幫助中心 | 我的帳號 | 關於我們

圖解大模型演算法基礎卷(認知與表示讓AI理解世界)/人工智慧與人類未來叢書

  • 作者:王翠萍|責編:劉雲
  • 出版社:北京大學
  • ISBN:9787301378274
  • 出版日期:2026/12/01
  • 裝幀:平裝
  • 頁數:321
人民幣:RMB 129 元      售價:元
放入購物車
加入收藏夾

內容大鋼
    本書系統講解人工智慧演算法的認知基礎與表示學習原理,圍繞「AI如何理解世界」這一核心問題,構建了一套從數學理論到大模型預訓練的完整知識體系。全書內容共11章,分三大部分:第一部分「數學與理論基礎」系統梳理了概率論、線性代數、優化理論與資訊理論基礎相關知識,深入解析了熵、KL散度與損失函數的本質,構建了AI學習與決策的數學理論框架;第二部分「表示學習與神經架構」聚焦于嵌入與表示空間、狀態表示與序列表示演化、Transformer、大模型架構變體,系統闡述了表示學習、狀態建模與環境抽象機制的知識,揭示了AI如何構建內部語義空間與世界模型;第三部分「大模型預訓練演算法」全面解析了語言建模、自監督學習、多模態模型與跨模態語義共享機制等知識,深入講解了GPT、BERT、DeepSeek等模型架構與訓練流程,構建了一套統一表示與多模態融合的技術體系。
    全書以「圖解+推導+實戰」為特色,強調理論邏輯與工程實踐的統一,不僅能幫助讀者夯實學習AI演算法所需的數學基礎,還能使其系統掌握表示學習與大模型預訓練的核心機制,適合人工智慧領域的研究人員與工程開發人員系統學習與進階提升,助力讀者完整釐清AI從數據到語義、從表示到認知的底層原理與實現路徑。

作者介紹
王翠萍|責編:劉雲
    王翠萍,山東大學電腦碩士,浙江大學電腦博士。現在就職于百度智能雲,負責大模型應用層演算法研發與調優工作,工作期間對百度大模型產品中的對話系統、內容生成、意圖理解等核心模塊實現了演算法優化,提高了產品的效率。基於LLM深入理解用戶所需,提升了模型在複雜場景下的推理能力與用戶體驗,精通Transformer、BERT、GPT等模型架構,擅長LLM微調、RLHF、大規模分散式訓練。

目錄
第1章  大模型訓練的數學基礎
  1.1  概率建模與不確定性
    1.1.1  隨機變數與常見分佈(模型輸出視角)
    1.1.2  條件概率與貝葉斯定理
    1.1.3  期望、方差與不確定性
    1.1.4  信息熵(預測不確定性)
    1.1.5  實戰演練:基於樸素貝葉斯的分類模型
  1.2  表示學習:向量與張量
    1.2.1  向量空間與嵌入的本質
    1.2.2  矩陣變換與神經網路計算
    1.2.3  特徵值與奇異值分解
    1.2.4  張量與高維表示(Transformer基礎)
    1.2.5  實戰演練:基於PCA的數據降維
  1.3  訓練機制:損失函數與優化
    1.3.1  損失函數與訓練目標(交叉熵核心)
    1.3.2  梯度下降與反向傳播
    1.3.3  優化演算法(SGD/Adam)
    1.3.4  優化的收斂性與局部最優問題
    1.3.5  實戰演練:在分類任務中對比交叉熵與MSE損失函數
  1.4  數學如何貫穿大模型訓練
    1.4.1  概率建模:輸入到輸出分佈
    1.4.2  表示學習:Token到向量空間
    1.4.3  損失與梯度:模型如何學習
    1.4.4  參數更新閉環
第2章  分佈對齊與損失函數的本質
  2.1  分佈度量與對齊
    2.1.1  熵、條件熵與不確定性
    2.1.2  互信息
    2.1.3  KL散度
    2.1.4  JS散度
    2.1.5  分佈對齊在大模型中的作用
    2.1.6  實戰演練:基於KL/JS散度與模型分佈匹配
  2.2  損失函數統一視角
    2.2.1  交叉熵與KL散度
    2.2.2  常見的損失函數
    2.2.3  損失函數與優化收斂性
    2.2.4  實戰演練:在分類任務中對比交叉熵與MSE損失函數
第3章  嵌入與表示空間
  3.1  表示學習基礎
    3.1.1  獨熱編碼到稠密嵌入
    3.1.2  向量空間與語義表示
    3.1.3  實戰演練:詞語向量化可視化
  3.2  經典的嵌入方法
    3.2.1  Word2Vec(上下文預測思想)
    3.2.2  GloVe(共現統計與矩陣分解)
    3.2.3  FastText(子詞建模與泛化能力)
    3.2.4  實戰演練:語義聚類與OOV處理
  3.3  向量空間操作(服務大模型推理)
    3.3.1  向量相似度(語義匹配基礎)
    3.3.2  向量偏移與語義推理(類比能力)

