科技 类型
可以朗读 语音朗读
146千字 字数
2025-08-01 发行日期
展开全部

主编推荐语

深度学习案例拆解，实战落地指南。

内容简介

本书根据大多数软件公司对AI大模型开发程序员的标准要求，结合范例程序，针对零基础人群，讲述了从“入门”到“能干活”所必需掌握的知识点。

本书内容涵盖了深度学习各种模型的知识点，包括Python和Pytorch的开发环境、神经网络预测技术、用卷积和残差神经网络分类图片的技术、数据预处理和数据增强、用生成对抗网络识别图片的技术、用循环神经网络和Transformer网络分析文本的技术、用VIT模型分类图片的技术、人脸识别和目标物体识别的技术、音频处理技术，以及DeepSeek本地化部署和微调技术等。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 第1章 神经网络、深度学习和大模型
  • 1.1 神经网络和深度学习
  • 1.1.1 神经元和神经网络
  • 1.1.2 深度神经网络与深度学习
  • 1.1.3 深度学习的应用场景
  • 1.2 深度学习和大模型
  • 1.3 实现深度学习的Pytorch框架
  • 1.3.1 Pytorch简介
  • 1.3.2 Pytorch的常用模块
  • 1.3.3 搭建Python开发环境
  • 1.3.4 简单安装Pytorch框架
  • 1.4 搭建支持GPU的Pytorch环境
  • 1.4.1 GPU和CUDA
  • 1.4.2 安装基于GPU的Pytorch
  • 1.5 小结和预告
  • 第2章 学习张量，搭建神经网络
  • 2.1 张量的概念和基本操作
  • 2.1.1 标量、向量、矩阵和张量
  • 2.1.2 张量和深度学习的关系
  • 2.1.3 创建张量
  • 2.1.4 张量的常见方法
  • 2.1.5 张量与Numpy数据的相互转换
  • 2.2 张量的常见运算
  • 2.2.1 张量的索引操作
  • 2.2.2 张量的切片操作
  • 2.2.3 转换张量的维度
  • 2.2.4 过滤与条件操作
  • 2.3 搭建第一个神经网络
  • 2.3.1 训练集、验证集和测试集
  • 2.3.2 过拟合与欠拟合
  • 2.3.3 损失函数
  • 2.3.4 神经网络的超参数
  • 2.3.5 搭建神经网络的定式
  • 2.4 小结和预告
  • 第3章 实战神经网络（多层感知机）
  • 3.1 Pytorch自带的数据集
  • 3.1.1 数据集介绍
  • 3.1.2 下载MNIST数据集
  • 3.1.3 可视化MNIST数据集
  • 3.2 激活函数
  • 3.2.1 引入非线性因素的激活函数
  • 3.2.2 sigmoid激活函数
  • 3.2.3 tanh激活函数
  • 3.2.4 ReLU激活函数
  • 3.3 神经网络与损失函数
  • 3.3.1 用MNIST训练，观察损失值
  • 3.3.2 交叉熵损失函数
  • 3.4 优化器与前后向传播
  • 3.4.1 SGD优化器与梯度下降
  • 3.4.2 前向传播与后向传播
  • 3.4.3 SGD引入Momentum参数
  • 3.4.4 Adagrad、RMSprop和Adam优化器
  • 3.5 用神经网络作预测
  • 3.6 小结和预告
  • 第4章 用卷积神经网络识别图片
  • 4.1 下载并使用CIFAR-10数据集
  • 4.1.1 获取CIFAR-10数据集
  • 4.1.2 观察CIFAR-10数据集
  • 4.2 卷积神经网络概述
  • 4.2.1 二维卷积的计算范例
  • 4.2.2 填充和移动步长
  • 4.2.3 卷积通道数值说明
  • 4.2.4 二维卷积方法及其参数
  • 4.2.5 池化层及池化策略
  • 4.2.6 整体结构及工作流程
  • 4.3 用MNIST训练卷积神经网络
  • 4.3.1 搭建模型，观察训练结果
  • 4.3.2 观察模型的结构
  • 4.3.3 用卷积神经网络预测结果
  • 4.4 用CIFAR-10训练卷积神经网络
  • 4.4.1 卷积及池化后的尺寸计算方式
  • 4.4.2 搭建及训练模型
  • 4.4.3 用模型预测图片分类
  • 4.5 小结和预告
  • 第5章 实战残差神经网络
  • 5.1 梯度爆炸和梯度消失
  • 5.1.1 可视化观察梯度下降
  • 5.1.2 后向传播、梯度消失和梯度爆炸
  • 5.1.3 梯度消失和梯度爆炸的解决方法
