CHATGPT原理实战与软件开发（套装共2册）

《ChatGPT原理实战》：
    《ChatGPT原理实战》是一本系统梳理并深入解析ChatGPT核心技术、算法实现、工作原理、训练方法的著作，也是一本能指导你搭建专属ChatGPT和实现大模型迁移及私有化的著作。
    《ChatGPT原理实战》得到了MOSS系统负责人邱锡鹏等多位专家的高度评价和鼎力推荐。具体地，通过《ChatGPT原理实战》你能了解或掌握以下知识：
    ChatGPT的工作流程和技术栈
    ChatGPT的工作原理和算法实现
    基于Transformer架构的一系列预训练语言模型的原理
    强化学习的基础知识
    提示学习与大模型涌现出的上下文学习、思维链
    大模型的训练方法及常见的分布式训练框架
    基于人工反馈的强化学习整体框架
    从零搭建类ChatGPT模型，模拟完整的ChatGPT训练过程
    《ChatGPT原理实战》集理论、实战和产业应用于一体，提供大量经详细注释的代码，方便读者理解和实操。总之，不管你是想深入研究ChatGPT本身，还是正在研发或使用其他大模型，《ChatGPT原理实战》都应该能给你颇具价值的技术启发与思考，让你在大模型的路上快速前行，少走弯路。

    《ChatGPT驱动软件开发》：
    《ChatGPT驱动软件开发》是一本讲解以ChatGPT/GPT-4为代表的大模型如何为软件研发全生命周期赋能的实战性著作。它以软件研发全生命周期为主线，详细讲解了ChatGPT/GPT-4在软件产品的需求分析、架构设计、技术栈选择、高层设计、数据库设计、UI/UX设计、后端应用开发、Web前端开发、软件测试、系统运维、技术管理等各个环节的应用场景和方法，让读者深刻地感受到ChatGPT/GPT-4在革新传统软件工程的方式和方法的同时，还带来了研发效率和研发质量的大幅度提升。
    更为重要的是，《ChatGPT驱动软件开发》能帮助架构师、开发工程师、数据库工程师、测试工程师、运维工程师、项目经理、产品经理、UI/UX工程师和技术管理者深入地理解ChatGPT/GPT-4的原理和应用，全面塑造他们在AI时代的核心竞争力，实现价值创新并形成竞争优势，为未来的发展奠定基础。
    作者在《ChatGPT驱动软件开发》中创新性地提出了大模型时代的软件研发新范式——水母开发模式（顶部大、底部小）。该模式将研发活动分成6个层次，分别对应软件研发生命周期的分析、设计、编码、测试、部署和维护。其中分析和设计层的工作量大很多，类似水母的头部；其余4个层次的工作量较少，类似水母的触手。
    除此之外，《ChatGPT驱动软件开发》还给出了工程师们与ChatGPT互动（Prompt）的步骤和注意事项，整个过程分为6步，只要遵循这6步就能比较容易地获得较为满意的输出结果。

刘聪，资深NLP技术专家和AI技术专家，南京云问科技首席算法架构师，MLNLP（机器学习算法与自然语言处理）社区学术委员。主攻文本向量表征、问答系统、AIGC等技术方向，是大模型领域的先驱者和布道者。开源了中文Unilm预训练模型、中文GPT2、夸夸闲聊机器人（ChatBot）、大模型微调等项目。作为主要负责人，在多项自然语言处理比赛中获得前三名，在中文核心期刊和SCI发表多篇论文，有多项发明专利。知乎ID为“刘聪NLP”，拥有公众号“NLP工作站”。

    杜振东，资深NLP技术专家和Al技术专家，南京云问科技NLP研究院院长，国家人工智能标准委专家、AIIA人工智能技术专家、CCF智能机器人专业组首批委员。拥有10年机器学习与文本挖掘经验，8年中文自然语言处理实战经验，参与制定6项国家人工智能总体组标准，编著有《会话式AI》《人工智能实践录》等书。

    涂铭，资深AI架构师和大数据架构师，现就职于BAT，对NLP、图像识别、大数据等领域有深入研究，实战经验丰富。在NLP方面，担任导购机器人项目的架构师，主导开发机器人的语义理解、短文本相似度匹配、上下文理解等功能。在工业领域曾参与了燃煤优化、设备故障诊断、新能源光伏电池片和组件EL图像检测等项目。著有《Python自然语言处理实战：核心技术与算法》《深度学习与图像识别：原理与实践》等畅销书。

    沈盛宇，资深算法工程师，南京云问科技算法组负责人。擅长结合用户业务场景，有针对性地设计知识图谱、问答、检索、多模态、AIGC等的相关算法和落地方案。在结合客户现有产品体系，推动数据中台和算法平台结合，从而提升服务质量方面，有丰富实战经验。曾获得多项国家专利，参与制定和撰写《IDP术语标准》《人工智能-智能助理能力等级评估标准》《人工智能标准化与开源研究报告》等多项国家人工智能标准和报告。

    陈斌，资深技术专家，IT技术领域的领军人物，有超过30年的支付、软件研发、技术架构、系统运维、技术管理经验。对人工智能技术及其应用有深入研究，对大模型在软件工程中的应用有丰富的实践经验。现任职日本华人支付创业企业NetStars的CTO，曾担任易宝支付的CTO、ebay/PayPal的高级架构师、Nokia美国的首席工程师。
    CTO领袖联盟的联***和中国互联网技术百人会的理事长。从传统的大型计算机核心技术，到互联网技术应用，再到大数据、云计算、生物特征识别和金融科技，他都有非常丰富的实践经验。努力推动互联网技术与传统产业的结合，曾经多次参加“互联网大篷车”活动，足迹遍及中国大江南北的传统企业。
    经常在中国、美国和日本的互联网行业论坛分享知识和经验，也在多所中国和日本的知名大学里教授互联网支付、金融科技和互联网技术管理等课程。著有畅销书《一本书读懂支付》，翻译并出版了《架构即未来》《架构真经》《数据即未来》等多部经典著作。

