本書循序漸進、詳細講解了大模型開發技術的核心知識，并通過具體實例的實現過程演練了使用TensorFlow和PyTorch開發大模型程序的方法和流程。
全書共12章，分別講解了大模型基礎，數據集的加載、基本處理和制作，數據集的預處理，卷積神經網絡模型，循環神經網絡模型，特征提取，注意力機制，模型訓練與調優，模型推理和評估，大模型優化算法和技術，AI智能問答系統和AI人臉識別系統。全書簡潔而不失其技術深度，內容豐富全面。本書易于閱讀，以極簡的文字介紹了復雜的案例，是學習大模型開發的實用教程。
本書適用于已經了解Python基礎開發的讀者，以及想進一步學習大模型開發、模型優化、模型應用和模型架構的讀者，還可以作為大專院校相關專業的師生用書和培訓學校的專業性教材。
王振麗
----------------------------
王振麗，華中科技大學計算機碩士，精通C、C#、C++、Java、Python等多門編程語言。現任騰訊AI產品架構師，主要從事移動端底層系統架構、驅動程序、AI應用的研究和開發工作，對人工智能的架構設計和實現原理有非常深刻的認識和理解。精通各種多模態預訓練算法，熟悉Prompt Engineering和模型Tuning方法，在協同大模型垂直領域的訓練和調優方面經驗豐富，在提升大模型業務的產品落地領域有著豐富的見解。
第1章 大模型基礎
1.1人工智能
1.1.1 人工智能的發展歷程
1.1.2 人工智能的研究領域
1.1.3 人工智能對人們生活的影響
1.2機器學習和深度學習
1.2.1 機器學習
1.2.2 深度學習
1.2.3 機器學習和深度學習的區別
1.3大模型簡介
1.3.1 大模型的作用
1.3.2 數據
1.3.3 數據和大模型的關系
1.4大模型開發與應用的技術棧
第2章 數據集的加載、基本處理和制作
2.1數據集的加載
2.1.1 PyTorch加載數據集
2.1.2 TensorFlow加載數據集
2.2數據集的基本處理
2.2.1 轉換為Tensor格式
2.2.2 標準化處理
2.2.3 調整大小和裁剪
2.2.4 隨機翻轉和旋轉
2.3數據集的制作
2.3.1 自定義數據集
2.3.2 制作簡易圖片數據集
2.3.3 制作有標簽的數據集
第3章 數據集的預處理
3.1數據清洗和處理
3.1.1 缺失值處理
3.1.2 異常值檢測與處理
3.1.3 重復數據處理
3.2數據轉換與整合
3.2.1 特征選擇與抽取
3.2.2 特征變換與降維
3.2.3 數據集成與關聯
3.3數據標準化與歸一化
3.3.1 標準化及其重要性
3.3.2 特征縮放和歸一化
3.3.3 數據轉換和規范化
3.3.4 “最小-最大 ”縮放
3.4數據增強技術
3.4.1 數據增強的意義
3.4.2 圖像數據增強
3.4.3 自然語言數據增強
第4章 卷積神經網絡模型
4.1卷積神經網絡簡介
4.1.1 卷積神經網絡的發展背景
4.1.2 卷積神經網絡的結構
4.2卷積神經網絡模型開發實戰
4.2.1 使用TensorFlow創建一個卷積神經網絡模型并評估
4.2.2 使用PyTorch創建手寫數字模型
第5章 循環神經網絡模型
5.1文本處理與循環神經網絡簡介
5.1.1 循環神經網絡基礎
5.1.2 文本分類
5.2循環神經網絡模型開發實戰
5.2.1 使用PyTorch開發歌詞生成器模型
5.2.2 使用TensorFlow制作情感分析模型
第6章 特征提取
6.1特征提取簡介
6.1.1 特征在大模型中的關鍵作用
6.1.2 特征提取與數據預處理的關系
6.2特征的類型和重要性
6.2.1 數值特征和類別特征
6.2.2 高維數據的挑戰
6.3特征選擇
6.3.1 特征選擇的必要性
6.3.2 特征選擇的方法
6.4特征抽取
6.4.1 特征抽取的概念
6.4.2 主成分分析
6.4.3 獨立成分分析
6.4.4 自動編碼器
6.5文本數據的特征提取
6.5.1 嵌入
6.5.2 詞袋模型
6.5.3 TF-IDF特征
6.6 圖像數據的特征提取
6.6.1 預訓練的圖像特征提取模型
6.6.2 基本圖像特征：邊緣檢測、顏色直方圖等
第7章 注意力機制
