大模型核心技術與開發實踐-基於Transformer PyTorch及Hugging Face 978730269140

*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：202506*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：大模型核心技術與開發實踐-基於Transformer PyTorch及Hugging Face
ISBN：9787302691402
出版社：清華大學
著編譯者：淩峰
頁數：320
所在地：中國大陸 *此為代購商品
書號：1737117
可大量預訂，請先連絡。

【台灣高等教育出版社簡體書】 大模型核心技術與開發實踐-基於Transformer PyTorch及Hugging Face 787302691402 淩峰
內容簡介 本書系統地介紹大語言模型（LLM）的理論基礎、實現方法及在多種場景中的應用實踐。共分為12章，第1-3章介紹Transformer模型的基本架構與核心概念，包括編解碼器的結構、自注意力機制、多頭注意力的設計和工作原理；第4-6章結合實際案例，講解如何利用PyTorch和hugging Face庫構建、訓練和微調LLM；第7-9章介紹生成模型的推理和優化技術，包括量化、剪枝、多GPU并行處理、混合精度訓練等，以提高模型在大規模數據集上的訓練和推理效率；第10、11章通過實例講解Transformer在實際NLP任務中的應用以及模型可解釋性技術；第12章通過一個企業級文本分析平台項目的搭建，介紹從數據預處理、文本生成、高級分析到容器化與雲端部署的完整流程，並提供了代碼示例、模塊化測試和性能評估方法，幫助讀者實際構建滿足企業需求的智能應用系統。 本書覆蓋了當前廣泛關注的LLM技術熱點，並提供了豐富的實例代碼，適合大模型開發人員、大模型應用工程師、算法工程師以及計算機專業的學生，亦可作為高校人工智能課程的相關教學用書。

作者簡介 凌峰 博士，目前就職于某985高校，長期從事機器學習、人工智能、計算機視覺與大模型領域的研發與教學，在模型優化、訓練加速、數據驅動算法開發等方面有深刻見解，參与並主導多項相關科研項目。

目錄 第1章 Transformer與PyTorch的集成應用概述
1 1 大模型與Transformer的技術背景
1 1 1 自注意力機制的原理與實現細節
1 1 2 多層堆疊與殘差連接：Transformer的高效信息流
1 2 PyTorch的應用場景與技術特點
1 2 1 動態圖計算與自動微分機制
1 2 2 GPU加速與多設備支持
1 3 快速上手：使用PyTorch實現一個簡單的Transformer模型
1 3 1 Transformer編碼器的基礎實現與訓練流程
1 3 2 解碼器與完整Transformer模型的拼接與測試
1 4 本章小結
1 5 思考題
第2章 Transformer編碼器與解碼器的原理與實現
2 1 Transformer編碼器與解碼器結構分析
2 1 1 位置編碼的設計與實現
2 1 2 多頭注意力與前饋層的層次關係
2 2 基於PyTorch實現編碼器-解碼器架構
2 2 1 多頭注意力模塊的獨立實現與測試
2 2 2 殘差連接與層歸一化的模塊化實現
2 3 Transformer的編碼解碼過程
2 3 1 編碼器多層堆疊與信息流動的實現
2 3 2 解碼器自回歸生成過程的實現與可視化
2 3 3 基於文本的Transformer實例：逐步列印編碼解碼過程
2 4 編碼器和解碼器的雙向訓練流程
2 4 1 編碼器與解碼器的聯合訓練策略
2 4 2 掩碼機制在雙向訓練中的應用
2 5 本章小結
2 6 思考題
第3章 注意力機制與多頭注意力的實現
3 1 注意力機制的基礎與實現原理
3 1 1 點積注意力與縮放機制
3 1 2 注意力權重的歸一化與Softmax函數應用
3 2 多頭注意力的設計與實現細節
3 2 1 多頭分組與并行計算策略
3 2 2 多頭注意力的拼接與線性變換
3 3 使用PyTorch實現多頭注意力並進行可視化
3 3 1 注意力矩陣的生成與可視化
3 3 2 不同頭注意力分佈的可視化分析
3 4 多頭注意力權重的提取與應用
3 4 1 多頭注意力權重提取與解讀：理解模型的關注點
3 4 2 多頭注意力權重的優化與調控
3 5 本章小結
3 6 思考題
第4章 Hugging Face Transformers庫的應用
4 1 Transformer模型的載入與配置
4 1 1 預訓練模型的載入與管理
4 1 2 模型配置自定義與參數調整
4 2 使用Hugging Face庫進行模型訓練與推理
4 2 1 模型訓練數據的預處理與標註
4 2 2 訓練過程中的參數優化與監控
4 3 Hugging Face生態系統的其他工具介紹
4 3 1 Tokenizer的自定義與高效分詞方法
4 3 2 Dataset和Pipeline工具的集成應用
4 4 自定義Hugging Face的模型訓練流程
4 4 1 自定義訓練循環與評估指標
4 4 2 遷移學習與微調：從預訓練到特定任務
4 5 本章小結
4 6 思考題
第5章 數據預處理與文本分詞技術
5 1 文本數據的清洗與標準化
5 1 1 特殊字元和標點的處理
5 1 2 停用詞去除與大小寫規範化
5 2 分詞方法及其在不同模型中的應用
5 2 1 詞級分詞與子詞分詞
5 2 2 BPE與WordPiece分詞算法的實現原理
5 3 使用PyTorch和Hugging Face進行分詞與詞嵌入
5 3 1 基於Hugging Face Tokenizer的高效分詞
5 3 2 Embedding層的定義與詞嵌入矩陣的初始化
5 4 動態分詞與序列截斷技術
5 4 1 處理變長文本輸入
5 4 2 長序列的截斷與填充
5 4 3 綜合案例：文本清洗、分詞、詞嵌入與動態填充
5 5 本章小結
5 6 思考題
第6章 模型微調與遷移學習
6 1 微調與遷移學習的基本概念與方法
6 1 1 遷移學習的體繫結構：模型的選擇與適配
6 1 2 全參數微調與部分參數微調的優缺點
6 2 使用預訓練模型進行領域微調
6 2 1 領域特定數據的預處理與載入
6 2 2 調節學習率與損失函數
6 3 微調策略與優化技巧：凍結層、增量訓練等
6 3 1 凍結模型層的選擇與解凍
6 3 2 增量訓練中的數據選擇與樣本權重分配
6 4 增量學習：如何在新數據上繼續微調
6 4 1 基於新數據的微調策略：避免災難性遺忘
6 4 2 使用正則化與約束技術保持原模型性能
6 4 3 綜合案例：增量學習中的微調策略與優化
6 5 本章小結
6 6 思考題
第7章 文本生成與推理技術
7 1 文本生成方法概述：Beam Search、Top-K與Top-P採樣
7 1 1 Beam Search的多路徑生成與評估
7 1 2 Top-K採樣的限制與稀疏性控制
7 1 3 Top-P採樣的自適應概率截斷機制
7 2 文本生成模型的應用實例
7 2 1 使用預訓練語言模型生成長篇文本
7 2 2 生成多輪對話的上下文保持與管理
7 2 3 引導生成特定情緒的文本
7 3 生成模型的實現與優化
7 3 1 使用PyTorch和Transformers庫實現生成模型
7 3 2 生成模型的批量處理與并行加速
7 3 3 生成結果的后處理與數據清洗
7 4 控制生成式模型輸出的技術手段
7 4 1 溫度調控參數的設置與生成調節
7
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。