AWS 上的生成式人工智能

序言

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

读完本书后，您将了解当今业界和学术界最常见的生成式人工智能用例和任务。您将深入了解这些前沿生成模型是如何构建的，并获得实践经验，帮助您在重用现有生成模型还是从头开始构建模型之间做出选择。然后，您将学习如何调整这些生成式人工智能模型，使其适应特定领域的数据集、任务和用例，以支持您的业务应用。

本书面向想要学习生成式人工智能模型训练、微调和部署到生产中的技术基础和最佳实践的人工智能/ML 爱好者、数据科学家和工程师。我们假设您已经熟悉 Python 和基本的深度学习组件，如神经网络、前向传播、激活、梯度和反向传播，以便理解这里使用的概念。

对 Python 和 Deep Learning 框架（如 TensorFlow 或 PyTorch）有基本的了解，就足以理解整本书中使用的代码示例。学习这些概念并不需要熟悉 AWS，但熟悉 AWS 对某些特定示例很有帮助。

您将深入了解生成式人工智能的生命周期，并学习 prompt 工程、少量情境学习、生成式模型预训练、领域适应、模型评估、参数高效微调 (PEFT) 和来自人类反馈的强化学习 (RLHF) 等主题。

您将亲身体验Llama 2和Falcon等流行的大型语言模型，以及稳定扩散和IDEFICS 等多模态生成模型。您将通过Hugging Face Model Hub、亚马逊 SageMaker JumpStart 或亚马逊 Bedrock 生成式人工智能托管服务访问这些基础模型。

您还将学习如何实现上下文感知检索增强生成（RAG）¹和基于代理的推理工作流程。²您将探索应用框架和库，包括LangChain、ReAct、³和程序辅助语言模型 (PAL)。您可以使用这些框架和库访问自己的自定义数据源和 API，或与外部数据源（如网络搜索和合作伙伴数据系统）集成。

最后，您将在文本、图像、音频和视频等不同内容模式的多模态生成式人工智能用例中探索所有这些生成式概念、框架和库。

如果你还不理解所有这些概念，也不用担心。在本书中，你将深入了解每个主题的更多细节。有了这些知识和实践经验，您就可以开始构建尖端的生成式人工智能应用程序，帮助您取悦客户、超越竞争对手并增加收入！

本书使用的约定

本书使用以下排版规则：

斜体

表示新术语、URL、电子邮件地址、文件名和文件扩展名。

Constant width

用于程序列表以及段落中的程序元素，如变量或函数名、数据库、数据类型、环境变量、语句和关键字。

Constant width bold

用于唤起人们对代码块中感兴趣片段的关注，以及区分对话中的多位发言人，或人类用户与人工智能助手之间的差异。

提示

该元素表示提示或建议。

备注

该元素表示一般性说明。

使用代码示例

补充材料 （代码示例、练习等）可从https://oreil.ly/generative-ai-on-aws-code 下载。

如果您在使用代码示例时遇到技术问题或困难，请发送电子邮件至[e-mail]。

本书旨在帮助您完成工作。一般来说，如果本书提供了示例代码，您可以在您的程序和文档中使用。除非你要复制代码的重要部分，否则不需要联系我们获得许可。例如，在编写程序时使用本书中的几段代码不需要获得许可。销售或分发 O'Reilly 书籍中的示例需要获得许可。通过引用本书和示例代码回答问题不需要许可。将本书中的大量示例代码纳入您的产品文档需要获得许可。 ...