  • 5.2 搭建残差神经网络
  • 5.2.1 残差模块的结构
  • 5.2.2 搭建残差神经网络的方法
  • 5.3 残差神经网络与图片分类
  • 5.3.1 识别MNIST手写数字体
  • 5.3.2 分类CIFAR-10图片
  • 5.4 小结和预告
  • 第6章 对模型的实用性操作
  • 6.1 可视化模型
  • 6.1.1 用PyTorchViz可视化模型
  • 6.1.2 用TensorboardX可视化模型
  • 6.1.3 用TensorboardX观察训练过程
  • 6.2 保存和加载模型
  • 6.2.1 保存模型
  • 6.2.2 加载模型
  • 6.3 数据预处理和数据增强
  • 6.3.1 归一化处理
  • 6.3.2 图片的随机裁剪
  • 6.3.3 图片的中心裁剪
  • 6.3.4 图片缩放
  • 6.3.5 水平、垂直与随机角度翻转图片
  • 6.3.6 随机灰度化
  • 6.3.7 亮度、对比度、饱和度和色度变换
  • 6.4 小结和预告
  • 第7章 基于深度学习的回归分析和聚类分析
  • 7.1 回归分析
  • 7.1.1 获取California房价数据集
  • 7.1.2 用神经网络分析预测房价
  • 7.1.3 获取股票数据集
  • 7.1.4 用神经网络分析股价
  • 7.2 聚类分析
  • 7.2.1 分类葡萄酒数据
  • 7.2.2 分类鸢尾花数据
  • 7.2.3 用神经网络预测股票涨跌
  • 7.3 小结和预告
  • 第8章 迁移学习实战
  • 8.1 迁移学习的概念和常用方法
  • 8.1.1 迁移学习的两大实现方法
  • 8.1.2 可供使用的预训练模型
  • 8.2 基于微调参数的迁移学习
  • 8.2.1 ResNet18和ResNet34
  • 8.2.2 用数据集训练微调参数
  • 8.3 基于特征提取器的迁移学习
  • 8.3.1 获取蚂蚁和蜜蜂数据集
  • 8.3.2 对特征提取器的说明
  • 8.3.3 基于特征提取器的迁移学习
  • 8.4 小结和预告
  • 第9章 基于词向量和模型的文本分析
  • 9.1 文本分析的基础：向量化
  • 9.1.1 文本向量化概述
  • 9.1.2 词频-逆频率
  • 9.1.3 基于词频-逆频率的向量化示例
  • 9.2 分词、向量化和词嵌入
  • 9.2.1 基于分词的向量化
  • 9.2.2 基于向量化的相似度分析
  • 9.2.3 深入了解词嵌入和词向量
  • 9.2.4 基于FastText模型的词嵌入
  • 9.2.5 基于词嵌入的相似度分析
  • 9.3 基于卷积模型的情感分析
  • 9.3.1 Imdb数据集介绍
  • 9.3.2 用GloVe库实现向量化
  • 9.3.3 nn.Embedding与卷积模型
  • 9.3.4 训练模型，预测新文本的情感
  • 9.4 基于循环神经网络的情感分析
  • 9.4.1 单向神经网络
  • 9.4.2 双向神经网络
  • 9.4.3 基于双向神经网络的情感分析
  • 9.5 小结和预告
  • 第10章 基于生成对抗网络的图片识别实战
  • 10.1 生成对抗网络概述
  • 10.1.1 用两个模型来对抗
  • 10.1.2 生成器和判别器损失值的计算方式
  • 10.1.3 生成对抗网络的训练过程
  • 10.2 基于MNIST数据集的实战
  • 10.2.1 训练过程和损失值
  • 10.2.2 训练与预测的代码分析
  • 10.3 生成对抗卷积网络实战
  • 10.3.1 STL-10数据集分析
  • 10.3.2 基于卷积的生成对抗网络
  • 10.3.3 训练并拟合STL图片
  • 10.4 小结和预告
  • 第11章 人脸检测和人脸识别技术实战
  • 11.1 人脸检测和人脸识别技术概述
  • 11.1.1 人脸检测相关算法介绍
  • 11.1.2 人脸识别技术介绍
  • 11.1.3 支持人脸检测和识别的类库
  • 11.1.4 获取LFW人脸数据集
  • 11.1.5 安装OpenCV库
  • 11.2 基于Dlib的人脸检测
  • 11.2.1 绘制人脸范围
  • 11.2.2 获取人脸特征点
  • 11.3 用对抗网络拟合人脸
  • 11.3.1 数据集介绍
  • 11.3.2 用基于卷积的生成对抗网络拟合人脸
  • 11.4 实战人脸识别技术
  • 11.4.1 基于Face_recognition的人脸识别技术
