《PyTorch深度学习与大模型部署及微调》根据大多数软件公司对AI大模型发程序员的标准要求，结合范例程序，针对零基础人群，讲述了从“门”到“能干活”所必需掌握的知识。 《PyTorch深度学习与大模型部署及微调》内容涵盖了深度学习各种模型的知识，包括Python和Pytorch的发环境、神经网络预测技术、用卷积和残差神经网络分类图片的技术、数据预处理和数据增强、用生成对抗网络识别图片的技术、用循环神经网络和Transformer 网络分析文本的技术、用VIT模型分类图片的技术、人脸识别和目标物体识别的技术、音频处理技术，以及DeepSeek本地化部署和微调技术等。
售 价：¥
纸质售价：¥63.00购买纸书
6.7
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
内容简介
前言
第1章 神经网络、深度学习和大模型
1.1 神经网络和深度学习
1.2 深度学习和大模型
1.3 实现深度学习的Pytorch框架
1.4 搭建支持GPU的Pytorch环境
1.5 小结和预告
第2章 学习张量，搭建神经网络
2.1 张量的概念和基本操作
2.2 张量的常见运算
2.3 搭建第一个神经网络
2.4 小结和预告
第3章 实战神经网络（多层感知机）
3.1 Pytorch自带的数据集
3.2 激活函数
3.3 神经网络与损失函数
3.4 优化器与前后向传播
3.5 用神经网络作预测
3.6 小结和预告
第4章 用卷积神经网络识别图片
4.1 下载并使用CIFAR-10数据集
4.2 卷积神经网络概述
4.3 用MNIST训练卷积神经网络
4.4 用CIFAR-10训练卷积神经网络
4.5 小结和预告
第5章 实战残差神经网络
5.1 梯度爆炸和梯度消失
5.2 搭建残差神经网络
5.3 残差神经网络与图片分类
5.4 小结和预告
第6章 对模型的实用性操作
6.1 可视化模型
6.2 保存和加载模型
6.3 数据预处理和数据增强
6.4 小结和预告
第7章 基于深度学习的回归分析和聚类分析
7.1 回归分析
7.2 聚类分析
7.3 小结和预告
第8章 迁移学习实战
8.1 迁移学习的概念和常用方法
8.2 基于微调参数的迁移学习
8.3 基于特征提取器的迁移学习
8.4 小结和预告
第9章 基于词向量和模型的文本分析
9.1 文本分析的基础：向量化
9.2 分词、向量化和词嵌入
9.3 基于卷积模型的情感分析
9.4 基于循环神经网络的情感分析
9.5 小结和预告
第10章 基于生成对抗网络的图片识别实战
10.1 生成对抗网络概述
10.2 基于MNIST数据集的实战
10.3 生成对抗卷积网络实战
10.4 小结和预告
第11章 人脸检测和人脸识别技术实战
11.1 人脸检测和人脸识别技术概述
11.2 基于Dlib的人脸检测
11.3 用对抗网络拟合人脸
11.4 实战人脸识别技术
11.5 小结和预告
第12章 音频处理技术实战
12.1 必要的准备工作
12.2 音频知识点概述
12.3 用卷积模型分类音频
12.4 小结和预告
第13章 目标检测技术实战
13.1 目标检测技术概述
13.2 通过数据集初识目标标记
13.3 用模型标记目标
13.4 小结和预告
第14章 强化学习实战
14.1 强化学习概述
14.2 基于倒立摆环境的PPO强化学习
14.3 基于着陆舱环境的PPO强化学习
14.4 小结和预告
第15章 基于Transformer模型的自然语言翻译
15.1 Transformer模型概述
15.2 基于Transformer模型的自然语言翻译流程
15.3 小结和预告
第16章 ViT模型实战
16.1 ViT的概念和架构
16.2 简要版ViT分类图片实战
16.3 完整版ViT分类图片实战
16.4 小结和预告
第17章 DeepSeek本地化部署和微调实战
17.1 DeepSeek模型概述
17.2 DeepSeek本地化部署
17.3 微调DeepSeek
17.4 小结和预告
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
