新書推薦：
《
文本的密码：社会语境中的宋代文学
》
售價：NT$
306.0
《
启微·狂骉年代：西洋赛马在中国
》
售價：NT$
357.0
《
有趣的中国古建筑
》
售價：NT$
305.0
《
十一年夏至
》
售價：NT$
347.0
《
如何打造成功的商业赛事
》
售價：NT$
407.0
《
万千教育学前·透视学前儿童的发展：解析幼儿教师常问的那些问题
》
售價：NT$
265.0
《
慈悲与玫瑰
》
售價：NT$
398.0
《
启蒙的辩证：哲学的片简（法兰克福学派哲学经典，批判理论重要文本）
》
售價：NT$
347.0
|
| 編輯推薦： |
内容全面深入，技术覆盖范围广
大量实操案例，算法技能提升快
精通数据处理，性能提升策略全
|
| 內容簡介： |
《大规模语言模型开发基础与实践》循序渐进、详细讲解了大模型开发技术的核心知识，并通过具体实例的实现过程演练了使用TensorFlow和PyTorch开发大模型程序的方法和流程。
全书共12章，分别讲解了大模型基础，数据集的加载、基本处理和制作，数据集的预处理，卷积神经网络模型，循环神经网络模型，特征提取，注意力机制，模型训练与调优，模型推理和评估，大模型优化算法和技术，AI智能问答系统和AI人脸识别系统。全书简洁而不失其技术深度，内容丰富全面。《大规模语言模型开发基础与实践》易于阅读，以极简的文字介绍了复杂的案例，是学习大模型开发的实用教程。
《大规模语言模型开发基础与实践》适用于已经了解Python基础开发的读者，以及想进一步学习大模型开发、模型优化、模型应用和模型架构的读者，还可以作为大专院校相关专业的师生用书和培训学校的专业性教材。
|
| 關於作者： |
王振丽
----------------------------
王振丽，华中科技大学计算机硕士，精通C、C#、C 、Java、Python等多门编程语言。现任腾讯AI产品架构师，主要从事移动端底层系统架构、驱动程序、AI应用的研究和开发工作，对人工智能的架构设计和实现原理有非常深刻的认识和理解。精通各种多模态预训练算法，熟悉Prompt Engineering和模型Tuning方法，在协同大模型垂直领域的训练和调优方面经验丰富，在提升大模型业务的产品落地领域有着丰富的见解。
|
| 目錄：
|
第1章 大模型基础
1.1人工智能
1.1.1 人工智能的发展历程
1.1.2 人工智能的研究领域
1.1.3 人工智能对人们生活的影响
1.2机器学习和深度学习
1.2.1 机器学习
1.2.2 深度学习
1.2.3 机器学习和深度学习的区别
1.3大模型简介
1.3.1 大模型的作用
1.3.2 数据
1.3.3 数据和大模型的关系
1.4大模型开发与应用的技术栈
第2章 数据集的加载、基本处理和制作
2.1数据集的加载
2.1.1 PyTorch加载数据集
2.1.2 TensorFlow加载数据集
2.2数据集的基本处理
2.2.1 转换为Tensor格式
2.2.2 标准化处理
2.2.3 调整大小和裁剪
2.2.4 随机翻转和旋转
2.3数据集的制作
2.3.1 自定义数据集
2.3.2 制作简易图片数据集
2.3.3 制作有标签的数据集
第3章 数据集的预处理
3.1数据清洗和处理
3.1.1 缺失值处理
3.1.2 异常值检测与处理
3.1.3 重复数据处理
3.2数据转换与整合
3.2.1 特征选择与抽取
3.2.2 特征变换与降维
3.2.3 数据集成与关联
3.3数据标准化与归一化
3.3.1 标准化及其重要性
3.3.2 特征缩放和归一化
3.3.3 数据转换和规范化
3.3.4 “最小-最大 ”缩放
3.4数据增强技术
3.4.1 数据增强的意义
3.4.2 图像数据增强
3.4.3 自然语言数据增强
第4章 卷积神经网络模型
4.1卷积神经网络简介
4.1.1 卷积神经网络的发展背景
4.1.2 卷积神经网络的结构
4.2卷积神经网络模型开发实战
4.2.1 使用TensorFlow创建一个卷积神经网络模型并评估
4.2.2 使用PyTorch创建手写数字模型
第5章 循环神经网络模型
