书城首页 › 当代 › 工业 › 深度学习与大模型
当代·工业

深度学习与大模型

正版保障多仓发货48小时内发货2-3天送达可开发票
¥37.28 定价 ¥50.00 7.5折 立省 ¥12.72
仅剩 2 件 全新
商品参数
书名
深度学习与大模型
作者
张永忠 主编
出版社
中国铁道出版社有限公司
出版时间
2025-08-01
ISBN
9787113323073
货号
1203877240
品相
全新
分类
当代·工业
购物车(0)
商品参数
书名
深度学习与大模型
作者
张永忠 主编
出版社
中国铁道出版社有限公司
出版时间
2025-08-01
ISBN
9787113323073
货号
1203877240
品相
全新
分类
当代·工业
目录▼

第1章 机器学习与人工智能基础 1

1.1 机器学习与人工智能的基本概念 2

1.1.1 机器学习概述 2

1.1.2 人工智能的演进 5

1.1.3 机器学习与人工智能的关系 11

1.2 机器学习的分类 13

1.2.1 监督学习 13

1.2.2 无监督学习 15

1.2.3 强化学习 16

1.3 机器学习的常见算法 17

1.3.1 线性回归与逻辑回归 18

1.3.2 k近邻、决策树与随机森林 19

1.4 机器学习的基本流程 21

1.5 项目实践——实现线性回归模型 25

本章小结 28

思考与练习 28

第2章 人工神经网络与深度学习基础 30

2.1 神经网络的基本概念 31

2.1.1 感知机与多层感知机 31

2.1.2 神经元与激活函数 33

2.2 前向传播与反向传播 35

2.2.1 前向传播机制 35

2.2.2 反向传播机制 37

2.3 激活函数及其选择 39

2.3.1 常见的激活函数 40

2.3.2 激活函数的作用与选择策略 41

2.4 深度学习与传统机器学习的对比 42

2.4.1 特征工程与自动特征提取 42

2.4.2 模型复杂度与训练需求对比 43

2.4.3 处理不同类型数据的能力 43

2.5 深度学习的应用场景 44

2.5.1 图像识别与分类 44

2.5.2 自然语言处理与文本生成 44

2.5.3 强化学习与自动决策 45

2.6 项目实践——实现简单的多层感知机 45

本章小结 50

思考与练习 50

第3章 深度学习环境配置 51

3.1 深度学习环境概述 52

3.1.1 深度学习环境的基本要求 52

3.1.2 常用深度学习框架 54

3.2 安装CUDA与驱动程序 55

3.2.1 CUDA的安装 55

3.2.2 NVIDIA驱动与CUDA兼容性 57

3.2.3 cuDNN的安装 58

3.3 安装Anaconda与PyTorch 61

3.3.1 Anaconda的下载与安装 61

3.3.2 创建Python虚拟环境 64

3.3.3 安装PyTorch与依赖包 66

3.4 配置PyTorch的GPU加速 69

3.4.1 检查CUDA支持情况 69

3.4.2 启用GPU加速的配置 70

3.5 测试与排错 71

3.5.1 测试GPU的有效性 71

3.5.2 常见安装问题与解决方法 71

3.5.3 检查与升级驱动程序 72

3.6 项目实践——搭建GPU加速的PyTorch环境并测试运行 72

本章小结 75

思考与练习 75

第4章 卷积神经网络与计算机视觉 76

4.1 卷积神经网络的基本概念 77

4.1.1 卷积操作 77

4.1.2 卷积核与特征提取 78

4.1.3 池化层 79

4.1.4 全连接层 80

4.2 卷积神经网络在图像分类中的应用 81

4.2.1 常用数据集 82

4.2.2 图像分类的流程 82

4.2.3 构建CNN分类模型 84

4.3 迁移学习与预训练模型 86

4.3.1 迁移学习的基本概念 86

4.3.2 常用预训练模型 87

4.3.3 微调与冻结层策略 89

4.3.4 目标检测与YOLO模型 90

4.4 卷积神经网络的优化 94

4.4.1 数据增强技术 94

4.4.2 正则化方法 95

4.4.3 学习率调整与优化器选择 96

4.4.4 YOLO模型的改进与优化 96

4.5 项目实践——使用YOLO进行目标检测任务 97

本章小结 99

思考与练习 99

第5章 循环神经网络与自然语言处理 101

5.1 循环神经网络的原理 102

5.1.1 时间序列数据与循环神经网络 102

5.1.2 前向传播与反向传播过程 109

5.1.3 RNN的局限性与梯度消失问题 111

5.2 长短期记忆和门控循环单元 112

5.2.1 LSTM的结构与记忆单元 112

5.2.2 GRU的简化结构与应用 114

5.2.3 LSTM与GRU的性能对比 116

5.3 文本生成与情感分析 116

5.3.1 基于RNN的文本生成流程 116

5.3.2 情感分析任务的输入与预处理 118

5.3.3 LSTM和GRU在情感分析中的应用 119

5.4 词向量与嵌入层 119

5.4.1 词向量概述 120

5.4.2 嵌入层的作用与实现 121

5.4.3 词向量训练与迁移学习 122

5.5 序列到序列模型与机器翻译 122

5.5.1 编码器-解码器结构 123

5.5.2 注意力机制 124

5.5.3 机器翻译任务的训练流程 124

5.6 项目实践——构建LSTM模型进行文本情感分析 125

本章小结 129

思考与练习 130

……

第6章 生成对抗网络与深度生成模型 131

第7章 大模型概述 151

第8章 大模型微调 175

第9章 大模型的部署与应用 200

文摘▼

本书是“‘十五五’普通高等教育人工智能专业系列教材”之一,系统性地讲解了深度学习与大规模预训练模型的核心理论与工程实践,内容涵盖机器学习基础、人工神经网络、卷积网络、循环网络、生成对抗网络、强化学习等经典架构,并深入探讨大模型的微调优化与部署应用。通过PyTorch框架,结合Windows环境下的GPU加速配置,详细解析从算法原理到工业落地的全流程。在理论层面,重点剖析网络结构设计、训练优化方法及模型压缩技术;在实践层面,提供10余个典型实战案例,包括图像分类、文本分析、大模型本地部署,以及API服务部署等工程化内容。

本书适合高等院校计算机科学与技术、人工智能、软件工程、数据科学与大数据技术等专业的本科生与研究生使用,也适合相关行业工程师和自学者使用。

¥37.28
🛒购物车