下载
暂无已核验电子书资源；本站不展示未授权完整文件。
下载《大模型技术30讲》内容简介与阅读建议
获取这本书 暂无已核验电子书资源
《大模型技术30讲》内容简介
本书采用独特的一问一答式风格，探讨了当今机器学习和人工智能领域中最重要的30 个问题，旨在帮助读者了解最新的技术进展。全书共分为五个部分：神经网络与深度学习、计算机视觉、自然语言处理、生产与部署、预测性能与模型评测。每一章都围绕一个问题展开，不仅针对问题做出了相应的解释，并配有若干图表，还给出了练习供读者检验自身是否已理解所学内容。 本书适合机器学习初学者以及相关从业者和研究人员阅读。 编辑推荐 大佬作者：本书由GitHub项目LLMs-from-scratch（star数40.2k）作者、大模型独角兽公司Lightning AI工程师倾力打造 行业大咖推荐：本书获得了多位行业大咖的推荐，包括Deep (Learning) Focus网站作者Cameron R. Wolfe，AI Engineering一书作者、Claypot AI联合创始人Chip...(展开全部)
《大模型技术30讲》书籍信息摘要
《大模型技术30讲》内容简介与阅读建议，作者 塞巴斯蒂安·拉施卡，计算机类，2025年。获取前建议核对作者、出版社、年份、ISBN、版本和正版渠道。相关主题：机器学习、深度学习、问答式、计算机类。
- 作者：塞巴斯蒂安·拉施卡
- 分类：计算机类
- 出版年份：2025
- 出版社：人民邮电出版社
- 页数：182 页
- 语言：中文
- 格式：暂无已核验合规下载格式
《大模型技术30讲》适合哪些读者？
适合根据书名、作者、目录、标签和格式继续判断阅读价值的读者。 评分 7.3 可作为选书参考。
获取建议
《大模型技术30讲》怎么获取更合适？
优先确认版本和阅读目的；下载区只展示已核验的公版、授权、开放许可或官方试读资源。
版本
优先选择作者、译者、出版社、出版年份和 ISBN 信息明确的版本；经典作品可优先选择校注、导读或权威出版社版本。
目录
- 第一部分 神经网络与深度学习
- 第1章 嵌入、潜空间和表征 2
- 1.1 嵌入 2
- 1.2 潜空间 4
- 1.3 表征 4
- 1.4 练习 5
- 1.5 参考文献 5
- 第2章 自监督学习 6
展开全部（共 229 章节）
- 2.1 自监督学习与迁移学习 6
- 2.2 使用无标签数据 8
- 2.3 自预测与对比自监督学习 8
- 2.4 练习 10
- 2.5 参考文献 10
- 第3章 小样本学习 12
- 3.1 数据集与术语 12
- 3.2 练习 14
- 第4章 彩票假设 15
- 4.1 彩票假设的训练流程 15
- 4.2 实际意义与局限性 16
- 4.3 练习 17
- 4.4 参考文献 17
- 第5章 利用数据来减少过拟合现象 18
- 5.1 常用方法 18
- 5.1.1 采集更多数据 18
- 5.1.2 数据增强 19
- 5.1.3 预训练 20
- 5.2 其他方法 20
- 5.3 练习 21
- 5.4 参考文献 21
- 第6章 通过改进模型减少过拟合现象 23
- 6.1 常用方法 23
- 6.1.1 正则化 23
- 6.1.2 选择更小的模型 25
- 6.1.3 集成方法 26
- 6.2 其他方法 27
- 6.3 选择正则化技术 28
- 6.4 练习 28
- 6.5 参考文献 28
- 第7章 多GPU训练模式 30
- 7.1 训练模式 30
- 7.1.1 模型并行 30
- 7.1.2 数据并行 31
- 7.1.3 张量并行 31
- 7.1.4 流水线并行 32
- 7.1.5 序列并行 33
- 7.2 建议 34
- 7.3 练习 34
- 7.4 参考文献 34
- 第8章 Transformer架构的成功 36
- 8.1 注意力机制 36
- 8.2 通过自监督学习进行预训练 37
- 8.3 大规模参数 38
- 8.4 轻松并行化 38
- 8.5 练习 39
- 8.6 参考文献 39
- 第9章 生成式AI模型 40