5.1文本处理与循环神经网络简介
5.1.1 循环神经网络基础
5.1.2 文本分类
5.2循环神经网络模型开发实战
5.2.1 使用PyTorch开发歌词生成器模型
5.2.2 使用TensorFlow制作情感分析模型
第6章 特征提取
6.1特征提取简介
6.1.1 特征在大模型中的关键作用
6.1.2 特征提取与数据预处理的关系
6.2特征的类型和重要性
6.2.1 数值特征和类别特征
6.2.2 高维数据的挑战
6.3特征选择
6.3.1 特征选择的必要性
6.3.2 特征选择的方法
6.4特征抽取
6.4.1 特征抽取的概念
6.4.2 主成分分析
6.4.3 独立成分分析
6.4.4 自动编码器
6.5文本数据的特征提取
6.5.1 嵌入
6.5.2 词袋模型
6.5.3 TF-IDF特征
6.6 图像数据的特征提取
6.6.1 预训练的图像特征提取模型
6.6.2 基本图像特征：边缘检测、颜色直方图等
第7章 注意力机制
7.1注意力机制基础
7.1.1 注意力机制简介
7.1.2 注意力机制的变体
7.1.3 注意力机制解决的问题
7.2TensorFlow 机器翻译系统
7.2.1 项目简介
7.2.2 下载并准备数据集
7.2.3 文本预处理
7.2.4 编码器模型
7.2.5 绘制可视化注意力图
7.2.6 解码器
7.2.7 训练
7.2.8 翻译
7.3 PyTorch 机器翻译系统
7.3.1 准备数据集
7.3.2 数据预处理
7.3.3 实现Seq2Seq 模型
7.3.4 训练模型
7.3.5 模型评估
7.3.6 训练和评估
7.3.7 注意力的可视化
第8章 模型训练与调优
8.1模型训练优化
8.1.1 底层优化
8.1.2 样本权重和分类权重
8.2损失函数和优化算法
8.2.1 损失函数和优化算法的概念
8.2.2 TensorFlow损失函数和优化算法
8.2.3 PyTorch损失函数和优化算法
8.3批量训练和随机训练
8.3.1 批量训练和随机训练的概念
8.3.2 小批量随机梯度下降
8.3.3 批量归一化
8.3.4 丢弃
8.4模型验证和调优
8.4.1 训练集、验证集和测试集
8.4.2 交叉验证优化
8.4.3 超参数调优
第9章 模型推理和评估
9.1模型推理
9.1.1 模型推理的步骤
9.1.2 前向传播和输出计算的过程
9.1.3 模型推理的优化和加速
9.2模型评估
9.2.1 模型评估的方法和指标
9.2.2 交叉验证和统计显著性测试的应用
第10章 大模型优化算法和技术
10.1常见的大模型优化算法和技术
10.2梯度下降法
10.2.1 梯度下降法简介
10.2.2 TensorFlow梯度下降法优化实践
10.2.3 PyTorch梯度下降法优化实践
10.3模型并行和数据并行
10.3.1 模型并行和数据并行的基本概念
10.3.2 TensorFlow模型并行和数据并行实践
10.3.3 PyTorch模型并行和数据并行实践
10.4学习率调度
10.4.1 学习率调度的方法
10.4.2 TensorFlow学习率调度优化实践
10.4.3 PyTorch学习率调度优化实践
10.5权重初始化策略
10.6迁移学习
10.6.1 迁移学习的基本概念
10.6.2 TensorFlow迁移学习优化实践
10.6.3 PyTorch迁移学习优化实践
10.7其他大模型优化算法和技术
10.7.1 分布式训练
10.7.2 正则化
10.7.3 梯度裁剪
10.7.4 混合精度训练优化
10.7.5 量化优化技术
10.7.6 剪枝优化技术
第11章 AI智能问答系统（TensorFlow TensorFlow. js SQuAD 2.0 Mobile-BERT）
11.1背景简介
11.1.1 互联网的影响
11.1.2 问答系统的发展
11.2问答系统的发展趋势：AI 问答系统
11.3技术架构
11.3.1 TensorFlow.js
11.3.2 SQuAD 2.0
11.3.3 BERT
11.3.4 知识蒸馏
11.4具体实现
