封面
版权页
作者简介
内容简介
前言
第1章 新时代的曙光——人工智能与大模型
1.1 人工智能：思维与实践的融合
1.1.1 人工智能的历史与未来
1.1.2 深度学习与人工智能
1.1.3 选择PyTorch 2.0实战框架
1.2 大模型开启人工智能的新时代
1.2.1 大模型带来的变革
1.2.2 最强的中文大模型——清华大学ChatGLM介绍
1.2.3 近在咫尺的未来——大模型的应用前景
1.3 本章小结
第2章 PyTorch 2.0深度学习环境搭建
2.1 环境搭建1：安装Python
2.1.1 Miniconda的下载与安装
2.1.2 PyCharm的下载与安装
2.1.3 Python代码小练习：计算Softmax函数
2.2 环境搭建2：安装PyTorch 2.0
2.2.1 Nvidia 10/20/30/40系列显卡选择的GPU版本
2.2.2 PyTorch 2.0 GPU Nvidia运行库的安装
2.2.3 PyTorch 2.0小练习：Hello PyTorch
2.3 生成式模型实战：古诗词的生成
2.4 图像降噪：手把手实战第一个深度学习模型
2.4.1 MNIST数据集的准备
2.4.2 MNIST数据集的特征和标签介绍
2.4.3 模型的准备和介绍
2.4.4 对目标的逼近——模型的损失函数与优化函数
2.4.5 基于深度学习的模型训练
2.5 本章小结
第3章 从零开始学习PyTorch 2.0
3.1 实战MNIST手写体识别
3.1.1 数据图像的获取与标签的说明
3.1.2 实战基于PyTorch 2.0的手写体识别模型
3.1.3 基于Netron库的PyTorch 2.0模型可视化
3.2 自定义神经网络框架的基本设计
3.2.1 神经网络框架的抽象实现
3.2.2 自定义神经网络框架的具体实现
3.3 本章小结
第4章 一学就会的深度学习基础算法详解
4.1 反向传播神经网络的前身历史
4.2 反向传播神经网络两个基础算法详解
4.2.1 最小二乘法详解
4.2.2 梯度下降算法
4.2.3 最小二乘法的梯度下降算法及其Python实现
4.3 反馈神经网络反向传播算法介绍
4.3.1 深度学习基础
4.3.2 链式求导法则
4.3.3 反馈神经网络的原理与公式推导
4.3.4 反馈神经网络原理的激活函数
4.3.5 反馈神经网络原理的Python实现
4.4 本章小结
第5章 基于PyTorch卷积层的MNIST分类实战
5.1 卷积运算的基本概念
5.1.1 基本卷积运算示例
5.1.2 PyTorch中的卷积函数实现详解
5.1.3 池化运算
5.1.4 Softmax激活函数
5.1.5 卷积神经网络的原理
5.2 实战：基于卷积的MNIST手写体分类
5.2.1 数据的准备
5.2.2 模型的设计
5.2.3 基于卷积的MNIST分类模型
5.3 PyTorch的深度可分离膨胀卷积详解
5.3.1 深度可分离卷积的定义
5.3.2 深度的定义以及不同计算层待训练参数的比较
5.3.3 膨胀卷积详解
5.3.4 实战：基于深度可分离膨胀卷积的MNIST手写体识别
5.4 本章小结
第6章 可视化的PyTorch数据处理与模型展示
6.1 用于自定义数据集的torch.utils.data工具箱使用详解
6.1.1 使用torch.utils.data. Dataset封装自定义数据集
6.1.2 改变数据类型的Dataset类中的transform的使用
6.1.3 批量输出数据的DataLoader类详解
6.2 实战：基于tensorboardX的训练可视化展示
6.2.1 可视化组件tensorboardX的简介与安装
6.2.2 tensorboardX可视化组件的使用
6.2.3 tensorboardX对模型训练过程的展示
6.3 本章小结
第7章 ResNet实战
7.1 ResNet基础原理与程序设计基础
7.1.1 ResNet诞生的背景
