深入探索Mamba模型架構與應用 王曉華 9787302681571 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202503*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：深入探索Mamba模型架構與應用
ISBN：9787302681571
出版社：清華大學
著編譯者：王曉華
頁數：354
所在地：中國大陸 *此為代購商品
書號：1718911
可大量預訂，請先連絡。

內容簡介

Mamba是一種新型的深度學習架構，在保持對序列長度近似線性擴展性的同時，提供了與Transformers相當的建模能力。本書旨在幫助讀者探索Mamba在不同領域實現卓越性能的潛力，並深入理解和應用這一新興的模型架構。本書配套示例源碼、PPT課件、配圖PDF文件與讀者微信交流群服務。 本書共分16章，內容包括Mamba概述、Mamba架構詳解、Mamba組件詳解、基於PyTorch的彈簧振子動力學Mamba實戰、Mamba文本情感分類實戰、Mamba的文本轉換實戰、VisionMamba圖像分類實戰、多方案的Mamba文本生成實戰、讓Mamba更強的模塊、循環神經網絡詳解與切片時間序列預測、基於Jamba的天氣預測實戰、統一了注意力與Mamba架構的Mamba2模型、Mamba結合Diffusion的圖像生成實戰、知識圖譜的構建與展示實戰、基於特徵詞的語音喚醒實戰、多模態視覺問答實戰。 本書既適合Mamba架構初學者，以及人工智能、深度學習方向的從業人員閱讀，也適合作為高等院校或高職高專院校相關專業學生的參考書。

作者簡介

王曉華，高校計算機專業講師，研究方向為雲計算、大數據與人工智能。其著作包括《深入探索Mamba模型架構與應用》《PyTorch深度學習與計算機視覺實踐》《PyTorch語音識別實戰》《ChatGLM3大模型本地化部署、應用開發與微調》《從零開始大模型開發與微調：基於PyTorch與ChatGLM》《PyTorch 2 0深度學習從零開始學》《Spark 3 0大數據分析與挖掘：基於機器學習》《TensorFlow深度學習應用實踐》《OpenCV+TensorFlow深度學習與計算機視覺實戰》《TensorFlow語音識別實戰》《TensorFlow 2 0卷積神經網絡實戰》《深度學習的數學原理與實現》。