    3.3.3  聚類與降維(表示結構理解)
    3.3.4  實戰演練:相似度與聚類分析
  3.4  從詞向量到大模型嵌入
    3.4.1  靜態嵌入與動態嵌入
    3.4.2  Token嵌入在Transformer中的作用
    3.4.3  表示學習在大模型中的整體流程
第4章  狀態表示學習與序列表示演化
  4.1  狀態表示學習
    4.1.1  狀態表示與表示學習基礎
    4.1.2  狀態空間與隱變數(抽象本質)
    4.1.3  價值函數與狀態編碼
    4.1.4  表示壓縮與抽象層次
    4.1.5  實戰演練:基於大模型的文本狀態表示
  4.2  序列表示與上下文建模
    4.2.1  表示的動態性:從靜態到上下文表示
    4.2.2  表示學習與序列建模(LLM核心)
    4.2.3  表示演化與下一步預測機制
    4.2.4  實戰演練:語言模型的序列預測建模
  4.3  高層抽象與語義表示
    4.3.1  層級表示與抽象建模
    4.3.2  語義結構與表示空間
    4.3.3  表示泛化與跨任務能力
    4.3.4  實戰演練:語義表示與任務泛化建模
  4.4  從狀態表示到大模型表示機制
    4.4.1  從狀態到Token表示
    4.4.2  表示演化與模型行為能力
第5章  Transformer與大模型專屬架構
  5.1  Transformer架構
    5.1.1  Transformer介紹
    5.1.2  Transformer的核心組件
    5.1.3  多頭注意力機制
    5.1.4  實戰演練:基於Transformer的電影評論情感分類程序
  5.2  Transformer作為大模型計算範式
    5.2.1  從結構模型到計算範式的重構
    5.2.2  基於注意力的全局信息電腦制
    5.2.3  Transformer的統一計算範式
    5.2.4  實戰演練:手寫MiniGPT模型
第6章  大模型架構變體
  6.1  大模型架構演化(以DeepSeek為例)
    6.1.1  DeepSeek中的多頭注意力機制
    6.1.2  多頭潛在注意力機制
    6.1.3  動態任務分配
    6.1.4  稀疏激活機制
    6.1.5  混合專家架構
    6.1.6  DeepSeek-R1/R2的訓練流程
    6.1.7  實戰演練:DeepSeek模型的微調
  6.2  多模態架構擴展(以豆包為例)
    6.2.1  豆包大模型與MoE
    6.2.2  UltraMem架構
    6.2.3  實戰演練:豆包大模型預訓練微調

