我力荐这本书，贼好懂，还讲得特别细致！

转载于 2025-07-17 16:26:06 发布 · 8 阅读

CC 4.0 BY-SA版权

原文链接：https://mp.weixin.qq.com/s?__biz=MjM5Njc0MjIwMA==&mid=2649836672&idx=1&sn=d00c5af197864d6b15c6ee07a7f79a85&chksm=bfa385ae8802b282de67254ac0ec293b74631285c66a660172534dbf0d3872aaeaf1840749dd&scene=126&sessionid=0

通过让机器更好地理解并生成类人语言，大模型为人工智能领域打开了全新的可能性，并深刻影响了整个行业。

这是《图解大模型》一书中由作者 Jay Alammar 和 Maarten Grootendorst 撰写的开篇语。随着人工智能的不断演进，大模型正站在最前沿，彻底改变我们与机器的互动方式、信息处理流程，甚至语言本身的理解方式。

当今这个由 AI 驱动的时代，我们早已不再惊讶于 ChatGPT 编写诗歌、Copilot 生成代码，甚至 Midjourney 一键出图。大模型（LLM）正悄然渗透进各行各业，深刻改变着我们与机器的互动方式。而如果你想真正理解这些改变背后的技术逻辑，亲手构建属于自己的 LLM 应用，那么这本《图解大模型》将是一本不可错过的实战之书。

作者 Jay Alammar 和 Maarten Grootendorst，一个是以图解 Transformer 闻名的可视化大牛，另一个是 BERTopic 作者、embedding 实战派。这对组合联手打造的这本书，既有清晰的技术讲解，也有动手实操的示例代码，堪称想看懂又能上手的理想教程。

为什么这本书值得读？

不再被 Transformer 吓退

第 1 章提供了语言模型内部工作机制的高级概述，第 2 和第 3 章则对这些概念进行了更深入的拆解。

作者巧妙地使用图示、插图和代码示例来解释复杂主题，如分词、嵌入、Transformer 模型以及注意力机制。

解码器具有一个附加的注意力层，用于关注编码器的输出

阅读建议：第 1 章内容可能更适合具备机器学习背景的读者，对其他人而言可能略显艰涩。如果你觉得吃力，可以先快速浏览；后面的第 2、3 章会对这些内容进行更细致的讲解。

重新认识 embedding 的价值

嵌入模型在该领域的重要性不言而喻，因为它们是众多应用背后的核心驱动力。

第 4 章讲解了如何利用开源嵌入模型完成分类任务，无需高成本的微调，也不需要 GPU 训练，甚至可以处理无标签数据。

第 5 章讲解了如何用嵌入模型进行文本聚类，识别异常点、加速标注流程，或是在大量文本中抽取主题信息。

提示工程

第 6 章对提示工程的讲解非常实用，哪怕你只是日常使用 ChatGPT，也能从中学到设计 prompt 的思路。

其中“Tree of Thought”的方法更是让我印象深刻，一个简单的模板就能引导模型展开多条思路，非常适合任务拆解。

利用树状结构，生成模型可以生成待评分的中间思考过程。最有希望的思考过程会被保留，而较差的会被剪枝

检索增强生成（RAG）

第 8 章专门介绍了热门的 RAG 技术 —— “让大模型看懂你的知识库”。不仅讲解了基础架构，还涵盖了高级技巧与评估方法，是构建私有 ChatGPT 的核心章节。

生成式搜索在搜索流程的末端生成答案和摘要，同时引用其来源（由搜索系统的前序步骤返回）

LangChain 框架实战

第 7 章系统介绍了 LangChain，这个目前很受欢迎的 LLM 应用开发框架。对于开发者来说，这一章可以大大缩短上手时间，尤其是 Agent 部分的讲解更是非常具有启发性。

LangChain 作为全功能 LLM 应用框架，其模块化组件可通过链式架构构建复杂的 LLM 系统

大模型在搜索引擎中的应用

第 8 章还探讨了语义搜索在 Google、Bing 等搜索引擎中的应用，讲解了 reranking（重排序）优化搜索结果的工程机制，内容很硬核。

LLM 重排器作为搜索流程组件，其目标是根据相关性对候选搜索结果重新排序

多模态

第 9 章介绍了如何将图像信息引入大模型体系，实现图文联合理解，例如图像问答、语义搜索等前沿场景。

多模态嵌入模型可在同一向量空间中为不同模态生成嵌入向量

命名实体识别（NER）

作者还在书中介绍了如何通过 NER 精准地识别文本中的人名、地名等实体，特别适用于涉及敏感信息的脱敏处理。

微调后的 BERT 模型能够识别人名和地点等命名实体

模型训练与微调

这一部分是我最期待的内容之一——将大模型（LLM）适配到特定的应用场景，展现了它们的灵活性和广泛的适用性。第 10 到第 12 章就专门聚焦于这个主题，涵盖了嵌入式模型和生成式模型的应用。

我特别喜欢第 10 章，它讲解了如何在数据有限的情况下使用增强版 SBERT（Augmented SBERT）对模型进行微调，并介绍了用于无监督训练的 TSDAE 方法。这些技术在缺乏大规模标注数据时非常有价值。

第 11 章则超越了传统的分类任务微调范畴，深入探讨了如何根据算力资源有选择性地微调模型的部分层级。作者对“微调部分层”和“微调全部层”的对比分析，也提供了在资源有限或训练时间受限的情况下，做出合理取舍的实用指南。

第 10 至 12 章聚焦 LLM 的定制化使用，包括少量数据下的微调方法（如 Augmented SBERT、TSDAE）、选择性微调策略，以及 Adapter 模型和量化技术。对于有意将 LLM 应用到具体场景的开发者来说，这几章干货满满。

冻结特定编码器块对模型性能的影响。训练更多模块带来的性能提升会快速趋于平缓

第 12 章介绍了“适配器（Adapters）”的概念，它为每个下游任务都进行完整微调提供了一种替代方案。这种方法与构建可组合的软件的理念高度契合，而这正是工程师们始终追求的目标。此外，本章还探讨了量化（Quantization）技术如何提升训练效率，将数学原理与计算机科学方法相结合，展现了模型优化中的一系列创新策略。