GPT图解，从0到1构建大模型。
本书将以生动活泼的笔触，将枯燥的技术细节化作轻松幽默的故事和缤纷多彩的图画，引领读者穿梭于不同技术的时空，见证自然语言处理技术的传承、演进与蜕变。在这场不断攀登技术新峰的奇妙之旅中，读者不仅能深入理解自然语言处理技术的核心原理，还能自己动手，从零开始搭建起一个又一个语言模型。
无论你是在校学生还是人工智能从业者，这本书都将成为一盏明灯，照亮你探索人工智能无限奥秘的道路。
这 一 本小书，希望从纯技术的角度，为你梳理生成式语言模型的发展脉络，对 从 N-Gram、Bag-of-Word、Word2Vec、NPLM、RNN、S2S、Attention、 Transformer、BERT 到 GPT 的技术一一进行解码，厘清它们的传承关系。
这些具体技术的传承关系如下。
■ N-Gram 和 Bag-of-Word ：都是早期用于处理文本的方法，关注词频和局 部词序列。
■ Word2Vec ：实现了词嵌入方法的突破， 能从词频和局部词序列中捕捉词汇的 语义信息。
■ NPLM ：基于神经网络的语言模型，从此人类开始利用神经网络处理词序列。
■ RNN ：具有更强大的长距离依赖关系捕捉能力的神经网络模型。
■ Seq2Seq ：基于 RNN 的编码器 - 解码器架构，将输入序列映射到输出序列， 是 Transformer 架构的基础。
■ Attention 机制：使 Seq2Seq 模型在生成输出时更关注输入序列的特定部分。
Transformer ：摒弃了 RNN，提出全面基于自注意力的架构，实现高效并行 计算。
■ BERT ：基于 Transformer 的双向预训练语言模型，具有强大的迁移学习 能力。
■ 初代 GPT ：基于 Transformer 的单向预训练语言模型，采用生成式方法进 行预训练。
■ ChatGPT ：从 GPT-3 开始，通过任务设计和微调策略的优化，尤其是基于 人类反馈的强化学习，实现强大的文本生成和对话能力。
■ GPT-4：仍基于 Transformer 架构，使用前所未有的计算和数据规模进行 训练，展现出比以前的 A I 模型更普遍的智能，不仅精通语言处理，还可以解决 涉及数学、编码、视觉、医学、法律、心理学等各学科的难题， 被誉为“人工 通用智能的灵光闪现”（Sparks of Artificial General Intelligence）。
)