图文详情

深入理解大语言模型：原理、实现和应用

正版全新

作者: 李庆旭
出版社: 人民邮电出版社
ISBN: 9787115706003

出版时间: 2022-12
装帧: 平装
开本: 16开

作者: 李庆旭
出版社: 人民邮电出版社

ISBN: 9787115706003
出版时间: 2022-12

装帧: 平装
开本: 16开

售价 67.36 7.5折

定价￥89.80

品相全新

优惠

发货

承诺48小时内发货

运费

本店暂时无法向该地区发货

延迟发货说明

时间：

说明：

上书时间2026-10-17

数量: 库存2件

立即购买加入购物车收藏

卖家超过10天未登录

六年老店

经管法律专营店

店铺等级

资质认证

90天平均

成功完成

80.49% (312笔)

好评率

100%

发货时间

17.82小时

店主

经管法律专营店

联系

在线交谈离线留言

地址

天津市南开区

电话

联系卖家

进店逛逛收藏店铺

商品详情
店铺评价

立即购买加入购物车收藏

手机购买

微信扫码访问

商品分类：

计算机与互联网

货号：

5084728

商品描述：

【书    名】深入理解大语言模型：原理、实现和应用
【书    号】 9787115706003
【出版社】人民邮电出版社
【作    者】李庆旭
【出版日期】 2026-10-01
【开    本】 16开
【定    价】 89.80元

【内容简介】
本书面向对深度学习了解不多的读者，循序渐进地对大语言模型的原理、实现和应用进行深入、细致和全面的介绍。本书主要包括5部分内容：人工神经网络基础，大语言模型的网络架构，大语言模型的训练，大语言模型的演化、评估和应用，以及大语言模型的应用实例。对于大语言模型的设计、预训练和微调等关键环节，本书提供了很多可以在CPU上运行的示例代码。
  本书适用于人工智能领域的开发工程师、研究人员，以及对大语言模型感兴趣，希望从零开始学习并实践大语言模型开发的技术爱好者和高校学生。

【目录】
第1章  预备知识3

1.1  Python语言简介3

1.2  配置Miniconda虚拟环境5

1.3  Python集成开发环境PyCharm6

1.4  重要的第三方库9

1.5  Jupyter Notebook的安装和使用16

1.6  计算加速硬件GPU18

1.7  与深度学习相关的网站19

第2章  大语言模型初探20

2.1  大语言模型的分类20

2.2  使用Transformers库在本地部署开源大语言模型20

2.3  使用开源的Ollama工具部署开源大语言模型26

2.4  Google Colab28

第3章  迭代算法求函数交点31

3.1  牛顿法求函数交点31

3.2  梯度下降法求函数交点37

3.3  迭代算法求函数解的通用形式化描述40

第4章  单层神经网络42

4.1  人脑神经元42

4.2  人工神经元43

4.3  二元线性回归43

4.4  单层神经网络的训练方法及实现45

4.5  多输出单层神经网络51

4.6  单层神经网络的局限性51

第5章  多层神经网络55

5.1  带激活函数的单层神经网络55

5.2  常用的激活函数56

5.3  带一个隐藏层的神经网络示例61

5.4  梯度反向传播算法62

5.5  使用带一个隐藏层的神经网络表示XOR函数66

5.6  深度神经网络68

第6章  PyTorch库简介69

6.1  PyTorch的主要模块70

6.2  PyTorch的torch.tensor模块71

6.3  PyTorch提供的神经网络构建块76

6.4  PyTorch提供的激活函数77

6.5  PyTorch提供的损失函数77

6.6  PyTorch提供的优化算法80

6.7  PyTorch提供的数据加载与处理工具83

6.8  PyTorch的自动微分功能85

6.9  模型的保存和加载88

第7章  模型设计和训练89

7.1  解决机器学习问题的步骤89

7.2  清洗和预处理数据90

7.3  设计模型92

7.4  训练模型93

7.5  验证模型95

7.6  部署及持续改进模型95

7.7  实战：手写体数字识别95

第二部分  大语言模型的网络架构

第8章  语言模型和分词器101

8.1  语言模型101

8.2  分词器104

第9章  嵌入114

9.1  向量的模与点积114

9.2  神经网络中的嵌入层115

9.3  句子嵌入123

第10章  点积注意力126

10.1  注意力是什么126

10.2  注意力的计算127

第11章  Transformer注意力136

11.1  Transformer注意力概述136

11.2  Transformer单头注意力的实现139

11.3  Transformer多头注意力的实现142

11.4  开源Qwen2模型中的多头注意力实现144

第12章  Transformer架构146

12.1  Transformer架构简介146

12.2  编码器152

12.3  解码器152

12.4  编码器-解码器153

12.5  编码器和解码器的区别154

12.6  一个完整的编码器例子155

第13章  BERT及其应用159

13.1  BERT的网络模型159

13.2  BERT的训练161

13.3  BERT应用实战：中文文本情感分类162

第14章  开源大语言模型及其应用171

14.1  大语言模型的网络架构171

14.2  预测下一个token的概率分布176

14.3  采样策略177

第三部分  大语言模型的训练

第15章  大语言模型的训练183

15.1  大模型训练方法的演进过程183

15.2  预训练185

15.3  微调185

15.4  上下文学习187

15.5  缩放定律187

15.6  涌现能力188

第16章  大语言模型的预训练191

16.1  预训练数据来源192

16.2  预训练数据的处理192

16.3  预训练的手动实现194

16.4  使用Transformers库的Trainer类进行预训练200

第17章  大语言模型的指令微调202

17.1  指令微调的训练数据格式202

17.2  指令微调的方法205

17.3  实战：对Qwen2.5进行LoRA微调208

第18章  大语言模型的偏好微调217

18.1  偏好微调的数据格式217

18.2  不能用指令微调的方法进行偏好微调218

18.3  RLHF算法218

18.4  偏好微调的DPO算法222

18.5  DPO微调实战225

第19章  大语言模型压缩技术230

19.1  量化230

19.2  剪枝238

19.3  蒸馏239

第四部分  大语言模型的演化、评估和应用

第20章  架构的演化和大语言模型的评估247

20.1  架构的演化247

20.2  大语言模型的评估254

第21章  大语言模型应用技术259

21.1  幻觉及其产生的原因260

21.2  RAG260

21.3  提示词工程264

21.4  流式输出271

21.5  AI工程272

第22章  对大语言模型的理解和思考273

22.1  深层次思考大语言模型是什么273

22.2  关于大语言模型发展过程的思考276

第五部分  大语言模型的应用实例

第23章  实战案例：基于RAG的PDF论文阅读器281

23.1  如何支持多轮对话282

23.2  完整的代码283

第24章  实战案例：A股股票分析智能体291

24.1  如何获取A股股票信息292

24.2  如何生成PDF文件293

24.3  如何让大语言模型给出投资建议294

24.4  完整的代码295

附录  本书配套代码文件说明304
配送说明

...
相似商品
为你推荐