7.1.2 PyTorch 2.0中的模块工具
7.1.3 ResNet残差模块的实现
7.1.4 ResNet网络的实现
7.2 ResNet实战：CIFAR-10数据集分类
7.2.1 CIFAR-10数据集简介
7.2.2 基于ResNet的CIFAR-10数据集分类
7.3 本章小结
第8章 有趣的词嵌入
8.1 文本数据处理
8.1.1 Ag_news数据集介绍和数据清洗
8.1.2 停用词的使用
8.1.3 词向量训练模型Word2Vec使用介绍
8.1.4 文本主题的提取：基于TF-IDF
8.1.5 文本主题的提取：基于TextRank
8.2 更多的词嵌入方法——FastText和预训练词向量
8.2.1 FastText的原理与基础算法
8.2.2 FastText训练及其与PyTorch 2.0的协同使用
8.2.3 使用其他预训练参数来生成PyTorch 2.0词嵌入矩阵（中文）
8.3 针对文本的卷积神经网络模型简介——字符卷积
8.3.1 字符（非单词）文本的处理
8.3.2 卷积神经网络文本分类模型的实现——Conv1d（一维卷积）
8.4 针对文本的卷积神经网络模型简介——词卷积
8.4.1 单词的文本处理
8.4.2 卷积神经网络文本分类模型的实现——Conv2d（二维卷积）
8.5 使用卷积对文本分类的补充内容
8.5.1 汉字的文本处理
8.5.2 其他细节
8.6 本章小结
第9章 基于循环神经网络的中文情感分类实战
9.1 实战：循环神经网络与情感分类
9.2 循环神经网络理论讲解
9.2.1 什么是GRU
9.2.2 单向不行，那就双向
9.3 本章小结
第10章 从零开始学习自然语言处理的编码器
10.1 编码器的核心——注意力模型
10.1.1 输入层——初始词向量层和位置编码器层
10.1.2 自注意力层
10.1.3 ticks和Layer Normalization
10.1.4 多头注意力
10.2 编码器的实现
10.2.1 前馈层的实现
10.2.2 编码器的实现
10.3 实战编码器：拼音汉字转化模型
10.3.1 汉字拼音数据集处理
10.3.2 汉字拼音转化模型的确定
10.3.3 模型训练部分的编写
10.4 本章小结
第11章 站在巨人肩膀上的预训练模型BERT
11.1 预训练模型BERT
11.1.1 BERT的基本架构与应用
11.1.2 BERT预训练任务与微调
11.2 实战BERT：中文文本分类
11.2.1 使用Hugging Face获取BERT预训练模型
11.2.2 BERT实战文本分类
11.3 更多的预训练模型
11.4 本章小结
第12章 从1开始自然语言处理的解码器
12.1 解码器的核心——注意力模型
12.1.1 解码器的输入和交互注意力层的掩码
12.1.2 为什么通过掩码操作能够减少干扰
12.1.3 解码器的输出（移位训练方法）
12.1.4 解码器的实现
12.2 解码器实战——拼音汉字翻译模型
12.2.1 数据集的获取与处理
12.2.2 翻译模型
12.2.3 拼音汉字模型的训练
12.2.4 拼音汉字模型的使用
12.3 本章小结
第13章 基于PyTorch 2.0的强化学习实战
13.1 基于强化学习的火箭回收实战
13.1.1 火箭回收基本运行环境介绍
13.1.2 火箭回收参数介绍
13.1.3 基于强化学习的火箭回收实战
13.1.4 强化学习的基本内容
13.2 强化学习的基本算法——PPO算法
13.2.1 PPO算法简介
13.2.2 函数使用说明
13.2.3 一学就会的TD-error理论介绍
13.2.4 基于TD-error的结果修正
13.2.5 对于奖励的倒序构成的说明
13.3 本章小结
第14章 ChatGPT前身——只具有解码器的GPT-2模型
14.1 GPT-2模型简介
14.1.1 GPT-2模型的输入和输出结构——自回归性
14.1.2 GPT-2模型的PyTorch实现
14.1.3 GPT-2模型输入输出格式的实现