- 9.1 生成式模型与判别式模型 40
- 9.2 深度生成式模型的类型 41
- 9.2.1 能量模型 41
- 9.2.2 变分自编码器 42
- 9.2.3 生成对抗网络 43
- 9.2.4 流模型 43
- 9.2.5 自回归模型 44
- 9.2.6 扩散模型 45
- 9.2.7 一致性模型 46
- 9.3 建议 47
- 9.4 练习 47
- 9.5 参考文献 47
- 第10章 随机性的由来 48
- 10.1 模型权重初始化 48
- 10.2 数据集采样与重排 49
- 10.3 非确定性算法 49
- 10.4 不同运行时的算法 50
- 10.5 硬件与驱动程序 51
- 10.6 随机性与生成式AI 51
- 10.7 练习 53
- 10.8 参考文献 53
- 第二部分 计算机视觉
- 第11章 计算参数量 56
- 11.1 如何计算参数量 56
- 11.1.1 卷积层 57
- 11.1.2 全连接层 58
- 11.2 实际应用 59
- 11.3 练习 60
- 第12章 全连接层和卷积层 61
- 12.1 当卷积核与输入大小相同时 62
- 12.2 当卷积核大小为1时 63
- 12.3 建议 63
- 12.4 练习 63
- 第13章 ViT架构所需的大型训练集 64
- 13.1 CNN中的归纳偏置 64
- 13.2 ViT可以比CNN表现得更好 67
- 13.3 ViT中的归纳偏置 67
- 13.4 建议 68
- 13.5 练习 69
- 13.6 参考文献 69
- 第三部分 自然语言处理
- 第14章 分布假设 72
- 14.1 Word2vec、BERT和GPT 73
- 14.2 假设成立吗 74
- 14.3 练习 75
- 14.4 参考文献 75
- 第15章 文本数据增强 76
- 15.1 同义词替换 76
- 15.2 词语删除 77
- 15.3 词语位置交换 77
- 15.4 句子乱序 77
- 15.5 噪声注入 78
- 15.6 回译 78
- 15.7 合成数据生成 79
- 15.8 建议 79
- 15.9 练习 80
- 15.10 参考文献 80
- 第16章 自注意力 81
- 16.1 RNN中的注意力 81
- 16.2 自注意力机制 83
- 16.3 练习 84
- 16.4 参考文献 84
- 第17章 编码器和解码器风格的
- Transformer架构 85
- 17.1 原始的Transformer 85
- 17.1.1 编码器 87
- 17.1.2 解码器 88
- 17.2 编码器 解码器混合模型 89
- 17.3 专业术语 89
- 17.4 当代Transformer模型 90
- 17.5 练习 91
- 17.6 参考文献 91
- 第18章 使用和微调预训练
- Transformer 92
- 18.1 使用Transformer执行分类任务 92
- 18.2 上下文学习、索引和提示词调优 94
- 18.3 参数高效的微调方法 97
- 18.4 基于人类反馈的强化学习 102
- 18.5 适配预训练语言模型 102
- 18.6 练习 103
- 18.7 参考文献 103
- 第19章 评测生成式大模型 104
- 19.1 大模型的评测指标 104
- 19.1.1 困惑度 105
- 19.1.2 BLEU 106
- 19.1.3 ROUGE 107
- 19.1.4 BERTScore 109
- 19.2 替代指标 110
- 19.3 练习 110
- 19.4 参考文献 110
- 第四部分 生产与部署
- 第20章 无状态训练与有状态训练 114
- 20.1 无状态(重)训练 114
- 20.2 有状态训练 115
- 20.3 练习 115
- 第21章 以数据为中心的人工智能 117
- 21.1 以数据为中心的人工智能与以模型
- 为中心的人工智能 117
- 21.2 建议 119
- 21.3 练习 119
- 21.4 参考文献 120
