實戰AI大模型 尤洋 9787111738787 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：機械工業
物品所在地：中國大陸
原出版社：機械工業
NT$630
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *數量非實際在台庫存 *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，以到貨標的為實際資訊。 印行年月：202311*若逾兩年請先於私訊洽詢存貨情況，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：實戰AI大模型 ISBN：9787111738787 出版社：機械工業 著編譯者：尤洋 叢書名：人工智慧科學與技術叢書 頁數：248 所在地：中國大陸 *此為代購商品 書號：1596247 可大量預訂，請先連絡。 內容簡介 本書是一本旨在填補人工智慧（AI）領域（特別是AI大模型）理論與實踐之間鴻溝的實用手冊。書中介紹了AI大模型的基礎知識和關鍵技術，如Transformer、BERT、ALBERT、T5、GPT系列、InstructGPT、Chat-GPT、GPT-4、PaLM和視覺模型等，並詳細解釋了這些模型的技術原理、實際應用以及高性能計算（HPC）技術的使用，如并行計算和內存優化。 同時，本書還提供了實踐案例，詳細介紹了如何使用Colossal-AI訓練各種模型。無論是人工智慧初學者還是經驗豐富的實踐者，都能從本書學到實用的知識和技能，從而在迅速發展的AI領城中找到適合自己的方向。作者簡介 尤洋，清華大學碩士，加州伯克利大學博士，新加坡國立大學計算機系校長青年教授（Presidential Young Professor）。曾創造ImageNet，BERT、AlphaFold、ViT訓練速度的世界紀錄，相關技術被廣泛應用於谷歌、微軟、英特爾、英偉達等科技公司。近三年以第一作者身份在NIPS、ICLR、SC、IPDPS、ICS等國際重要會議或期刊上發表論文十余篇，曾以第一作者身份獲國際并行與分散式處理大會（IPDPS）的Best Paper Award（0 8%獲獎率）和國際并行處理大會（ICPP）的Best PaperAward（0 3%獲獎率），也曾以通訊作者身份獲得了國際人工智慧大會（AAAI）的傑出論文獎（0 14%獲獎率）和國際計算語言學大會（ACL）的傑出論文獎（0 86%獲獎率），總計發表論文近百篇。曾獲清華大學優秀畢業生及當時清華大學計算機係數額最高的西貝爾獎學金，美國計算機協會（ACM）官網上唯一頒給在讀博士生的ACM-IEEE CS George Michael Memorial HPC Fellowship，頒發給伯克利優秀畢業生的Lotfi A Zadeh Prize，曾被UC Berkeley提名為ACM Doctoral Dissertation Award候選人。曾任職于谷歌、微軟、英偉達、英特爾、IBM，2021年入選福布斯30歲以下精英榜（亞洲）並獲得IEEE-CS超算傑出新人獎。目錄 第1章 深度學習中的AI大模型1 1 AI大模型在人工智慧領域的興起 1 1 1 AI大模型的發展與挑戰 1 1 2 AI大模型為何難以訓練 1 2 深度學習框架入門 1 2 1 搭建神經網路 1 2 2 訓練一個文本分類器 第2章 分散式系統：AI大模型的誕生之所 2 1 深度學習與分散式系統 2 1 1 從分散式計算到分散式AI系統 2 1 2 大規模分散式訓練平台的關鍵技術 2 1 3 Colossal AI應用實踐 2 2 AI大模型訓練方法 2 2 1 梯度累積和梯度裁剪 2 2 2 大批量優化器LARSLAMB 2 2 3 模型精度與混合精度訓練 2 3 異構訓練 2 3 1 異構訓練的基本原理 2 3 2 異構訓練的實現策略 2 4 實戰分散式訓練 2 4 1 Colossal AI環境搭建 2 4 2 使用Colossal AI訓練第一個模型 2 4 3 AI大模型的異構訓練 第3章 分散式訓練：上千台機器如何共同起舞 3 1 并行策略基礎原理 3 1 1 數據并行：最基本的并行訓練範式 3 1 2 張量并行：層內模型并行 3 1 3 流水線并行的原理與實現 3 2 高級并行策略基礎原理 3 2 1 序列并行：超長序列模型訓練 