人工智能大模型-動手訓練大模型基礎 邵可佳 9787301311639 【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：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：人工智能大模型-動手訓練大模型基礎
ISBN：9787301311639
出版社：北京大學
著編譯者：邵可佳
頁數：349
所在地：中國大陸 *此為代購商品
書號：1739731
可大量預訂，請先連絡。

內容簡介 在人工智能蓬勃發展的當下，大模型技術正引領著新一輪的技術變革。本書以Python語言為主要工具，採用理論與實踐相結合的方式，全面、深入地闡述了人工智能大模型的構建與應用，旨在幫助讀者系統理解大模型的技術原理，掌握其核心訓練方法，從而在人工智能領域建立系統的技術認知體系。 全書分為五個部分：第一部分從大模型的技術演進歷程講起，重點剖析Python語言在大模型開發中的核心作用；第二部分圍繞模型架構設計、訓練優化算法及分散式訓練策略展開；第三部分深度解讀Transformer等主流架構及其變體的實現原理；第四部分涵蓋超參數調優、正則化技術、模型評估指標與優化策略；第五部分提供了大模型在自然語言處理、計算機視覺、語音識別等領域的高級應用案例。 本書兼具通俗性與專業性，案例豐富且實操性強，既可作為人工智能初學者的系統入門指南，也可滿足進階學習者的技術提升需求。對研究人員與工程師而言，本書更是一部極具參考價值的技術手冊。此外，本書還適合作為高校或培訓機構的人工智能課程教材，助力人工智能專業人才培養。

作者簡介 邵可佳 美國北亞利桑那大學數據分析碩士，擁有十多年算法研發與工業落地經驗，深耕機器人、人工智能、智能家居、金融風控、電商推薦、O2O智能調度等領域，具備跨行業的規模化算法實現能力。歷任金融算法工程師、河狸家算法專家、墨跡天氣資深算法架構師。現任雨根科技大數據事業部技術負責人，主持碳通量時空大模型的研發與工程化落地。

目錄 第一部分 大模型與Python開發基礎
第1章 大模型的理論發展
1 1 大模型的計算理論
1 1 1 大模型的發展歷程
1 1 2 未來展望
1 2 大規模數據的表示與處理
1 2 1 大規模數據的表示
1 2 2 大規模數據的處理
1 3 大模型的算法創新
1 3 1 注意力機制與自注意力網絡
1 3 2 動態路由與膠囊網絡
1 3 3 記憶增強神經網絡
1 3 4 生成對抗網絡與無監督學習
1 3 5 稀疏性與可解釋性算法
1 4 大模型的發展趨勢
1 4 1 更大規模與更深層次的模型架構
1 4 2 跨模態學習與融合
1 4 3 可解釋性與魯棒性增強
1 4 4 個性化與定製化服務
1 4 5 持續學習與自適應能力
1 4 6 綠色計算與可持續性
1 5 本章小結
第2章 大模型的Python開發環境
2 1 Python語言視角下大模型的開發生態
2 1 1 數據處理與分析
2 1 2 模型構建與訓練
2 1 3 可視化與調試
2 1 4 部署與集成
2 1 5 社區與資源
2 2 Python開發環境搭建
2 2 1 安裝Miniconda
2 2 2 創建並激活新的Conda環境
2 2 3 安裝必要的庫
2 2 4 配置IDE或代碼編輯器
2 2 5 測試環境
2 3 深度學習框架概覽：TensorFlow與PyTorch
2 3 1 TensorFlow
2 3 2 PyTorch
2 3 3 如何選擇
2 4 大模型微調技術簡介
2 4 1 微調技術的基本概念
2 4 2 微調技術的流程
2 4 3 微調技術的重要性
2 5 實例：使用Python語言進行簡單的模型微調
2 5 1 準備階段
2 5 2 數據載入與預處理
2 5 3 載入預訓練模型
2 5 4 微調時的注意事項
2 5 5 評估與部署
2 5 6 要點回顧
2 6 本章小結
第二部分 大模型訓練與加速
第3章 訓練加速常用硬體
3 1 GPU架構與編程模型
3 1 1 GPU架構概述
3 1 2 GPU編程模型
3 1 3 CUDA核心概念
3 2 CUDA編程模型與GPU內存管理
3 2 1 CUDA編程模型
3 2 2 GPU內存管理
3 3 大模型訓練中的GPU優化
3 3 1 數據并行與模型并行
3 3 2 內存優化
3 3 3 計算優化
3 3 4 GPU優化總結
3 4 實例：使用CUDA加速大模型訓練
3 4 1 實例背景
3 4 2 環境準備
3 4 3 模型定義和數據載入
3 4 4 模型訓練
3 4 5 實例總結
3 5 本章小結
第4章 大模型訓練的硬體加速
4 1 GPU加速技術的原理與實踐
4 1 1 GPU加速技術的原理
4 1 2 實例：使用GPU加速深度學習訓練
4 2 cuDNN庫在深度學習中的應用
4 2 1 cuDNN概述
4 2 2 cuDNN在深度學習框架中的集成
4 2 3 使用Python語言調用cuDNN示例
4 2 4 cuDNN帶來的性能優勢
4 2 5 使用cuDNN的注意事項
4 3 cuBLAS庫與線性代數運算加速
4 3 1 cuBLAS概述
4 3 2 cuBLAS在深度學習中的應用
4 3 3 使用Python語言調用cuBLAS示例
4 3 4 cuBLAS性能優勢
4 3 5 使用cuBLAS的注意事項
4 4 分散式GPU訓練
4 4 1 基本原理
4 4 2 常用框架
4 4 3 實施策略
4 5 大模型的并行計算與內存管理
4 5 1 大模型的并行計算策略
4 5 2 大模型的內存管理技術
4 5 3 使用Python語言設置并行策略和內存管理示例
4 6 實例：使用分散式GPU訓練大模型
4 6 1 環境準備
4 6 2 數據準備
4 6 3 模型設計
4 6 4 模型訓練
4 6 5 模型評估
4 7 本章小結
第5章 大模型的訓練過程
5 1 模型訓練流程簡介
5 1 1 數據準備
5 1 2 模型定義
5 1 3 環境配置
5 1 4 訓練配置
5 1 5 模型訓練
5 1 6 驗證與測試
5 1 7 模型部署
5 2 訓練前的準備
5 2 1 數據集準備
5 2 2 計算資源規劃
5 2 3 環境配置與依賴安裝
5 2 4 模型架構設計與初始化
5 3 訓練過程詳解
5 3 1 模型定義
5 3 2 迭代訓練
5 3 3 前向傳播
5 3 4 損失計算
5 3 5 反向傳播
5 3 6 參數更新
5 3 7 驗證與調整
5 4 訓練中的技術要點
5 4 1 數據預處理
5 4 2 模型優化
5 4 3 計算資源管理
5 4 4 過擬合控制
5 4 5 模型監控與調試
5 4 6 評估與部署
5 5 訓練后的評估與優化
5 5 1 評估方法
5 5 2 評估指標選擇
5 5 3 評估結果分析
5 5 4 優化策略
5 6 訓練過程中的挑戰
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。