7.1注意力機制基礎
7.1.1 注意力機制簡介
7.1.2 注意力機制的變體
7.1.3 注意力機制解決的問題
7.2TensorFlow 機器翻譯系統
7.2.1 項目簡介
7.2.2 下載并準備數據集
7.2.3 文本預處理
7.2.4 編碼器模型
7.2.5 繪制可視化注意力圖
7.2.6 解碼器
7.2.7 訓練
7.2.8 翻譯
7.3 PyTorch 機器翻譯系統
7.3.1 準備數據集
7.3.2 數據預處理
7.3.3 實現Seq2Seq 模型
7.3.4 訓練模型
7.3.5 模型評估
7.3.6 訓練和評估
7.3.7 注意力的可視化
第8章 模型訓練與調優
8.1模型訓練優化
8.1.1 底層優化
8.1.2 樣本權重和分類權重
8.2損失函數和優化算法
8.2.1 損失函數和優化算法的概念
8.2.2 TensorFlow損失函數和優化算法
8.2.3 PyTorch損失函數和優化算法
8.3批量訓練和隨機訓練
8.3.1 批量訓練和隨機訓練的概念
8.3.2 小批量隨機梯度下降
8.3.3 批量歸一化
8.3.4 丟棄
8.4模型驗證和調優
8.4.1 訓練集、驗證集和測試集
8.4.2 交叉驗證優化
8.4.3 超參數調優
第9章 模型推理和評估
9.1模型推理
9.1.1 模型推理的步驟
9.1.2 前向傳播和輸出計算的過程
9.1.3 模型推理的優化和加速
9.2模型評估
9.2.1 模型評估的方法和指標
9.2.2 交叉驗證和統計顯著性測試的應用
第10章 大模型優化算法和技術
10.1常見的大模型優化算法和技術
10.2梯度下降法
10.2.1 梯度下降法簡介
10.2.2 TensorFlow梯度下降法優化實踐
10.2.3 PyTorch梯度下降法優化實踐
10.3模型并行和數據并行
10.3.1 模型并行和數據并行的基本概念
10.3.2 TensorFlow模型并行和數據并行實踐
10.3.3 PyTorch模型并行和數據并行實踐
10.4學習率調度
10.4.1 學習率調度的方法
10.4.2 TensorFlow學習率調度優化實踐
10.4.3 PyTorch學習率調度優化實踐
10.5權重初始化策略
10.6遷移學習
10.6.1 遷移學習的基本概念
10.6.2 TensorFlow遷移學習優化實踐
10.6.3 PyTorch遷移學習優化實踐
10.7其他大模型優化算法和技術
10.7.1 分布式訓練
10.7.2 正則化
10.7.3 梯度裁剪
10.7.4 混合精度訓練優化
10.7.5 量化優化技術
10.7.6 剪枝優化技術
第11章 AI智能問答系統（TensorFlow+TensorFlow. js+SQuAD 2.0+Mobile-BERT）
11.1背景簡介
11.1.1 互聯網的影響
11.1.2 問答系統的發展
11.2問答系統的發展趨勢：AI 問答系統
11.3技術架構
11.3.1 TensorFlow.js
11.3.2 SQuAD 2.0
11.3.3 BERT
11.3.4 知識蒸餾
11.4具體實現
11.4.1 編寫HTML文件
11.4.2 腳本處理
11.4.3 加載訓練模型
11.4.4 查詢處理
11.4.5 文章處理
11.4.6 加載處理
11.4.7 尋找答案
11.4.8 提取最佳答案
11.4.9 將答案轉換回原始文本
11.5調試運行
第12章 AI人臉識別系統（PyTorch+OpenCV+Scikit-Image+MobileNet+ArcFace）
12.1 系統簡介
12.1.1 背景簡介
12.1.2 人臉識別的發展歷史和現狀
12.2系統需求分析
12.2.1 系統功能分析
12.2.2 技術分析
12.2.3 實現流程分析
12.3數據集
12.3.1 準備數據集
12.3.2 提取人臉
12.4訓練模型
12.4.1 ArcFace算法
12.4.2 MobileNet算法
12.4.3 開始訓練
12.5評估模型
12.5.1 評估的重要性
12.5.2 評估程序
12.6人臉識別
12.6.1 圖像預處理
12.6.2 人臉識別模型
12.6.3 開始識別
新書資訊