從零開始大模型開發與微調-基於PyTorch與ChatGLM 王曉華 9787302647072 【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：清華大學
物品所在地：中國大陸
原出版社：清華大學
NT$566
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
| *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：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：從零開始大模型開發與微調-基於PyTorch與ChatGLM ISBN：9787302647072 出版社：清華大學 著編譯者：王曉華 頁數：362 所在地：中國大陸 *此為代購商品 書號：1584614 可大量預訂，請先連絡。 內容簡介 大模型是深度學習自然語言處理皇冠上的一顆明珠，也是當前AI和NLP研究與產業中最重要的方向之一。本書使用PyTorch 2 0作為學習大模型的基本框架，以ChatGLM為例詳細講解大模型的基本理論、演算法、程序實現、應用實戰以及微調技術，為讀者揭示大模型開發技術。本書配套示例源代碼、PPT課件。 本書共18章，內容包括人工智慧與大模型、PyTorch 2 0深度學習環境搭建、從零開始學習PyTorch 2 0、深度學習基礎演算法詳解、基於PyTorch卷積層的MNIST分類實戰、PyTorch數據處理與模型展示、ResNet實戰、有趣的詞嵌入、基於PyTorch循環神經網路的中文情感分類實戰、自然語言處理的編碼器、預訓練模型BERT、自然語言處理的解碼器、強化學習實戰、只具有解碼器的GPT-2模型、實戰訓練自己的ChatGPT，開源大模型ChatGLM使用詳解、ChatGLM高級定製化應用實戰、對ChatGLM進行高級微調。 本書適合PyTorch深度學習初學者、大模型開發初學者、大模型開發人員學習，也適合高等院校人工智慧、智能科學與技術、數據科學與大數據技術、計算機科學與技術等專業的師生作為教學參考書。作者簡介 王曉華，計算機專業講師。長期講授面向對象程序設計、數據結構、Hadoop程序設計等研究生和本科生相關課程。主要研究方向為雲計算、數據挖掘。曾主持和參与多項國家和省級科研課題，獨立科研項目獲省級成果認定，發表過多篇論文，擁有一項專利。著有《Spark MLlib機器學習實踐》《TensorFlow深度學習應用實踐》《OpenCV+TensorFlow深度學習與計算機視覺實戰》《TensorFlow 2 0深度學習從零開始學》等圖書。目錄 第1章 新時代的曙光——人工智慧與大模型1 1 人工智慧：思維與實踐的融合 1 1 1 人工智慧的歷史與未來 1 1 2 深度學習與人工智慧 1 1 3 選擇PyTorch 2 0實戰框架 1 2 大模型開啟人工智慧的新時代 1 2 1 大模型帶來的變革 1 2 2 最強的中文大模型——清華大學ChatGLM介紹 1 2 3 近在咫尺的未來——大模型的應用前景 1 3 本章小結 第2章 PyTorch 2 0深度學習環境搭建 2 1 環境搭建1：安裝Python 2 1 1 Miniconda的下載與安裝 2 1 2 PyCharm的下載與安裝 2 1 3 Python代碼小練習：計算Softmax函數 2 2 環境搭建2：安裝PyTorch 2 2 2 1 Nvidia 10/20/30/40系列顯卡選擇的GPU版本 2 2 2 PyTorch 2 0 GPU Nvidia運行庫的安裝 2 2 3 PyTorch 2 0 小練習：Hello PyTorch 2 3 生成式模型實戰：古詩詞的生成 2 4 圖像降噪：手把手實戰第一個深度學習模型 2 4 1 MNIST數據集的準備 2 4 2 MNIST數據集的特徵和標籤介紹 2 4 3 模型的準備和介紹 2 4 4 對目標的逼近——模型的損失函數與優化函數 2 4 5 基於深度學習的模型訓練 2 5 本章小結 第3章 從零開始學習PyTorch 2 0 3 1 