正版
向量计算:换个角度学AI,打通任督二脉
- 书名
- 向量计算:换个角度学AI,打通任督二脉
- 作者
- 刘鹏 著
- 出版社
- 清华大学出版社
- 出版时间
- 2026-08-01
- ISBN
- 9787302724858
- 货号
- 1204500395
- 品相
- 全新
- 分类
- 当代·工业
- 书名
- 向量计算:换个角度学AI,打通任督二脉
- 作者
- 刘鹏 著
- 出版社
- 清华大学出版社
- 出版时间
- 2026-08-01
- ISBN
- 9787302724858
- 货号
- 1204500395
- 品相
- 全新
- 分类
- 当代·工业
作者简介▼
刘鹏,清华大学博士,(原)解放军理工大学教授、博导、学科带头人,中国大数据应用联盟人工智能专家委员会主任,中国信息协会教育分会人工智能教育专家组组长,教育部全国普通高校毕业生就业创业指导委员会委员,全国大学生数学建模竞赛命题人,第45届世界技能大赛中国云计算专家指导组组长,中国电子学会云计算专家委员会云存储组组长,工业和信息化部云计算研究中心专家,云计算、大数据和人工智能等领域知名专家,曾获全球大数据处理比赛PennySort世界冠军、全国大学生“挑战杯”比赛总冠军、AIM国家路演大赛中国区亚军、中国先进技术转化应用大赛铜奖,荣获全军十大学习成才标兵、江苏省中青年科技领军人才、南京十大杰出青年、中国大数据创新百人、清华大学特等奖学金等荣誉。主持科研项目40余项,发表论文80余篇,授权发明专利60余项,出版的人工智能、大数据教材被全国高校广泛采用,其中一本曾经位居“中国高被引图书”计算机类榜首。
目录▼
第1篇 入门篇
第1章 走进向量计算的世界…………2
1.1 为什么AI的核心是向量计算?…………2
1.1.1 万物皆可向量化…………2
1.1.2 AI中的向量计算无处不在……4
1.1.3 为什么向量计算如此重要?…5
1.1.4 向量计算的挑战…………6
1.2 从标量、向量、矩阵到张量……6
1.2.1 标量:一个数字…………7
1.2.2 向量:一串有序的数字………7
1.2.3 矩阵:数字组成的表格………7
1.2.4 张量:多维的数字集合………7
1.2.5 维度的直观理解…………8
1.2.6 张量在AI中的应用…………9
1.3 向量计算的数学基础…………9
1.3.1 向量的表示…………9
1.3.2 向量的可视化…………10
1.3.3 向量的基本运算…………10
1.3.4 向量的范数(长度)…………13
1.3.5 向量距离的度量…………14
1.3.6 矩阵乘法…………15
1.3.7 向量化计算的优势…………17
1.3.8 实战:用向量计算实现简单推荐…………18
1.4 本章小结…………19
1.5 参考文献…………20
第2章 万物皆向量:Embedding技术…………21
2.1 文本向量化:从Word2Vec到Transformer/BERT…………21
2.1.1 从One‑Hot到分布式表示:让词语“活”起来…………21
2.1.2 Word2Vec的两种训练方式:CBOW和Skip‑Gram…………22
2.1.3 负采样:把百万分之一的计算变成二选一…………22
2.1.4 BERT时代:上下文相关的动态向量…………23
2.1.5 从静态到动态:向量表示的进化…………24
2.2 图像向量化:CNN与ViT特征提取…………24
2.2.1 CNN:用“窗口”扫描图像的智慧…………24
2.2.2 ViT:把图像切成“词”,用Transformer处理…………26
2.2.3 选择CNN还是ViT?…………27
2.2.4 实战:如何从图像中提取向量?…………27
2.3 多模态对齐:CLIP模型与跨模态向量空间…………28
2.3.1 CLIP的核心思想:对比学习…………29
2.3.2 CLIP的双编码器架构…………30
2.3.3 InfoNCE损失函数:让正确答案脱颖而出…………30
2.3.4 CLIP的神奇应用:零样本图像分类…………31
