本书通过深入的实践和以MindSpore为实现框架的引导，全面剖析当前大模型的基础原理，涵盖诸如Transformer、预训练与微调等关键概念，协助读者深入了解大模型的实现路径和关键技术，使读者能够迅速、熟练地将大模型应用于实际项目中。在当今AI领域，随着如ChatGPT等大模型的迅猛发展，大模型已经成为AI领域发展的快车道，不同领域涌现出各种强大的大模型。对于开发者来说，除了惊叹于大模型展示出的强大能力，更为关键的是理解大模型的实现框架和基础原理，并能够独立构建、部署符合自身需求的大模型。本书首先详细讲解Transformer的基本原理、架构及实现方法；然后介绍由Encoder-Only到Decoder-Only的技术路线发展过程中对应的BERT、GPT等大模型；接下来介绍大模型在部署、训练、调优过程中涉及的各种关键的技术，如自动并行、预训练与微调、RLHF等，并提供相应的实践指导；最后以开源大模型BLOOM、LLaMA为样例介绍整个架构和实现过程，帮助读者理解并构建、部署自己的大模型。