- 第22章 加速推理 121
- 22.1 并行化 121
- 22.2 向量化 122
- 22.3 循环分块 123
- 22.4 算子融合 123
- 22.5 量化 124
- 22.6 练习 125
- 22.7 参考文献 125
- 第23章 数据分布偏移 126
- 23.1 协变量偏移 126
- 23.2 标签偏移 127
- 23.3 概念偏移 128
- 23.4 领域偏移 128
- 23.5 数据分布偏移的类型 129
- 23.6 练习 130
- 23.7 参考文献 130
- 第五部分 预测性能与模型评测
- 第24章 泊松回归与序回归 132
- 第25章 置信区间 134
- 25.1 定义置信区间 134
- 25.2 方法 136
- 25.2.1 方法1：正态近似区间 136
- 25.2.2 方法2：使用自助法构建
- 训练集 137
- 25.2.3 方法3：使用自助抽样法
- 构建测试集预测结果 139
- 25.2.4 方法4：使用不同的随机
- 种子重新训练模型 140
- 25.3 练习 141
- 25.4 参考文献 141
- 第26章 置信区间与共形预测 142
- 26.1 置信区间和预测区间 142
- 26.2 预测区间与共形预测 143
- 26.3 预测区域、预测区间与预测集合 143
- 26.4 计算共形预测 143
- 26.5 共形预测示例 145
- 26.6 共形预测的优点 146
- 26.7 建议 146
- 26.8 练习 146
- 26.9 参考文献 147
- 第27章 合适的模型度量 148
- 27.1 标准 148
- 27.2 均方误差 149
- 27.3 交叉熵损失 150
- 27.4 练习 151
- 第28章 k折交叉验证中的k 152
- 28.1 选择k值时的权衡考量 153
- 28.2 确定适当的k值 154
- 28.3 练习 154
- 28.4 参考文献 155
- 第29章 训练集和测试集的不一致性 156
- 第30章 有限的有标签数据 158
- 30.1 利用有限的有标签数据提高模型
- 性能 158
- 30.1.1 标注更多数据 158
- 30.1.2 自助抽样数据 158
- 30.1.3 迁移学习 159
- 30.1.4 自监督学习 159
- 30.1.5 主动学习 160
- 30.1.6 小样本学习 160
- 30.1.7 元学习 161
- 30.1.8 弱监督学习 161
- 30.1.9 半监督学习 162
- 30.1.10 自训练 163
- 30.1.11 多任务学习 163
- 30.1.12 多模态学习 164
- 30.1.13 归纳偏置 165
- 30.2 建议 165
- 30.3 练习 167
- 30.4 参考文献 167
- 后记 168
- 附录 练习答案 169
合规获取说明
当前暂无已核验电子书资源。若是商业出版物，建议优先通过出版社、书店或官方电子书平台获取。
常见问题
《大模型技术30讲》适合谁读？
适合根据书名、作者、目录、标签和格式继续判断阅读价值的读者。 评分 7.3 可作为选书参考。
《大模型技术30讲》阅读难度高吗？
建议先看简介、目录、作者和相关书籍，再判断是否适合当前阶段阅读。
《大模型技术30讲》纸质书值得买吗？
当前暂未接入已核验的纸质书购买链接，建议通过出版社、京东、当当等正版渠道核对版本后购买。
《大模型技术30讲》哪个版本更适合？
优先选择作者、译者、出版社、出版年份和 ISBN 信息清楚的版本；经典作品可优先选择校注、导读或权威出版社版本。
在哪里可以合法获取《大模型技术30讲》？
当前没有确认授权的电子书下载资源，也暂未接入已核验购买链接；商业出版物不提供未授权下载，建议通过出版社、京东、当当或官方电子书平台核对获取。
如何继续查找《大模型技术30讲》相关书籍？
可以进入 塞巴斯蒂安·拉施卡 作者页查看其他作品，也可以通过分类、标签、排行榜、人工推荐和“读完这本还可以读”继续发现相近主题。
相关书籍