《ChatGPT原理实战》：
赞誉
前言

第1章 了解ChatGPT
1．1 ChatGPT的由来
1．1．1 什么是ChatGPT
1．1．2 ChatGPT的发展历史
1．2 ChatGPT的工作流程
1．3 ChatGPT用例
1．3．1 日常任务
1．3．2 编写代码
1．3．3 文本生成
1．3．4 办公自动化
1．4 本章小结

第2章 ChatGPT原理解构
2．1 背景知识
2．1．1 自然语言处理的发展历程
2．1．2 大型语言模型的发展历程
2．2 ChatGPT同类产品
2．2．1 BlenderBot3．0
2．2．2 LaMDA
2．2．3 Sparrow
2．3 ChatGPT的工作原理
2．3．1 预训练与提示学习阶段
2．3．2 结果评价与奖励建模阶段
2．3．3 强化学习与自我进化阶段
2．4 算法细节
2．4．1 标注数据
2．4．2 建模思路
2．4．3 存在的问题
2．5 关于ChatGPT的思考
2．6 本章小结

第3章 预训练语言模型
3．1 Transformer结构
3．2 基于Encoder结构的模型
3．2．1 BERT
3．2．2 RoBERTa
3．2．3 ERNIE
3．2．4 SpanBERT
3．2．5 MacBERT
3．2．6 ALBERT
3．2．7 NeZha
3．2．8 UniLM
3．2．9 GLM
3．2．1 0ELECTRA
3．3 基于Decoder结构的模型
3．3．1 GPT
3．3．2 CPM
3．3．3 PaLM
3．3．4 OPT
3．3．5 Bloom
3．3．6 LLaMA
3．4 基于Encoder-Decoder结构的模型
3．4．1 MASS
3．4．2 BART
3．4．3 T5
3．5 基于夸夸闲聊数据的UniLM模型实战
3．5．1 项目简介
3．5．2 数据预处理模块
3．5．3 UniLM模型模块
3．5．4 模型训练模块
3．5．5 模型推理模块
3．6 本章小结

第4章 强化学习基础
4．1 机器学习的分类
4．1．1 有监督学习
4．1．2 无监督学习
4．1．3 强化学习
4．2 OpenAIGym
4．2．1 OpenAIGymAPI简介
4．2．2 环境简介
4．3 强化学习算法
4．3．1 Q-learning算法
4．3．2 SARSA算法
4．3．3 DQN算法
4．3．4 PolicyGradient算法
4．3．5 Actor-Critic算法
4．4 本章小结

第5章 提示学习与大型语言模型的涌现
5．1 提示学习
5．1．1 什么是提示学习
5．1．2 提示模板设计
5．1．3 答案空间映射设计
5．1．4 多提示学习方法
5．2 上下文学习
5．2．1 什么是上下文学习
5．2．2 预训练阶段提升上下文学习能力
5．2．3 推理阶段优化上下文学习的效果
5．3 思维链
5．4 基于提示的文本情感分析实战
5．4．1 项目简介
5．4．2 数据预处理模块
5．4．3 BERT模型模块
5．4．4 模型训练模块
5．4．5 模型推理模块
5．5 本章小结
……

第6章 大型语言模型预训练
第7章 GPT系列模型分析
第8章 PPO算法与RLHF理论实战
第9章 类ChatGPT实战
第10章 ChatGPT发展趋势

《ChatGPT驱动软件开发》：
序
前言

第1章 ChatGPT与软件开发
1．1 技术发展对软件开发的影响
1．2 ChatGPT对编程的影响
1．3 ChatGPT对软件开发模式的影响
1．4 适合ChatGPT的水母开发模式
1．5 ChatGPT对开发工程师的影响
1．6 与ChatGPT沟通的技巧
1．7 小结

第2章 ChatGPT驱动需求分析
2．1 借助ChatGPT收集用户需求
2．2 借助ChatGPT分析用户需求
2．3 借助ChatGPT优化用户需求
2．4 ChatGPT生成需求规格说明书
2．5 小结

第3章 ChatGPT驱动架构设计
3．1 架构设计的过程
3．2 微服务架构简介
3．3 微服务架构设计原则
3．4 架构设计的思维框架
3．5 ChatGPT生成TMS微服务架构
3．6 小结

第4章 ChatGPT驱动技术栈选择
4．1 技术栈的基本概念
4．2 目前的主流技术栈及其比较
4．3 选择技术栈的原则
4．4 TMS技术栈选择
4．5 小结

第5章 ChatGPT驱动高层设计
5．1 高层设计的主要文档
5．2 高层设计的原则
5．3 ChatGPT辅助TMS高层设计
5．4 小结

第6章 ChatGPT驱动数据库设计
6．1 数据库设计与ChatGPT的协作
6．2 生成数据库表结构应该遵循的原则
6．3 利用ChatGPT完成数据库设计
6．4 利用ChatGPT基于数据生成数据库表结构
6．5 ChatGPT驱动TMS数据库创建
6．6 小结

第7章 ChatGPT驱动UI/UX设计
7．1 利用ChatGPT指导UI/UX的设计原则
7．2 利用ChatGPT从UI/UX角度分析用户需求
7．3 利用ChatGPT完成TMS界面设计
7．4 小结

第8章 ChatGPT驱动后端应用开发
8．1 后端概述
8．2 API基本概念
8．3 API设计原则
8．4 Chat