深度学习与大模型 / “十五五”普通高等教育人工智能专业系列教材
定价：￥50.00
作者： 张永忠
出版时间：2025-08
最新印次日期：2025-8
出版社：中国铁道出版社
- 中国铁道出版社
- 9787113323073
- 1-1
- 572104
- 16开
- 2025-08
- 工学
- 计算机类
- 计算机类
- 本科
作者简介
内容简介
本书是“‘十五五’普通高等教育人工智能专业系列教材”之一，系统性地讲解了深度学习与大规模预训练模型的核心理论与工程实践，内容涵盖机器学习基础、人工神经网络、卷积网络、循环网络、生成对抗网络、强化学习等经典架构，并深入探讨大模型的微调优化与部署应用。通过PyTorch框架，结合Windows环境下的GPU加速配置，详细解析从算法原理到工业落地的全流程。在理论层面，重点剖析网络结构设计、训练优化方法及模型压缩技术；在实践层面，提供10余个典型实战案例,包括图像分类、文本分析、大模型本地部署，以及API服务部署等工程化内容。
本书适合高等院校计算机科学与技术、人工智能、软件工程、数据科学与大数据技术等专业的本科生与研究生使用，也适合相关行业工程师和自学者使用。
本书适合高等院校计算机科学与技术、人工智能、软件工程、数据科学与大数据技术等专业的本科生与研究生使用，也适合相关行业工程师和自学者使用。
目录
第1章机器学习与人工智能基础1
1.1机器学习与人工智能的基本概念2
1.2机器学习的分类13
1.3机器学习的常见算法17
1.4机器学习的基本流程21
1.5项目实践——实现线性回归模型25
本章小结28
思考与练习28
第2章人工神经网络与深度学习基础30
2.1神经网络的基本概念31
2.2前向传播与反向传播35
2.3激活函数及其选择39
2.4深度学习与传统机器学习的对比42
2.5深度学习的应用场景44
2.6项目实践——实现简单的多层感知机45
本章小结50
思考与练习50
第3章深度学习环境配置51
3.1深度学习环境概述52
3.2安装CUDA与驱动程序55
3.3安装Anaconda与PyTorch61
3.4配置PyTorch的GPU加速69
3.5测试与排错71
3.6项目实践——搭建GPU加速的PyTorch环境并测试运行72
本章小结75
思考与练习75
第4章卷积神经网络与计算机视觉76
4.1卷积神经网络的基本概念77
4.2卷积神经网络在图像分类中的应用81
4.3迁移学习与预训练模型86
4.4卷积神经网络的优化94
4.5项目实践——使用YOLO进行目标检测任务97
本章小结99
思考与练习99
第5章循环神经网络与自然语言处理101
5.1循环神经网络的原理102
5.2长短期记忆和门控循环单元112
5.3文本生成与情感分析116
5.4词向量与嵌入层119
5.5序列到序列模型与机器翻译122
5.6项目实践——构建LSTM模型进行文本情感分析125
本章小结129
思考与练习130
第6章生成对抗网络与深度生成模型131
6.1生成对抗网络132
6.2深度卷积生成对抗网络137
6.3条件生成对抗网络141
6.4深度生成模型应用143
6.5项目实践——基于DCGAN生成手写数字图像145
本章小结150
思考与练习150
第7章大模型概述151
7.1Transformer模型的基本结构152
7.2编码器-解码器结构与模型应用156
7.3自监督学习与预训练任务160
7.4大模型的构建与参数规模的影响162
7.5常见大模型实例：BERT与GPT164
7.6大模型的应用场景与优势分析166
7.7项目实践——基于BERT进行文本分类169
本章小结173
思考与练习174
第8章大模型微调175
8.1大模型微调基础176
8.2大模型微调分类179
8.3微调实践案例189
8.4项目实践——通过微调BERT模型进行文本分类190
本章小结199
思考与练习199
第9章大模型的部署与应用200
9.1大模型的部署201
9.2部署中的大模型调优方法212
9.3数据集构建方法214
9.4ONNX与TensorRT优化218
9.5RAG与本地知识库部署219
9.6项目实践——将训练好的模型通过ONNX格式部署至Web服务226
本章小结230
思考与练习230
1.1机器学习与人工智能的基本概念2
1.2机器学习的分类13
1.3机器学习的常见算法17
1.4机器学习的基本流程21
1.5项目实践——实现线性回归模型25
本章小结28
思考与练习28
第2章人工神经网络与深度学习基础30
2.1神经网络的基本概念31
2.2前向传播与反向传播35
2.3激活函数及其选择39
2.4深度学习与传统机器学习的对比42
2.5深度学习的应用场景44
2.6项目实践——实现简单的多层感知机45
本章小结50
思考与练习50
第3章深度学习环境配置51
3.1深度学习环境概述52
3.2安装CUDA与驱动程序55
3.3安装Anaconda与PyTorch61
3.4配置PyTorch的GPU加速69
3.5测试与排错71
3.6项目实践——搭建GPU加速的PyTorch环境并测试运行72
本章小结75
思考与练习75
第4章卷积神经网络与计算机视觉76
4.1卷积神经网络的基本概念77
4.2卷积神经网络在图像分类中的应用81
4.3迁移学习与预训练模型86
4.4卷积神经网络的优化94
4.5项目实践——使用YOLO进行目标检测任务97
本章小结99
思考与练习99
第5章循环神经网络与自然语言处理101
5.1循环神经网络的原理102
5.2长短期记忆和门控循环单元112
5.3文本生成与情感分析116
5.4词向量与嵌入层119
5.5序列到序列模型与机器翻译122
5.6项目实践——构建LSTM模型进行文本情感分析125
本章小结129
思考与练习130
第6章生成对抗网络与深度生成模型131
6.1生成对抗网络132
6.2深度卷积生成对抗网络137
6.3条件生成对抗网络141
6.4深度生成模型应用143
6.5项目实践——基于DCGAN生成手写数字图像145
本章小结150
思考与练习150
第7章大模型概述151
7.1Transformer模型的基本结构152
7.2编码器-解码器结构与模型应用156
7.3自监督学习与预训练任务160
7.4大模型的构建与参数规模的影响162
7.5常见大模型实例：BERT与GPT164
7.6大模型的应用场景与优势分析166
7.7项目实践——基于BERT进行文本分类169
本章小结173
思考与练习174
第8章大模型微调175
8.1大模型微调基础176
8.2大模型微调分类179
8.3微调实践案例189
8.4项目实践——通过微调BERT模型进行文本分类190
本章小结199
思考与练习199
第9章大模型的部署与应用200
9.1大模型的部署201
9.2部署中的大模型调优方法212
9.3数据集构建方法214
9.4ONNX与TensorRT优化218
9.5RAG与本地知识库部署219
9.6项目实践——将训练好的模型通过ONNX格式部署至Web服务226
本章小结230
思考与练习230
