嵌入

自定义知识库

知识冲突的处理方式

向量化计算可采用的方式

文档加载器模块

向量数据库问答的设计

Lanchain竞品调研和分析

Dust.tt/Semantic-kernel/Fixie.ai/Cognosis/GPT-Index

LlamaIndex介绍

LlamaIndex索引

动手实现知识问答系统

代码和案例实践:

动手实现知识问答机器人

LangChain文本摘要

PDF文本阅读问答


第五节:当前最好的图文生成模型:扩散模型

GAN-VAE-流模型-扩散模型的技术发展和变化

CLIP和扩散模型的结合:基于CLIP模型的多模态引导图像生成:图文引导

GLIDE:文本引导

Diffusion-CLIP模型

扩散和去噪(Diffusion&Denoise)

训练和采样(Training&Sampling)

离散步骤的马尔可夫链

分子热动力学的扩散过程

离散加噪

DDPM-最经典的扩散模型

DDIM:加速采样、可控扩散

IVLR:迭代去燥的图像编辑,低通滤波上采样

RePaint: 被掩码的区域进行扩散生成

代码和案例实践一:

低质量噪声图像修复

精确复原原图

图像去除遮挡、图像补全

图像生成(人物恢复青春、人物变瘦)


第六节:大模型下的行业应用探讨

AIGC的应用领域、发展特点

画作《太空歌剧院》引发的新变化

近期问答系统chatGPT引发的现象级影响

 ChatGPT与生成式人工智能(AIGC)

 ChatGPT对呼叫中心的业务影响

 ChatGPT用于投诉建议的摘要生成

 ChatGPT用于调研报告的生成

  人机对话

  国内外相关竞品

AIGC的可能应用领域和行业影响

本人在央企数字化转型中的实践体会

思考:知识图谱-图网络等“边缘技术”在AIGC中的应用







返回上一级