  • 11.4.2 基于MTCNN的人脸识别技术
  • 11.5 小结和预告
  • 第12章 音频处理技术实战
  • 12.1 必要的准备工作
  • 12.1.1 安装torchaudio库
  • 12.1.2 下载音频数据集
  • 12.2 音频知识点概述
  • 12.2.1 时域图和频域图
  • 12.2.2 声谱图
  • 12.2.3 梅尔频谱
  • 12.3 用卷积模型分类音频
  • 12.3.1 加载数据集的特征值和目标值
  • 12.3.2 用交叉验证扩充数据集
  • 12.3.3 搭建卷积神经网络模型
  • 12.3.4 训练、验证及预测
  • 12.4 小结和预告
  • 第13章 目标检测技术实战
  • 13.1 目标检测技术概述
  • 13.1.1 传统目标检测的流程及缺陷
  • 13.1.2 基于深度学习的目标检测技术
  • 13.1.3 目标检测的相关概念
  • 13.2 通过数据集初识目标标记
  • 13.2.1 介绍VOC 2007数据集
  • 13.2.2 展示目标标记效果
  • 13.3 用模型标记目标
  • 13.3.1 Faster R-CNN模型
  • 13.3.2 用Faster R-CNN模型标记目标
  • 13.3.3 用SSD模型标记目标
  • 13.3.4 用Yolo模型标记目标
  • 13.4 小结和预告
  • 第14章 强化学习实战
  • 14.1 强化学习概述
  • 14.1.1 强化学习的概念和流程
  • 14.1.2 强化学习的算法框架
  • 14.1.3 PPO算法概述
  • 14.1.4 基于PPO算法的模型概述
  • 14.1.5 安装强化学习的环境类库
  • 14.2 基于倒立摆环境的PPO强化学习
  • 14.2.1 倒立摆问题概述
  • 14.2.2 搭建PPO网络模型
  • 14.2.3 引用PPO模型，实现强化学习
  • 14.3 基于着陆舱环境的PPO强化学习
  • 14.3.1 着陆舱降落问题概述
  • 14.3.2 搭建PPO网络模型
  • 14.3.3 实现强化学习的案例分析
  • 14.4 小结和预告
  • 第15章 基于Transformer模型的自然语言翻译
  • 15.1 Transformer模型概述
  • 15.1.1 Transformer模型的架构和构成
  • 15.1.2 注意力机制和计算规则
  • 15.1.3 自注意力和多头注意力机制
  • 15.2 基于Transformer模型的自然语言翻译流程
  • 15.2.1 翻译的主要流程
  • 15.2.2 下载训练数据集和分词模型
  • 15.2.3 搭建文本翻译的Transformer模型
  • 15.2.4 训练Transformer模型
  • 15.2.5 尝试翻译，观察训练成果
  • 15.3 小结和预告
  • 第16章 ViT模型实战
  • 16.1 ViT的概念和架构
  • 16.1.1 ViT的组成架构
  • 16.1.2 ViT分类图片的大致流程
  • 16.2 简要版ViT分类图片实战
  • 16.2.1 数据集分析
  • 16.2.2 搭建简要版的ViT模型
  • 16.2.3 训练模型，观察分类结果
  • 16.3 完整版ViT分类图片实战
  • 16.3.1 实现注意力机制的类
  • 16.3.2 实现MLP层
  • 16.3.3 实现Transformer编码器层
  • 16.3.4 搭建完整版的ViT模型
  • 16.3.5 训练模型，观察分类结果
  • 16.4 小结和预告
  • 第17章 DeepSeek本地化部署和微调实战
  • 17.1 DeepSeek模型概述
  • 17.1.1 大语言模型概述
  • 17.1.2 DeepSeek大语言模型简介
  • 17.2 DeepSeek本地化部署
  • 17.2.1 下载DeepSeek
  • 17.2.2 观察本地化部署效果
  • 17.3 微调DeepSeek
  • 17.3.1 获取EmoLLM数据集
  • 17.3.2 基于LoRA的微调方法
  • 17.3.3 微调DeepSeek大模型
  • 17.4 小结和预告
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

清华大学出版社

清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。