擴散模型-生成式AI模型的理論、應用與代碼實踐 9787121459856 楊靈 張至隆 張文濤 崔斌 著

內容簡介
本書深入淺出地介紹了擴散模型的知識，案例豐富，講解細緻。第1章 介紹AIGC與相關技術，第2章 從三個視角介紹擴散模型的基本理論、算法，此外介紹了擴散模型的神經網絡架構和代碼實現。第3章 、第4章 、第5章 分別從高效採樣、似然優化、數據結構三個方面系統介紹了擴散模型的特點，以及後續的改進工作。第6章 討論了擴散模型與其他生成模型的關聯，包括變分自編碼器、生成對抗網絡、歸一化流、自回歸模型和基於能量的模型。第7章 介紹了擴散模型的應用，包括計算機視覺、自然語言處理、時間數據建模、多模態學習、魯棒學習和跨學科應用。第8章 討論了擴散模型的未來，以及與GPT和大模型的關聯。
本書適合高等院校計算機科學、人工智能和醫學、生物學等交叉學科專業的師生，以及相關人工智能應用程序的開發人員閱讀

作者簡介
楊靈，北京大學博士在讀，研究興趣是機器學習和生成式AI，作為第一作者在ICML、CVPR等人工智能頂會、頂刊發表過多篇論文，長期擔任TPAMI、ICML、NeurIPS、CVPR、 KDD、AAAI等多個頂級學術會議或期刊的程序委員會成員、審稿人。現與OpenAI、斯坦福大學等AI研究機構進行長期的科研合作。曾獲北京大學國家獎學金、學術創新獎、三好學生等獎項。
張至隆，北京大學碩士在讀，本科畢業於北京大學數學科學學院，研究興趣是擴散模型。曾獲北京大學國琴獎學金、優秀畢業生、三好學生等獎項。
張文濤，蒙特利爾學習算法研究所（Mila）博士後研究員。博士畢業於北京大學計算機學院，師從崔斌教授。研究興趣為大規模圖學習，作為第一作者在機器學習、數據挖掘和數據庫等領域發表論文10餘篇。曾獲Apple PhD Fellowship、WAIC雲帆獎和北京大學優秀博士學位論文等獎項。
崔斌，北京大學計算機學院教授、博士生導師、北京大學計算機學院副院長。擔任中國計算機學會數據庫專委會副主任，VLDB理事會理事，IEEE TKDE、VLDB Journal、DAPD等國際期刊編委。中國計算機學會傑出會員、IEEE高級會員、ACM會員，2016年入選教育部長江學者特聘教授。

精彩書評
擴散模型是最近幾年人工智能領域的重要突破之一。本書不僅羅列了眾多聞名學界和業界的擴散模型，還聚焦了擴散模型在AIGC領域的多種應用，探討了擴散模型與GPT大模型的關聯和未來發展，既有技術前沿性，又有業務實用性。
王小川搜狗創始人、搜狗公司前CEO、搜狐前高級副總裁兼CTO
本書作者在生成式AI和擴散模型等領域有著長期的研究和實踐積累。本書內容豐富，兼具廣度和深度，可供高等院校計算機科學、人工智能和醫學、生物學等交叉學科專業的師生，以及相關人工智能應用程序的開發人員閱讀。
朱軍清華大學計算機系教授、清華大學人工智能研究院副院長
擴散模型有著巨大的研究價值和商業價值。本書由多位專家、學者聯合撰寫，為讀者提供了深入淺出的理論介紹和代碼實踐指導，幫助讀者建立起對擴散模型的基礎理論框架。讀者可以通過該書瞭解到擴散模型的應用和前沿進展，包括和GPT大模型的關聯等。有助於讀者將擴散模型應用於實際工作中。
文繼榮中國人民大學高瓴人工智能學院執行院長、信息學院院長
我非常樂意將本書推薦給在校本科生、研究生和博士生閱讀。本書詳細闡述了擴散模型的基礎理論，以及相關應用，具有極高的專業性和實用性。此外，對於GPT及其他大模型的深入討論，以及對這些模型是如何在擴散模型中應用的介紹，無疑為本書增添了更高的研究價值和參考價值。
代季峰清華大學電子工程系副教授、商湯科技前執行研究總監
本書據我所知是該領域中第一本系統介紹擴散模型的參考書。本書為讀者提供了理論和實踐兩個方面的指導，詳細介紹了擴散模型的基礎知識、高效採樣、參數估計等技術，以及針對離散數據和流形數據的拓展等。此外，該書還結合大語言模型GPT展望了生成模型的未來發展。這是一本具有權威性的關於擴散模型的參考書，適合科研人員、高校師生和企業開發者閱讀。
顧全全UCLA計算機系副教授、斯隆研究獎獲得者
本書介紹了擴散模型的研究成果和實際應用，包括擴散模型在文生圖和”AI for Science”中的應用案例等。無論是學術研究者、計算機程序開發者，還是對生成式AI感興趣的普通讀者，本書都可以幫助你更好地理解、研究和使用擴散模型。
唐建蒙特利爾大學算法研究所（Mila）副教授、加拿大高等研究院（CIFAR）講席教授
無論是對學術研究者，還是對希望瞭解並應用AI技術的工程師，本書都提供了極其寶貴的資源。本書詳細闡述了擴散模型的基礎理論，以及這些理論是如何擴展至各種現實場景應用的。另外，作者對實際應用案例的深入探討，如計算機視覺、自然語言處理、魯棒學習等，為讀者提供了實踐者的視角和實際操作的經驗。
趙越南加州大學助理教授、卡耐基梅隆大學博士、技術專家”微調”

