大模型應用開發：RAG 入門與實戰

陳明明，數據科學博士，研究方向為自然語言處理、深度學習及貝葉斯統計；曾就職於微軟，從事自然語言處理和人工智能的開發工作。

潘翔，計算機應用博士，研究方向為捲積網絡、大數據分析、大語言模型、多模態數據分析；主持了國家自然科學基金、浙江省科學技術廳等重點項目，在IEEE Journal of Biomedical and Health Informatics、《計算機學報》等期刊和國際會議上發表30多篇論文；目前就職於浙江工業大學計算機科學與技術學院。

戴弘毅，畢業於維克森林大學和波士頓大學，研究方向為自然語言處理、深度學習及金融市場分析。

第 1章　RAG概述 001

1.1 人工智能和自然語言處理概述 001

1.1.1　人工智能的定義和發展歷史 001

1.1.2　自然語言處理的概念和基本任務 001

1.2　自然語言處理在大數據時代的挑戰與機遇 003

1.2.1　大數據時代對自然語言處理的影響 003

1.2.2　大數據時代的自然語言處理技術發展趨勢 004

1.3　基於RAG的大模型文檔搜索概述 006

1.3.1　RAG模型的含義和基本原理 006

1.3.2　大模型文檔搜索在信息檢索領域的重要性 007

1.4　基於RAG的大模型文檔搜索的工作原理 008

1.4.1　Retriever模塊的工作原理 008

1.4.2　Generator模塊的工作原理 009

1.4.3　Ranker模塊的工作原理 011

1.5　基於RAG的大模型文檔搜索的優勢和應用場景 012

1.5.1　優勢 012

1.5.2　應用場景 014

第 2章　PyTorch編程基礎 017

2.1　PyTorch簡介 017

2.2　PyTorch安裝與環境配置 018

2.2.1　安裝PyTorch 018

2.2.2　環境配置 019

2.2.3　常見安裝問題及解決方法 019

2.3　PyTorch張量 020

2.3.1　張量的創建 020

2.3.2　張量的基本運算 023

2.3.3　張量的索引和切片 026

2.3.4　張量的形狀操作 029

2.4　PyTorch自動微分 032

2.4.1　梯度計算 032

2.4.2　反向傳播 033

2.4.3　停止梯度傳播 035

2.5　PyTorch模型構建 037

2.5.1　搭建神經網絡模型 037

2.5.2　模型參數的訪問和初始化 039

2.6　PyTorch數據加載與預處理 041

2.6.1　數據加載 041

2.6.2　數據預處理 043

2.7　PyTorch模型訓練與評估 045

2.7.1　模型訓練 045

2.7.2　模型評估 049

2.8　PyTorch模型保存與加載 053

2.8.1　模型的保存 053

2.8.2　模型的加載 054

2.9　小結 056

第3章　深度學習基礎 057

3.1　感知機和多層感知機 057

3.1.1　感知機的原理和結構 057

3.1.2　多層感知機的結構和前向傳播 058

3.1.3　多層感知機的訓練算法 059

3.2　捲積神經網絡 061

3.2.1　捲積層和池化層 061

3.2.2　CNN的典型結構：LeNet、AlexNet、VGG、ResNet 064

3.3　循環神經網絡 073

3.3.1　RNN的結構和原理 073

3.3.2　長短期記憶網絡 075

3.3.3　門控循環單元 076

3.4　Transformer模型 078

3.4.1　Self-Attention機制 078

3.4.2　Transformer架構 080

3.4.3　Transformer在機器翻譯、語言建模等任務中的應用 084

3.5　BERT模型 084

3.5.1　BERT的預訓練任務和目標 084

3.5.2　BERT的結構、原理和應用 088

3.6　GPT大模型 089

3.6.1　GPT的預訓練任務和目標 089

3.6.2　GPT的結構、原理和應用 090

3.7　深度學習的優化算法 091

3.7.1　梯度下降和反向傳播 091

3.7.2　SGD和Adam 094

3.7.3　學習率調整策略 096

3.8　深度學習的正則化和防止過擬合方法 099

3.8.1　L1和L2正則化 099

3.8.2　Dropout和Batch Normalization 101

第4章　自然語言處理基礎 103

4.1　基礎知識 103

4.1.1　分詞算法 103

4.1.2　關鍵詞提取 106

4.1.3　摘要提取 110

4.2　模型如何看懂文字 113

4.3　ChatGPT大模型 117

4.3.1　GPT模型的發展歷程 118

4.3.2　ChatGPT模型概述 119

4.3.3　ChatGPT模型的原理和發展方向 120

第5章　Web可視化 121

5.1　Streamlit介紹 121

5.1.1　概述 121

5.1.2　主要功能 122

5.1.3　應用場景 132

5.2　Gradio介紹 145

5.2.1　概述 145

5.2.2　主要功能 147

5.2.3　應用場景 153

第6章　RAG文檔分塊和向量化 164

6.1　文檔分塊概述 164

6.1.1　文檔分塊的定義和作用 164

6.1.2　常見的文檔分塊算法 166

6.1.3　文檔分塊在信息檢索和自然語言處理中的應用 168

6.2　文檔分塊方法 171

6.2.1　基於規則的文檔分塊方法 171

6.2.2　基於機器學習的文檔分塊方法 173

6.2.3　基於深度學習的文檔分塊方法 174

6.3　文檔向量化概述 178

6.3.1　文檔向量化的定義和作用 178

6.3.2　文檔向量化在自然語言處理中的應用場景 179

6.3.3　文檔向量化的評估指標 181

6.4　基於詞袋模型的文檔向量化方法 183

6.4.1　詞頻矩陣 183

6.4.2　TF-IDF矩陣　　 　 185

6.4.3　Hot編碼 187

6.4.4　哈希編碼 188

6.5　基於詞嵌入模型的文檔向量化方法 190

6.5.1　Word2Vec 190

6.5.2　fastText 191

6.5.3　Doc2Vec 193

6.6　基於預訓練模型的文檔向量化方法 195

6.6.1　BERT文檔向量化 195

6.6.2　GPT文檔向量化 197

第7章　RAG向量檢索技術 199

7.1　向量檢索技術的定義和應用場景 199

7.1.1　向量檢索技術的定義 199

7.1.2　向量檢索技術的應用場景 200

7.2　向量間距離的計算 204

7.2.1　內積距離 204

7.2.2　歐式距離 206

7.2.3　漢明距離 207

7.2.4　傑卡德距離 208

7.3　基於樹的方法 210

7.3.1　KNN算法 210

7.3.2　KD-樹 211

7.3.3　Annoy 212

7.4　基於哈希的方法 214

第8章　RAG中的Prompt技術 216

8.1　特定指令模式 217

8.2　指令模板模式 223

8.3　代理模式 227

8.4　示例模式 231

8.5　零樣本提示模式 231

8.6　少樣本提示模式 233

8.7　思維鏈提示模式 234

8.7.1　零樣本CoT 235

8.7.2　少樣本CoT 237

第9章　動手實現PDF閱讀器 239

9.1　PDF內容提取 239

9.2　PDF文檔分塊 241

9.3　PDF文檔向量化 243

9.4　PDF文檔相似度計算 244

9.5　大模型回答 246