第7章  大模型預訓練
  7.1  從表示到生成:預訓練任務與目標設計
  7.2  語言建模基礎
    7.2.1  自回歸與自編碼機制對比
    7.2.2  掩碼預測與序列建模
    7.2.3  因果語言模型結構
    7.2.4  實戰演練:實現n-gram語言模型
  7.3  主流預訓練模型
    7.3.1  BERT架構詳解
    7.3.2  BART的去噪自編碼
  7.4  GPT系列模型
    7.4.1  GPT模型的架構演化
    7.4.2  自回歸生成與注意力掩碼
    7.4.3  預訓練與微調流程
  7.5  實戰演練:基於BERT微調的問答系統
    7.5.1  準備環境
    7.5.2  數據處理
    7.5.3  模型預處理與訓練配置
    7.5.4  模型評估與指標計算
    7.5.5  模型初始化與訓練
    7.5.6  模型保存與推理測試
第8章  預訓練中的自監督學習
  8.1  自編碼與對比學習
    8.1.1  編碼-解碼結構與表示學習
    8.1.2  表示壓縮與重構機制
    8.1.3  變分自編碼器(概率表示思想)
    8.1.4  相似性建模與對比學習思想
    8.1.5  對比損失(InfoNCE核心)
    8.1.6  實戰演練:傳統自編碼器和變分自編碼器的對比
  8.2  自監督任務設計
    8.2.1  偽標籤生成與任務構建
    8.2.2  掩碼建模與去噪學習機制
    8.2.3  自監督學習的三種模式
    8.2.4  實戰演練:多種自監督任務對比
  8.3  自監督訓練流程與遷移
    8.3.1  數據預處理與任務設計
    8.3.2  表示結構分析與可視化
    8.3.3  自監督模型評估方法
    8.3.4  實戰演練:自監督訓練全流程多維度遷移
第9章  多模態模型
  9.1  多模態學習基礎
    9.1.1  跨模態對齊機制
    9.1.2  圖像、文本和音頻的表示差異
    9.1.3  構建多模態嵌入空間
    9.1.4  實戰演練:實現多模態對齊模型
  9.2  典型多模態模型
    9.2.1  CLIP:對比式圖文對齊
    9.2.2  BLIP/BLIP-2:圖文生成與問答
    9.2.3  Flamingo:視覺+語言對話模型
    9.2.4  豆包基於擴散模型的圖像生成架構

  9.3  實戰演練:CLIP模型的增強訓練與預評估
    9.3.1  功能模塊和數據集
    9.3.2  創建模型
    9.3.3  分詞器
    9.3.4  損失函數
    9.3.5  訓練模型與評估模型
    9.3.6  文本重寫
第10章  表示共享與跨模態語義
  10.1  表示共享機制
    10.1.1  共享編碼器與任務融合
    10.1.2  參數共享與知識遷移
    10.1.3  跨模態共享空間設計
    10.1.4  實戰演練:基於Transformer的多任務模型
  10.2  跨模態語義理解
    10.2.1  模態間的語義對齊
    10.2.2  跨模態檢索與生成
    10.2.3  圖文音協同理解
    10.2.4  實戰演練:基於對比學習的圖文跨模態檢索
  10.3  知識融合與統一建模
    10.3.1  多模態知識圖譜
    10.3.2  語義嵌入的統一表示
    10.3.3  通用表示與大模型共性語義
  10.4  綜合實戰:多模態檢索增強生成(RAG)
    10.4.1  全局配置與模型初始化
    10.4.2  鏈路構建工具
    10.4.3  多模態知識融合
    10.4.4  多模態檢索增強生成實現
第11章  模型從表示走向理解
  11.1  表示如何支持理解能力
    11.1.1  Token→向量→語義空間
    11.1.2  Attention的語義重組作用
  11.2  語義結構與抽象表示
    11.2.1  層級語義結構
    11.2.2  跨任務表示一致性
  11.3  多模態統一認知機制
    11.3.1  文本/圖像/音頻語義統一
    11.3.2  表示空間的融合能力
  11.4  大模型認知表示總結
    11.4.1  從表示到理解的統一路徑
    11.4.2  多模態語義空間整體結構

  • 商品搜索:
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話:02-2381-2033 02-2381-1863 時間:週一-週五 10:00-17:00
 服務信箱:bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證:浙B2-20060032