深度學習和大模型原理與實踐

常耀斌 王文惠

深度學習和大模型原理與實踐 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2024-11-01
  • 定價: $714
  • 售價: 8.5 折 $607
  • 語言: 簡體中文
  • ISBN: 7302675414
  • ISBN-13: 9787302675419
  • 相關分類: LangChain、DeepLearning

    • 下單後立即進貨 (約4週~6週)

  • 深度學習和大模型原理與實踐-preview-1
  • 深度學習和大模型原理與實踐-preview-2
  • 深度學習和大模型原理與實踐-preview-3
深度學習和大模型原理與實踐-preview-1

買這商品的人也買了...

相關主題

商品描述

本書是一本全面深入探討深度學習領域的核心原理與應用實踐的專業書籍。本書旨在為讀者提供系統的學習路徑,從深度學習的基礎知識出發,逐步深入到復雜的大模型架構和算法實現。本書適合深度學習初學者、中級開發者以及對大模型有深入研究需求的專業人士。通過閱讀本書,讀者不僅能夠掌握深度學習的理論基礎,還能通過豐富的實戰案例,提升解決實際問題的能力。

目錄大綱

第1章 從機器學習到大模型

1.1 AI的兩次技術革命

1.2 AI技術發展歷程

1.3 機器學習是什麽

1.4 機器學習有哪些分支

1.5 什麽是強化學習

1.6 深度學習的核心思想

1.7 捲積神經網絡

1.8 生成式AI是如何發展起來的

1.9 大語言模型

1.10 是否所有大語言模型都是生成式AI

1.11 大語言模型LLM能乾什麽

1.12 大語言模型的“大”是什麽含義

1.13 大模型的核心技術

1.14 Transformer背後的黑科技

1.15 Transformer演變了哪些成功的模型

1.16 主流算法框架介紹

1.17 Transformer模型的應用

第2章 PyTorch編程基礎

2.1 PyTorch 的卓越歷程

2.2 Pytorch的優點

2.3 Pytorch的使用場景

2.4 NumPy庫的數組

2.5 Tensor操作

2.6 GPU加速

2.7 自動求導

2.8 PyTorch 神經網絡

2.9 構建神經網絡

2.10 使用GPU加速

2.11 PyTorch實戰案例

第3章 捲積神經網絡

3.1 神經網絡結構

3.2 感知機

3.3 前饋神經網絡

3.4 學習率

3.5 激活函數

3.6 深度學習

3.7 捲積神經網絡

第4章Transformer

4.1 Transformer原理

4.2 BERT介紹

4.3 其他預訓練模型

第5章 基於深度學習的推薦

5.1 基於行為的協同過濾

5.2 基於深度學習的推薦

5.3 基於pytorch的DeepFM的完整實戰代碼

5.4 模型訓練代碼實戰

第6章 YOLO目標檢測

6.1 什麽是YOLO？

6.2 YOLO v1

6.3 YOLO v2

6.4 YOLO v3

6.5 YOLOv4

6.6 YOLOv5

6.7 YOLOv8

第7章 人臉識別應用

7.1 應用場景介紹

7.2 人臉識別系統架構

7.3 人臉檢測模型：RetinaFace

7.4 訓練模型

7.5 預測目標

7.6 人臉識別模型：ArcFace

7.7 應用實戰

第8章 SwinTransformer視覺大模型詳解

8.1 Vision Transformer如何工作？

8.2 Vision Transformer是第一代CV大模型

8.3 ViT模型架構

8.4 第二代CV大模型：Swin Transformer

8.5 核心代碼講解

第9章 地圖智能搜索算法應用

9.1 產品介紹

9.2 文本匹配任務

9.3 ERNIE簡介

9.4 深度語義召回

9.5 深度語義相關性

第10章 AI大模型與ChatGPT

10.1 大模型發展的驅動力

10.2 語言模型的定義及作用

10.3 語言模型的發展歷程

10.4 ChatGPT是什麽

10.5 預訓練ChatGPT的步驟

10.6 ChatGPT模型的基本原理

類似商品