11.4.1 编写HTML文件
11.4.2 脚本处理
11.4.3 加载训练模型
11.4.4 查询处理
11.4.5 文章处理
11.4.6 加载处理
11.4.7 寻找答案
11.4.8 提取最佳答案
11.4.9 将答案转换回原始文本
11.5调试运行
第12章 AI人脸识别系统（PyTorch OpenCV Scikit-Image MobileNet ArcFace）
12.1 系统简介
12.1.1 背景简介
12.1.2 人脸识别的发展历史和现状
12.2系统需求分析
12.2.1 系统功能分析
12.2.2 技术分析
12.2.3 实现流程分析
12.3数据集
12.3.1 准备数据集
12.3.2 提取人脸
12.4训练模型
12.4.1 ArcFace算法
12.4.2 MobileNet算法
12.4.3 开始训练
12.5评估模型
12.5.1 评估的重要性
12.5.2 评估程序
12.6人脸识别
12.6.1 图像预处理
12.6.2 人脸识别模型
12.6.3 开始识别
|
| 內容試閱：
|
随着人工智能领域的快速发展，大规模语言模型（以下简称大模型）已经成为推动技术进步和应用创新的核心。从自然语言处理到计算机视觉，从医疗健康到金融领域，大模型的应用正在深刻地改变着人们的生活和工作方式。然而，开发和应用大模型并非一项轻松的任务，其涉及复杂的技术和实践，需要深厚的理论基础和实际操作经验。
在该背景下，本书应运而生。本书旨在为读者提供一份全面而实用的指南，帮助他们掌握大模型开发的核心技术并将其应用于不同领域。无论是对人工智能感兴趣的初学者，还是希望深入了解大模型技术的专业人士，本书都将成为他们的重要参考资料。
本书首先以系统性的方式探讨了人工智能、机器学习和深度学习的基础知识，为读者建立了牢固的理论基础；接着，本书从数据集的加载、预处理，到模型的开发、训练和推理，一步步地引导读者掌握从零开始构建大模型的流程；同时，本书强调了数据的重要性，详细介绍了数据预处理、增强和特征提取等关键技术，帮助读者充分挖掘数据的潜力。
本书特色
本书作为一本深入探讨大模型开发与应用的实用指南，具有以下显著特色：
（1）全面系统的内容。本书从人工智能、机器学习和深度学习的基础知识出发，系统性地介绍了大模型的核心概念、技术和方法，从而为读者打下坚实的理论基础。
（2）实践导向的案例。本书的内容涵盖了多个实际应用领域，如图像识别、文本处理、问答系统等。每个案例都详细呈现了从问题定义到解决方案实现的过程，帮助读者在实践中深入理解技术。
（3）突出了数据处理与数据增强的用法。本书中详细介绍了数据集的加载、预处理和增强技术，强调数据在大模型开发中的关键地位，使读者能够高效地利用数据提升模型性能。
（4）深度优化策略剖析。本书深入讨论了大模型的优化算法和技术，包括梯度下降法、迁移学习、学习率调度等，为读者提供了在模型训练和调优方面的实际指导。
（5）多框架实践。本书涵盖了多个流行的深度学习框架，如TensorFlow和PyTorch，为读者提供了使用不同框架开发大模型的丰富经验。
（6）理论与实践相结合。本书每个章节均融合了理论讲解与实际操作，帮助读者建立深刻的理论理解并能够将其应用到实际项目中。
（7）前沿技术的涵盖。本书涉及了注意力机制、迁移学习、权重初始化、模型并行等前沿技术，帮助读者紧跟技术发展的最新趋势。
（8）行业应用的广度。本书案例覆盖了多个行业，包括自然语言处理、计算机视觉、智能问答、人脸识别等，读者可以根据自己的兴趣和领域找到合适的应用范例。
（9）专业指导的实现。本书每个章节都附有详细的操作步骤和实现代码，读者能够直接从中学习和复现实际项目。
（10）深度与广度并重。本书的内容从基础概念到高级优化，从理论知识到实际案例，在深度和广度上都保持了均衡，为读者提供了全面的学习体验。
综上所述，本书以其系统性、实践导向和前沿技术涵盖等特色，将成为大型模型开发与应用领域的一本重要参考书，为读者进一步探索人工智能世界提供有力支持。
本书内容及知识体系
本书以全面深入的方式涵盖了大模型开发技术中的各个核心技术，为读者提供了从基础概念到实际应用的全面指南。本书主要内容概述如下：