3 2 2 混合併行：擴展模型到千億參數 3 2 3 自動并行：自動化的分散式并行訓練 3 3 實戰分散式訓練 3 3 1 應用模型并行策略的實際案例 3 3 2 結合多種并行策略的訓練實踐 第4章 AI大模型時代的奠基石Transformer模型 4 1 自然語言處理基礎 4 1 1 自然語言任務介紹 4 1 2 語言輸入的預處理 4 1 3 序列到序列模型 4 2 Transformer詳解 4 2 1 Transformer模型結構 4 2 2 注意力與自注意力機制 4 2 3 Transformer中的歸一化 4 3 Transformer的變體與擴展 4 3 1 變體模型匯總 4 3 2 Transformer序列位置信息的編碼處理 4 3 3 Transformer訓練 第5章 AI大幅度提升Google搜索質量：BERT模型 5 1 BERT模型詳解 5 1 1 BERT模型總體架構與輸入形式 5 1 2 BERT模型預訓練任務 5 1 3 BERT模型的應用方法 5 2 高效降低內存使用的ALBERT模型 5 2 1 基於參數共享的參數縮減方法 5 2 2 句子順序預測（SOP）預訓練任務 5 3 BERT模型實戰訓練 5 3 1 構建BERT模型 5 3 2 并行訓練BERT模型 第6章 統一自然語言處理範式的T5模型 6 1 T5模型詳解 6 1 1 T5模型架構和輸入輸出——文本到文本 6 1 2 T5模型預訓練 6 1 3 T5模型應用前景及未來發展 6 2 統一BERT和GPT的BART模型 6 2 1 從BERT、GPT到BART 6 2 2 BART模型預訓練 6 2 3 BART模型的應用 6 3 統一語言學習範式的UL2框架 6 3 1 關於語言模型預訓練的統一視角 6 3 2 結合不同預訓練範式的混合去噪器 6 3 3 UL2的模型性能 6 4 T5模型預訓練方法和關鍵技術 第7章 作為通用人工智慧起點的GPT系列模型 7 1 GPT系列模型的起源 7 1 1 GPT的訓練方法和關鍵技術 7 1 2 GPT的模型性能評估分析 7 2 GPT-2模型詳解 7 2 1 GPT-2的核心思想 7 2 2 GPT-2的模型性能 7 3 GPT-3模型詳解 7 3 1 小樣本學習、一次學習與零次學習的異同 7 3 2 GPT-3的訓練方法和關鍵技術 7 3 3 GPT-3的模型性能與效果評估 7 4 GPT-3模型構建與訓練實戰 7 4 1 構建GPT-3模型 7 4 2 使用異構訓練降低GPT-3訓練消耗資源 第8章 興起新一代人工智慧浪潮：ChatGPT模型 8 1 能與互聯網交互的WebGPT 8 1 1 WebGPT的訓練方法和關鍵技術 8 1 2 WebGPT的模型性能評估分析 8 2 能與人類交互的InstructGPT模型 8 2 1 指令學習 8 2 2 近端策略優化 8 2 3 基於人類反饋的強化學習（RLHF）方法匯總 8 3 ChatGPT和GPT-4 8 3 1 ChatGPT模型簡介和應用 8 3 2 GPT-4模型特點與應用 8 4 構建會話系統模型 8 4 1 基於監督的指令精調與模型訓練 8 4 2 會話系統的推理與部署策略 第9章 百花齊放的自然語言模型：Switch Transfomer和PaLM 9 1 萬億參數稀疏大模型Switch Transformer 9 1 1 稀疏門控混合專家模型MoE 9 1 2 基於MoE的萬億參數模型Switch Transformer 9 2 PaLM模型：優化語言模型性能 9 2 1 PaLM模型的結構、原理和關鍵特點 9 2 2 PaLM訓練策略與效果評估 9 3 PaLM實戰訓練 第10章 實現Transformer向計算機視覺進軍的ViT模型 10 1 Transformer在計算機視覺中的應用 10 1 1 ViT模型在計算機視覺中的發展背景 10 1 2 ViT模型的架構、原理和關鍵要素 10 1 3 大規模ViT模型的應用場景和挑戰 10 2 視覺大模型的進一步發展：Transformer與卷積的融合 10 2 1 基於Transformer的視覺模型的改進應用 10 2 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PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