14.2 Hugging Face GPT-2模型源码模型详解
14.2.1 GPT2LMHeadModel类和GPT2Model类详解
14.2.2 Block类详解
14.2.3 Attention类详解
14.2.4 MLP类详解
14.3 Hugging Face GPT-2模型的使用与自定义微调
14.3.1 模型的使用与自定义数据集的微调
14.3.2 基于预训练模型的评论描述微调
14.4 自定义模型的输出
14.4.1 GPT输出的结构
14.4.2 创造性参数temperature与采样个数topK
14.5 本章小结
第15章 实战训练自己的ChatGPT
15.1 什么是ChatGPT
15.2 RLHF模型简介
15.2.1 RLHF技术分解
15.2.2 RLHF中的具体实现——PPO算法
15.3 基于RLHF实战的ChatGPT正向评论的生成
15.3.1 RLHF模型进化的总体讲解
15.3.2 ChatGPT评分模块简介
15.3.3 带有评分函数的ChatGPT模型的构建
15.3.4 RLHF中的PPO算法——KL散度
15.3.5 RLHF中的PPO算法——损失函数
15.4 本章小结
第16章 开源大模型ChatGLM使用详解
16.1 为什么要使用大模型
16.1.1 大模型与普通模型的区别
16.1.2 一个神奇的现象——大模型的涌现能力
16.2 ChatGLM使用详解
16.2.1 ChatGLM简介及应用前景
16.2.2 下载ChatGLM
16.2.3 ChatGLM的使用与Prompt介绍
16.3 本章小结
第17章 开源大模型ChatGLM高级定制化应用实战
17.1 医疗问答GLMQABot搭建实战——基于ChatGLM搭建专业客服问答机器人
17.1.1 基于ChatGLM搭建专业领域问答机器人的思路
17.1.2 基于真实医疗问答的数据准备
17.1.3 文本相关性（相似度）的比较算法
17.1.4 提示语句Prompt的构建
17.1.5 基于单个文档的GLMQABot的搭建
17.2 金融信息抽取实战——基于知识链的ChatGLM本地化知识库检索与智能答案生成
17.2.1 基于ChatGLM搭建智能答案生成机器人的思路
17.2.2 获取专业（范畴内）文档与编码存储
17.2.3 查询文本编码的相关性比较与排序
17.2.4 基于知识链的ChatGLM本地化知识库检索与智能答案生成
17.3 基于ChatGLM的一些补充内容
17.3.1 语言的艺术——Prompt的前世今生
17.3.2 清华大学推荐的ChatGLM微调方法
17.3.2 一种新的基于ChatGLM的文本检索方案
17.4 本章小结
第18章 对训练成本上亿美元的ChatGLM进行高级微调
18.1 ChatGLM模型的本地化处理
18.1.1 下载ChatGLM源码与合并存档
18.1.2 修正自定义的本地化模型
18.1.3 构建GLM模型的输入输出示例
18.2 高级微调方法1——基于加速库Accelerator的全量数据微调
18.2.1 数据的准备——将文本内容转化成三元组的知识图谱
18.2.2 加速的秘密——Accelerate模型加速工具详解
18.2.3 更快的速度——使用INT8（INT4）量化模型加速训练
18.3 高级微调方法2——基于LoRA的模型微调
18.3.1 对ChatGLM进行微调的方法——LoRA
18.3.2 自定义LoRA的使用方法
18.3.3 基于自定义LoRA的模型训练
18.3.4 基于自定义LoRA的模型推断
18.3.5 基于基本原理的LoRA实现
18.4 高级微调方法3——基于Huggingface的PEFT模型微调
18.4.1 PEFT技术详解
18.4.2 PEFT的使用与参数设计
18.4.3 Huggingface专用PEFT的使用
18.5 本章小结
更新时间：2024-12-31 17:38:36
完结共241章
倒序