第1章 大模型基础。本章从人工智能、机器学习和深度学习的角度入手，为读者打下坚实的理论基础，同时介绍了大模型的概念和作用。
第2章 数据集的加载、基本处理和制作。本章详细介绍了如何加载、处理和制作数据集，为后续模型开发做好数据准备。
第3章 数据集的预处理。本章讨论了数据清洗、特征选择、标准化等数据预处理技术，以及如何进行数据增强，提升模型的鲁棒性。
第4章 卷积神经网络模型。本章深入介绍了卷积神经网络的原理和开发方法，以及使用TensorFlow和PyTorch分别创建卷积神经网络模型。
第5章 循环神经网络模型。本章探讨了文本处理和情感分析的循环神经网络模型开发，涵盖了PyTorch和TensorFlow的实践。
第6章 特征提取。本章介绍了特征在大模型中的重要性，以及数值和文本数据的特征提取方法。
第7章 注意力机制。本章详细解析了注意力机制的基本概念和应用，以TensorFlow和PyTorch为例构建了机器翻译系统。
第8章 模型训练与调优。本章涵盖了模型训练的优化策略、损失函数、批量训练、验证与调优等关键技术。
第9章 模型推理和评估。本章探讨了模型推理和评估的流程，以及模型优化和加速方法。
第10章 大模型优化算法和技术。本章深入介绍了大模型优化的各种算法和技术，包括梯度下降法、模型并行、学习率调度、权重初始化、迁移学习等。
第11章 AI智能问答系统。本章以TensorFlow、TensorFlow.js和SQuAD 2.0为基础，展示了搭建AI智能问答系统的全过程。
第12章 AI人脸识别系统。 本章基于PyTorch、OpenCV、Scikit-Image、MobileNet和ArcFace，详细讲解了实现人脸识别系统的步骤和技术。
本书涵盖了从基础知识到高级应用的全面内容，通过理论介绍和实际案例演示，帮助读者全面掌握大模型的开发、优化和应用。无论读者是初学者还是有一定经验的开发者，都能在本书中找到对应的内容，为自己的大模型开发之旅赋予新的动力。
本书读者对象
（1）人工智能初学者：对人工智能领域感兴趣的初学者可以通过本书建立关于人工智能、机器学习和深度学习的基本概念，逐步深入了解大模型的核心技术。
（2）数据科学爱好者：对数据分析和处理有兴趣的读者可以通过本书学习数据集的加载、处理和增强技术，了解如何高效地利用数据提升模型性能。
（3）深度学习开发者：已经有一定深度学习经验的开发者可以通过本书深入学习大模型的优化算法、特征提取技术等高级内容，进一步提升自己的技术水平。
（4）人工智能工程师：从事人工智能领域工作的专业人士可以通过本书了解不同领域的实际应用案例，获得跨领域的应用经验。
（5）大数据分析师：在大数据领域工作的专业人员可以通过本书学习如何处理和分析大规模数据集，为模型开发提供数据支持。
（6）研究人员和学生：从事人工智能研究的学者和学生可以通过本书了解当前大模型领域的最新研究进展和应用方向。
（7）技术决策者：企业、机构的技术决策者可以通过本书了解大模型在不同行业中的应用案例，为业务决策提供参考。
（8）技术培训师：人工智能领域的培训师可以将本书作为教材，为学员提供全面的大模型开发与应用教学。
（9）高校老师：高校老师可以将本书作为教材，用于教授人工智能、机器学习和深度学习等课程。
本书内容覆盖了从基础到高级的知识，有助于培养学生的实际应用能力和创新思维。
总之，无论读者是初学者还是有一定经验的专业人士，无论是从事技术研究还是实际应用，都能从本书中获得有价值的知识和经验。
致谢
在编写本书的过程中，作者得到了北京大学出版社编辑的大力支持，正是各位专业人士的求实、耐心和高效，才使得本书能够在这么短的时间内出版。另外，也十分感谢我的家人给予的巨大支持。
最后申明，由于作者水平和精力有限，书中不妥和疏漏之处在所难免，诚请读者提出宝贵的意见或建议，以便修订并使之更臻完善。
最后感谢您购买本书，希望本书能成为您编程路上的领航者，祝您阅读快乐！
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