目錄

第1 章 AIGC 與相關技術
1 1 AIGC 簡介
1 2 擴散模型簡介
第2 章 擴散模型基礎
2 1 去噪擴散概率模型
2 2 基於分數的生成模型
2 3 隨機微分方程
2 4 擴散模型的架構
第3 章 擴散模型的高效採樣
3 1 微分方程
3 2 確定性採樣
3 2 1 SDE 求解器
3 2 2 ODE 求解器
3 3 基於學習的採樣
3 3 1 離散方式
3 3 2 截斷擴散
3 3 3 知識蒸餾
第4 章 擴散模型的似然最大化
4 1 似然函數最大化
4 2 加噪策略優化
4 3 逆向方差學習
4 4 精確的對數似然估計
第5 章 將擴散模型應用於具有特殊結構的數據
5 1 離散數據
5 2 具有不變性結構的數據
5 3 具有流形結構的數據
5 3 1 流形已知
5 3 2 流形未知
第6 章 擴散模型與其他生成模型的關聯
6 1 變分自編碼器與擴散模型
6 2 生成對抗網絡與擴散模型
6 3 歸一化流與擴散模型
6 4 自回歸模型與擴散模型
6 5 基於能量的模型與擴散模型
第7 章 擴散模型的應用
7 1 無條件擴散模型與條件擴散模型
7 2 計算機視覺
7 2 1 圖像超分辨率、圖像修復和圖像翻譯
7 2 2 語義分割
7 2 3 視頻生成
7 2 4 點雲補全和點雲生成
7 2 5 異常檢測
7 3 自然語言處理
7 4 時間數據建模
7 4 1 時間序列插補
7 4 2 時間序列預測
7 5 多模態學習
7 5 1 文本到圖像的生成
7 5 2 文本到音頻的生成
7 5 3 場景圖到圖像的生成
7 5 4 文本到3D 內容的生成
7 5 5 文本到人體動作的生成
7 5 6 文本到視頻的生成
7 6 魯棒學習
7 7 跨學科應用
7 7 1 人工智能藥物研發
7 7 2 醫學影像
第8 章 擴散模型的未來——GPT 及大模型
8 1 預訓練技術簡介
8 1 1 生成式預訓練和對比式預測練
8 1 2 並行訓練技術
8 1 3 微調技術
8 2 GPT 及大模型
8 2 1 GPT-1
8 2 2 GPT-2
8 2 3 GPT-3 和大模型
8 2 4 InstructGPT 和ChatGPT
8 2 5 Visual ChatGPT
8 3 基於GPT 及大模型的擴散模型
8 3 1 算法研究
8 3 2 應用範式
相關資料說明

前言/序言
序言
縱覽生成式AI的發展史，自AI誕生之始，人們就試圖讓機器生成內容，與其對話，並誕生了圖靈測試標準。從DALLE 2、Stable Diffusion、Midjourney等文生圖應用點燃了大眾的熱情，再到ChatGPT的橫空出世，更是引發了全民關注。生成式AI是一種特定類型的AI，專注於生成新內容，如文本、圖像和音樂。未來，生成式AI很可能會對創意產業產生重大影響。在許多情況下，它可以協助創意人員工作，使他們能夠創造出更多個性化的內容，以及產生新的想法。
擴散模型（Diffusion Model）是一類隱變量模型，採用變分推斷估計未知分佈。擴散模型的目標是通過對數據點在隱空間中的擴散方式進行建模，以近似估計數據集的分佈。擴散模型的靈感來自非平衡熱力學，首先定義擴散步驟的馬爾可夫鏈，以逐步地將隨機噪聲添加到數據中，然後學習逆向擴散過程以從噪聲中構造所需的數據樣本。在計算機視覺中，這意味著通過學習逆擴散過程訓練神經網絡，使其可以對疊加了高斯噪聲的圖像進行去噪。擴散模型具有廣泛的應用，在圖像、3D內容、視頻、音頻等生成任務中表現出色，同時具有良好的可擴展性。
本書主要針對擴散模型進行了介紹，內容豐富。從廣度上看，書中討論了擴散模型的相關原理和算法改進，即去噪擴散概率擴散模型、基於分數的生成模型和隨機微分方程，還討論了擴散模型與GAN、VAE等其他生成模型的關聯，最後詳細介紹了擴散模型在文生圖、3D建模、視頻生成、時序數據預測、醫學和生命科學等諸多領域的應用。從深度上看，書中包含了理論推導、算法解析和代碼實踐。本書作者楊靈等來自北京大學，並長期和斯坦福大學、OpenAI等國內外知名研究機構交流合作。他們在生成式AI和擴散模型等領域有著長期的研究和實踐積累，因此本書呈現的內容具有實用性，可供高等院校計算機科學、人工智能和醫學、生物學等交叉學科專業的師生，以及相關人工智能應用程序的開發人員閱讀。
朱軍
清華大學計算機系教授、清華大學人工智能研究院副院長

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。