目錄

第1章 橫空出世的Mamba
1 1 深度學習的前世今生
1 1 1 深度學習的發展歷程
1 1 2 深度學習與人工智能
1 2 深度學習中的主要模型
1 2 1 深度學習中的代表性模型和應用
1 2 2 CNN、RNN與Transformer
1 2 3 劍指王者的Mamba帶來了新的突破
1 3 本章小結
第2章 挑戰注意力機制地位的Mamba架構詳解
2 1 Mamba的優勢
2 1 1 Transformer模型存在的不足
2 1 2 循環神經網絡
2 1 3 結合Transformer與RNN優點的SSM
2 2 環境搭建1：安裝Python
2 2 1 Miniconda的下載與安裝
2 2 2 PyCharm的下載與安裝
2 3 環境搭建2：安裝PyTorch 2 0
2 3 1 Nvidia 10/20/30/40系列顯卡選擇的GPU版本
2 3 2 PyTorch 2 0 GPU Nvidia運行庫的安裝
2 4 第一次使用Mamba
2 4 1 Hello Mamba：使用預訓練Mamba模型生成實戰
2 4 2 了解Mamba：構建Mamba的三大模塊說明
2 5 本章小結
第3章 Mamba組件詳解
3 1 Mamba組件1：狀態空間模型
3 1 1 經典狀態空間詳解
3 1 2 什麼是狀態空間
3 1 3 狀態空間模型影響模型的學習過程與Python實現
3 2 Mamba組件2：連續信號轉換成離散信號的方法
3 2 1 將連續信號轉換成離散信號詳解與Python實現
3 2 2 離散狀態空間的Python實現
3 2 3 離散狀態空間的循環計算（類似於RNN的計算方法）
3 3 Mamba組件3：HiPPO算法初始化的狀態轉移矩陣
3 3 1 SSM中的狀態轉移矩陣
3 3 2 HiPPO算法的Python實現與可視化講解
3 4 本章小結
第4章 基於PyTorch的彈簧振子動力學Mamba實戰
4 1 從狀態空間模型SSM到結構化狀態空間模型S
4 1 1 從狀態空間模型SSM開始（PyTorch具體實現）
4 1 2 連續信號轉換為離散信號的PyTorch實現
4 1 3 離散信號循環計算的PyTorch實現
4 1 4 狀態空間模型SSM的PyTorch實現
4 1 5 HiPPO算法初始化狀態矩陣
4 1 6 基於S4架構的Mamba模型
4 2 基於狀態空間模型模擬彈簧振子動力學
4 2 1 加速度的求解：詳細講解的經典彈簧-阻尼系統公式
4 2 2 彈簧-阻尼微分方程的SSM分解與PyTorch實現
4 2 3 使用空間狀態方程模擬彈簧-阻尼方程
4 2 4 阻尼微分方程參數的物理解釋（選學）
4 3 基於SSM的模擬彈簧振子輸出的神經網絡實戰
4 3 1 數據的準備
4 3 2 對數空間中切分步數的準備
4 3 3 基於SSM的模型構建
4 3 4 SSM模型的訓練實戰
4 3 5 使用HiPPO算法初始化狀態轉移矩陣
4 4 本章小結
第5章 Mamba文本情感分類實戰
5 1 有趣的詞嵌入
5 1 1 什麼是詞嵌入
5 1 2 PyTorch中詞嵌入處理函數詳解
5 2 基於進階SSM架構的情感分類Mamba實戰
5 2 1 數據的準備
5 2 2 SSM進階的S6架構的設計與手把手實現
5 2 3 Mamba堆疊Block的設計與完整實現
5 2 4 完整Mamba的實現
5 2 5 基於Mamba的情感分類實戰
5 3 本章小結
第6章 Mamba文本轉換實戰
6 1 基於Mamba的拼音漢字轉換模型
6 1 1 拼音漢字數據集詳解與實戰處理方法
6 1 2 Mamba模型的設計詳解
6 1 3 模型的訓練與預測
6 2 PyTorch對數據集的封裝與可視化訓練步驟
6 2 1 使用torch utils data Dataset封裝自定義數據集
6 2 2 批量輸出數據的DataLoader類詳解
6 3 本章小結
第7章 含有位置表示的雙向VisionMamba模型圖像分類實戰
7 1 使用PyTorch自帶的圖像管理工具與圖像增強技術
7 1 1 PyTorch自帶的圖像管理工具
7 1 2 圖片數據增強
7 2 基於雙向VisionMamba的模塊講解
7 2 1 數據的準備
7 2 2 將圖像轉換為Mamba可用的Embedding處理方法
7 2 3 能夠雙向計算的VisionMamba模型
7 2 4 初始旋轉位置編碼RoPE
7 3 VisionMamba圖像分類實戰
7 3 1 VisionMamba模型的構建
7 3 2 VisionMamba圖像分類實戰
7 4 本章小結
第8章 多方案的Mamba文本生成實戰
8 1 Mamba的經典文本生成實戰
8 1 1 數據的準備與錯位輸入方法
8 1 2 基於經典Mamba的文本生成模型
8 1 3 基於Mamba的文本生成模型的訓練與推斷
8 1 4 生成函數中的注意事項：temperature與「模型尺寸」
8 2 微調：在原有Mamba模型上進行重新訓練
8 2 1 什麼是微調
8 2 2 預訓練的Mamba生成模型
8 2 3 對預訓練模型進行微調
8 2 4 使用微調的預訓練模型進行預測
8 3 低硬體資源微調預訓練Mamba模型的方法
8 3 1 使用凍結模型參數的微調方法
8 3 2 通過替換特定層的方式完成微調
8 3 3 對模型參數進行部分保存和載入的方法
8 4 本章小結
第9章 能夠讓Mamba更強的模塊
9 1 What Kan I Do
9 1 1 從多層感知機的數學
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。