docs: 更新文档中的图片链接为绝对路径

将所有文档中的相对图片路径替换为完整的GitHub raw链接，确保图片在文档中能够正确显示

docs/chapter5/第五章 动手搭建大模型.md

@@ -7,7 +7,7 @@ Meta（原Facebook）于2023年2月发布第一款基于Transformer结构的大
 LLaMA2 模型结构如下图5.0所示：
 
 <div align='center'>
-    <img src="../images/5-images/LLama2.png" alt="alt text" width="100%">
+    <img src="https://raw.githubusercontent.com/datawhalechina/happy-llm/main/docs/images/5-images/LLama2.png" alt="alt text" width="100%">
     <p>图 5.0 LLaMA2结构</p>
 </div>
 
@@ -1333,7 +1333,7 @@ class PretrainDataset(Dataset):
 在以上代码和图5.1可以看出，`Pretrain Dataset` 主要是将 `text` 通过 `tokenizer` 转换成 `input_id`，然后将 `input_id` 拆分成 `X` 和 `Y`，其中 `X` 为 `input_id` 的前 n-1 个元素，`Y` 为 `input_id` 的后 n-1 `个元素。loss_mask` 主要是用来标记哪些位置需要计算损失，哪些位置不需要计算损失。
 
 <div align='center'>
-    <img src="../images/5-images/pretrain_dataset.png" alt="alt text" width="100%">
+    <img src="https://raw.githubusercontent.com/datawhalechina/happy-llm/main/docs/images/5-images/pretrain_dataset.png" alt="alt text" width="100%">
     <p>图5.1 预训练损失函数计算</p>
 </div>
 
@@ -1420,7 +1420,7 @@ class SFTDataset(Dataset):
 在 SFT 阶段，这里使用的是多轮对话数据集，所以就需要区分哪些位置需要计算损失，哪些位置不需要计算损失。在上面的代码中，我使用了一个 `generate_loss_mask` 函数来生成 `loss_mask`。这个函数主要是用来生成 `loss_mask`，其中 `loss_mask` 的生成规则是：当遇到 `|<im_start|>assistant\n` 时，就开始计算损失，直到遇到 `|<im_end|>` 为止。这样就可以保证我们的模型在 SFT 阶段只计算当前轮的对话内容，如图5.2所示。
 
 <div align='center'>
-    <img src="../images/5-images/sftdataset.png" alt="alt text" width="90%">
+    <img src="https://raw.githubusercontent.com/datawhalechina/happy-llm/main/docs/images/5-images/sftdataset.png" alt="alt text" width="90%">
     <p>图5.2 SFT 损失函数计算</p>
 </div>