大模型应用开发:RAG入门与实战

第 1章 RAG概述 001 1.1 人工智能和自然语言处理概述 001 1.1.1 人工智能的定义和发展历史 001 1.1.2 自然语言处理的概念和基本任务 001 1.2 自然语言处理在大数据时代的挑战与机遇 003 1.2.1 大数据时代对自然语言处理的影响 003 1.2.2 大数据时代的自然语言处理技术发展趋势 004 1.3 基于RAG的大模型文档搜索概述 006 1.3.1 RAG模型的含义和基本原理 006 1.3.2 大模型文档搜索在信息检索领域的重要性 007 1.4 基于RAG的大模型文档搜索的工作原理 008 1.4.1 Retriever模块的工作原理 008 1.4.2 Generator模块的工作原理 009 1.4.3 Ranker模块的工作原理 011 1.5 基于RAG的大模型文档搜索的优势和应用场景 012 1.5.1 优势 012 1.5.2 应用场景 014 第 2章 PyTorch编程基础 017 2.1 PyTorch简介 017 2.2 PyTorch安装与环境配置 018 2.2.1 安装PyTorch 018 2.2.2 环境配置 019 2.2.3 常见安装问题及解决方法 019 2.3 PyTorch张量 020 2.3.1 张量的创建 020 2.3.2 张量的基本运算 023 2.3.3 张量的索引和切片 026 2.3.4 张量的形状操作 029 2.4 PyTorch自动微分 032 2.4.1 梯度计算 032 2.4.2 反向传播 033 2.4.3 停止梯度传播 035 2.5 PyTorch模型构建 037 2.5.1 搭建神经网络模型 037 2.5.2 模型参数的访问和初始化 039 2.6 PyTorch数据加载与预处理 041 2.6.1 数据加载 041 2.6.2 数据预处理 043 2.7 PyTorch模型训练与评估 045 2.7.1 模型训练 045 2.7.2 模型评估 049 2.8 PyTorch模型保存与加载 053 2.8.1 模型的保存 053 2.8.2 模型的加载 054 2.9 小结 056 第3章 深度学习基础 057 3.1 感知机和多层感知机 057 3.1.1 感知机的原理和结构 057 3.1.2 多层感知机的结构和前向传播 058 3.1.3