實戰MNIST手寫體識別 3 1 1 數據圖像的獲取與標籤的說明 3 1 2 實戰基於PyTorch 2 0的手寫體識別模型 3 1 3 基於Netron庫的PyTorch 2 0模型可視化 3 2 自定義神經網路框架的基本設計 3 2 1 神經網路框架的抽象實現 3 2 2 自定義神經網路框架的具體實現 3 3 本章小結 第4章 一學就會的深度學習基礎演算法詳解 4 1 反向傳播神經網路的前身歷史 4 2 反向傳播神經網路兩個基礎演算法詳解 4 2 1 最小二乘法詳解 4 2 2 梯度下降演算法 4 2 3 最小二乘法的梯度下降演算法及其Python實現 4 3 反饋神經網路反向傳播演算法介紹 4 3 1 深度學習基礎 4 3 2 鏈式求導法則 4 3 3 反饋神經網路的原理與公式推導 4 3 4 反饋神經網路原理的激活函數 4 3 5 反饋神經網路原理的Python實現 4 4 本章小結 第5章 基於PyTorch卷積層的MNIST分類實戰 5 1 卷積運算的基本概念 5 1 1 基本卷積運算示例 5 1 2 PyTorch中的卷積函數實現詳解 5 1 3 池化運算 5 1 4 Softmax激活函數 5 1 5 卷積神經網路的原理 5 2 實戰：基於卷積的MNIST手寫體分類 5 2 1 數據的準備 5 2 2 模型的設計 5 2 3 基於卷積的MNIST分類模型 5 3 PyTorch的深度可分離膨脹卷積詳解 5 3 1 深度可分離卷積的定義 5 3 2 深度的定義以及不同計算層待訓練參數的比較 5 3 3 膨脹卷積詳解 5 3 4 實戰：基於深度可分離膨脹卷積的MNIST手寫體識別 5 4 本章小結 第6章 可視化的PyTorch數據處理與模型展示 6 1 用於自定義數據集的torch utils data工具箱使用詳解 6 1 1 使用torch utils data Dataset封裝自定義數據集 6 1 2 改變數據類型的Dataset類中的transform的使用 6 1 3 批量輸出數據的DataLoader類詳解 6 2 實戰：基於tensorboardX的訓練可視化展示 6 2 1 可視化組件tensorboardX的簡介與安裝 6 2 2 tensorboardX可視化組件的使用 6 2 3 tensorboardX對模型訓練過程的展示 6 3 本章小結 第7章 ResNet實戰 7 1 ResNet基礎原理與程序設計基礎 7 1 1 ResNet誕生的背景 7 1 2 PyTorch 2 0中的模塊工具 7 1 3 ResNet殘差模塊的實現 7 1 4 ResNet網路的實現 7 2 ResNet實戰：CIFAR-10數據集分類 7 2 1 CIFAR-10數據集簡介 7 2 2 基於ResNet的CIFAR-10數據集分類 7 3 本章小結 第8章 有趣的詞嵌入 8 1 文本數據處理 8 1 1 Ag_news數據集介紹和數據清洗 8 1 2 停用詞的使用 8 1 3 詞向量訓練模型Word2Vec使用介紹 8 1 4 文本主題的提取：基於TF-IDF 8 1 5 文本主題的提取：基於TextRank 8 2 更多的詞嵌入方法——FastText和預訓練詞向量 8 2 1 FastText的原理與基礎演算法 8 2 2 FastText訓練及其與PyTorch 2 0的協同使用 8 2 3 使用其他預訓練參數來生成PyTorch 2 0詞嵌入矩陣（中文） 8 3 針對文本的卷積神經網路模型簡介——字元卷積 8 3 1 字元（非單詞）文本的處理 8 3 2 卷積神經網路文本分類模型的實現——Conv1d（一維卷積） 8 4 針對文本的卷積神經網路模型簡介——詞卷積 8 4 1 單詞的文本處理 8 4 2 卷積神經網路文本分類模型的實現——Conv2d（二維卷積） 8 5 使用卷積對文本分類的補充內容 8 5 1 漢字的文本處理 8 5 2 其他細節 8 6 本章小結 第9章 基於循環神經網路的中文情感分類實戰 9 1 實戰：循環神經網路 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。 |
