小册描述
目录
- 第10章 低资源单GPU微调ChatGLM3实战
- 10.1 什么是大模型微调
- 10.1.1 大模型微调的作用
- 10.1.2 大模型微调技术有哪些
- 10.1.3 参数高效微调详解
- 10.2 ChatGLM3大模型微调的准备内容
- 10.2.1 从数据准备看ChatGLM3微调:有监督微调详解
- 10.2.2 从实施看ChatGLM3微调:LoRA详解
- 10.2.3 适配ChatGLM3微调的辅助库:PEFT详解
- 10.3 虚拟客服多轮问答实战
- 10.3.1 ChatGLM3数据输入结构和处理函数
- 10.3.2 ChatGLM3微调训练
- 10.3.3 ChatGLM3微调推理
- 10.4 加速的秘密:accelerate训练方法与模型量化详解
- 10.4.1 加速器accelerate详解与完整代码编写
- 10.4.2 加速的秘密1:大模型的量化技术
- 10.4.3 加速的秘密2:大模型的INT8量化方案
- 10.4.4 加速的秘密3:大模型ChatGLM3中的量化源码分析与实践
- 10.5 更快的量化训练方案:QLoRA基础内容详解
- 10.5.1 加速的秘密4:基于bitsandbytes的ChatGLM3量化QLoRA实现
- 10.5.2 加速的秘密5:QLoRA详解
- 10.5.3 微调的目的:让生成的结果更聚焦于任务
- 10.6 QLoRA微调文本生成实战
- 10.6.1 数据处理
- 10.6.2 损失函数设计
- 10.6.3 基于QLoRA的ChatGLM3文本生成微调实战
- 10.6.4 基于QLoRA的ChatGLM3文本生成
- 第11章 会使用工具的ChatGLM3
- 11.1 ChatGLM3调用工具源码详解与实战
- 11.1.1 Python调用工具详解
- 11.1.2 ChatGLM3工具调用流程详解
- 11.1.3 大模型ChatGLM3工具调用实战详解
- 11.1.4 大模型ChatGLM3工具调用原理详解
- 11.1.5 ChatGLM3消息传递方式详解
- 11.2 ChatGLM3官方工具注册与调用源码分析与实战
- 11.2.1 Python中的装饰器与回调函数
- 11.2.2 ChatGLM3官方工具函数的注册源码分析详解
- 11.2.3 大模型ChatGLM3官方工具调用的判定依据详解
- 11.2.4 ChatGLM3官方工具函数的调用分析详解
- 11.2.5 ChatGLM3调用工具分析与实战演示
- 11.3 ChatGLM3实战:构建个人助理之美妆助手
- 11.3.1 背景和参考资料设定
- 11.3.2 美妆助手的使用实战
- 第12章 上市公司财务报表非结构化信息抽取实战
- 12.1 超长文本处理功能的ChatGLM3与真实财务报表的处理
- 12.1.1 ChatGLM3-6B-32K模型的获取与缓存
- 12.1.2 超大规模的2020—2023年真实中国股票市场年度财务报表数据库的建立
- 12.2 单报表非结构化信息抽取实战
- 12.2.1 单报表数据探查与提取信息结构化处理
- 12.2.2 单报表数据非结构化信息抽取的实现
- 第13章 上市公司财务报表智能问答与财务预警实战
- 13.1 基于ChatGLM3的非结构化数据抽取与大规模财务报表数据库的建立
- 13.1.1 逐行代码讲解使用ChatGLM3对关键数据进行抽取
- 13.1.2 大规模上市公司财务报表目标字段抽取函数的建立
- 13.1.3 大规模上市公司财务报表目标字段数据库的建立
- 13.2 基于自然语言的上市公司财务报表智能问答与财务预警实战
- 13.2.1 使用自然语言结合ChatGLM3实现上市公司财务报表智能问答与预警解决方案