深度学习与大模型工程化 封面

深度学习与大模型工程化

分类
工业技术
作者
阅读量
3 次
上架
资源
在线阅读
暂无评分
3 次阅读
鸠摩网盘查找 Z-Library 查找

快速回答

《深度学习与大模型工程化》(金正海 肖建于) 本书聚焦深度学习与大模型技术的工程化落地,以讲透原理、动手实现代码、提供可复用案例为核心,构建从基础入门到前沿应用的完整学习体系。 本书共分为4个部分。第一部分为基础入门篇,主要讲解深度学习核心概念、线性回归、神经网络基础及PyTorch框架应用,包含从零实现线性回归模型训练、Logistic回归实战、多项式回归与模型选择等案例。第二部分为计算机视觉模型篇,先介绍CNN的原理,再结合边缘检测、猫狗分类研究(基于VGG16)、验证码识别(基于ResNet)、人脸相似度判断(基于孪生神经网络)、火焰和烟雾目标检测(基于YOLOv12)等实战项目讲解计算

作品简介

本书聚焦深度学习与大模型技术的工程化落地,以讲透原理、动手实现代码、提供可复用案例为核心,构建从基础入门到前沿应用的完整学习体系。 本书共分为4个部分。第一部分为基础入门篇,主要讲解深度学习核心概念、线性回归、神经网络基础及PyTorch框架应用,包含从零实现线性回归模型训练、Logistic回归实战、多项式回归与模型选择等案例。第二部分为计算机视觉模型篇,先介绍CNN的原理,再结合边缘检测、猫狗分类研究(基于VGG16)、验证码识别(基于ResNet)、人脸相似度判断(基于孪生神经网络)、火焰和烟雾目标检测(基于YOLOv12)等实战项目讲解计算机视觉任务。第三部分为自然语言处理模型篇,从循环神经网络到注意力机制与机器翻译,通过微博话题识别、气温预测(基于CNN-LSTM混合模型)、从中文到英文的翻译(基于Seq2Seq与注意力机制)等实战项目,破解序列数据建模难题。第四部分为大模型架构与应用篇,解析Transformer架构,通过小型中文聊天系统与医疗问答大模型定制两大实战项目,介绍开源大模型微调与推理。 本书适合深度学习初学者(含计算机相关专业学生)、AI开发/测试工程师、企业A

内容简介

本书聚焦深度学习与大模型技术的工程化落地,以讲透原理、动手实现代码、提供可复用案例为核心,构建从基础入门到前沿应用的完整学习体系。 本书共分为4个部分。第一部分为基础入门篇,主要讲解深度学习核心概念、线性回归、神经网络基础及PyTorch框架应用,包含从零实现线性回归模型训练、Logistic回归实战、多项式回归与模型选择等案例。第二部分为计算机视觉模型篇,先介绍CNN的原理,再结合边缘检测、猫狗分类研究(基于VGG16)、验证码识别(基于ResNet)、人脸相似度判断(基于孪生神经网络)、火焰和烟雾目标检测(基于YOLOv12)等实战项目讲解计算机视觉任务。第三部分为自然语言处理模型篇,从循环神经网络到注意力机制与机器翻译,通过微博话题识别、气温预测(基于CNN-LSTM混合模型)、从中文到英文的翻译(基于Seq2Seq与注意力机制)等实战项目,破解序列数据建模难题。第四部分为大模型架构与应用篇,解析Transformer架构,通过小型中文聊天系统与医疗问答大模型定制两大实战项目,介绍开源大模型微调与推理。 本书适合深度学习初学者(含计算机相关专业学生)、AI开发/测试工程师、企业AI技术管理者/运维工程师、科研人员/技术爱好者阅读,既为入门者搭建系统知识框架,也为资深从业者提供项目落地参考,助力快速掌握深度学习工程化核心技能。

书评 0

暂无书评,登录后可写下第一条阅读感受。