2.3.5 2025年CLIP的进化…………32
2.3.6 多模态检索的实战流程…………32
2.4 向量的降维与可视化…………34
2.4.1 为什么要降维?…………34
2.4.2 PCA:主成分分析——找到数据的主轴…………34
2.4.3 t‑SNE:保留局部结构的非线性降维…………36
2.4.4 PCA VS t‑SNE:如何选择?…37
2.4.5 降维技术在向量数据库中的应用…………38
2.4.6 实战:使用scikit‑learn进行降维…………38
2.4.7 降维的注意事项…………39
2.5 本章小结…………40
第2篇 算法篇
第3章 向量相似度度量…………43
3.1 距离算法详解:欧氏距离、余弦相似度、内积…………43
3.1.1 欧氏距离:最直观的“物理距离”…………43
3.1.2 余弦相似度:关注“方向”而非“长度”…………44
3.1.3 内积:兼顾方向和长度的综合度量…………45
3.1.4 度量的数学性质与实现……47
3.2 距离度量的选择与应用场景差异…………47
3.2.1 三种度量的全面对比…………48
3.2.2 典型应用场景的选择…………48
3.2.3 数据特征对度量选择的影响…………50
3.2.4 计算效率与工程考量…………51
3.2.5 实际案例分析…………51
3.2.6 混合策略与动态选择…………52
3.3 本章小结…………53
3.4 参考文献…………55
第4章 近似最近邻搜索算法…………56
4.1 暴力搜索的局限性…………56
4.1.1 KNN的基本原理…………56
4.1.2 暴力搜索的时间代价…………57
4.1.3 暴力搜索的空间代价…………58
4.1.4 暴力搜索的适用场景…………58
4.1.5 问题的本质:精度VS速度…………59
4.1.6 ANN算法的核心思想…………59
4.2 基于树的方法与基于哈希的方法…………60
4.2.1 基于树的方法:KD‑Tree……60
4.2.2 基于哈希的方法:LSH………62
4.2.3 为什么需要HNSW?…………68
4.3 核心算法详解:HNSW…………68
4.3.1 从小世界图说起…………68
4.3.2 HNSW的分层结构…………69
4.3.3 HNSW的搜索过程…………71
4.3.4 HNSW的参数调优…………75
4.3.5 HNSW的实战应用…………76
4.3.6 HNSW VS其他算法…………78
4.4 向量化量化技术:标量量化与乘积量化…………78
4.4.1 为什么需要量化?…………78
4.4.2 标量量化…………80
4.4.3 乘积量化…………82
4.4.4 量化实战:使用Faiss进行向量量化…………86
4.4.5 量化策略的选择…………89
4.5 本章小结…………90
4.6 参考文献…………91
第3篇 架构篇
第5章 向量数据库技术…………93
5.1 向量数据库VS传统数据库……93
5.1.1 传统数据库的局限:为什么MySQL干不了这个活……93
……
文摘▼
为什么学了很多AI理论,面对大模型时依然感到“云里雾里”?因为你可能陷入了枯燥的数学推导或繁杂的API调用中,却忽略了贯穿AI世界的真正“灵魂”——向量计算.本书拒绝照本宣科,主张“换个角度学AI”.我们将向量计算作为打通人工智能“任督二脉”的关键钥匙,带你穿越复杂的神经网络表象,直抵智能产生的物理本质.本书从Embedding如何将万物转化为数字坐标讲起,深入解密HNSW如何在大海捞针中实现毫秒级检索,剖析向量数据库与GPU硬件的底层加速机制,最终彻底讲透RAG与Transformer注意力机制背后的向量流转逻辑.如果你不满足于只做一个知其然而不知其所以然的“调包侠”,如果你渴望看透ChatGPT、推荐系统与以图搜图背后的底层法则,本书将带你从微观的数字计算走向宏观的系统架构,彻底终结你对AI技术的“一知半解”,真正掌握驾驭智能时代的硬核能力.本书适合渴望了解AI黑盒本质的高校学生、算法工程师、系统架构师和技术转型者学习与使用.





