互联网
类型
可以朗读
语音朗读
140千字
字数
2024-08-01
发行日期
展开全部
主编推荐语
本书深入讲解大模型开发技术，适合Python基础开发者学习。
内容简介
本书循序渐进、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。
目录
- 版权信息
- 内容简介
- 前言
- 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
- 7.2 TensorFlow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+MobileBERT）
- 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
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
北京大学出版社
北京大学出版社是在1979年，经国家出版事业管理局同意，教育部批准成立的，恢复了北京大学出版社建制。北京大学出版社依靠北大雄厚的教学、科研力量，同时积极争取国内外专家学者的合作支持，出版了大量高水平、高质量、适应多层次需要的优秀高等教育教材。 北大出版社注意对教材进行全面追踪，捕捉信息，及时修订，以跟上各学科的最新发展，反映该学科研究的最新成果，保持北大版教材的领先地位。
