演算法 (1版)

相關熱銷的書籍推薦給您

書名：演算法 (Levitin：Introduction to the Design and Analysis of Algorithms, 2/e) 作者：莊承翃(Levitin 2/E) 出版社：高立 出版日期：2009/04/01 ISBN：9789864125555 內容簡介 本書主要著重於那些隱藏在演算法設計和分析背後的主要觀念。 在書中分別分析非遞迴演算法和遞迴演算法兩種方法之效率。 第二章中特別介紹演算法實證分析以及演算法之可視化。 書中有系統地為讀者精心設計一些問題，希望引起讀者的注意與更進一步的思考。 每一章結束時都會對本章最重要的概念和結論做一個總結。 本書包含大約600道習題，並且都附有提示。其中，謎題類的習題均以特殊的圖示加以標註。 本書的創新是引入了一些數值演算法的內容，這些演算法也包含在相同的通用框架之中。 目錄 第一章 緒　論 第二章 演算法效率分析的基本原則 第三章 暴力法 第四章 分解征服法 第五章 縮減征服法 第六章　轉換征服法 第七章　時空取捨法 第八章　動態規劃 第九章　貪婪法 第十章　反覆改進 第十一章　演算法能力的極限 第十二章　超越演算法能力的極限 結　語 附錄A　演算法分析的實用公式 附錄B　遞迴關係之簡明教學 習題提示 索　引

Foundations of Algorithms (5版)

相關熱銷的書籍推薦給您

Foundations of Algorithms 5/E Neapolitan 9781284049190

COMPUTER ALGORITHMS (2版)

相關熱銷的書籍推薦給您

<姆斯>COMPUTER ALGORITHMS 2/E 2008 <SP> 978-0-929306-41-4 2/E HOROWITZ 9780929306414

數位影像處理使用 Matlab (Gonzalez: Digital Image Processing Using MATLAB, 2/e ) (2版)

相關熱銷的書籍推薦給您

【中文翻譯書】 書名：數位影像處理使用 Matlab, 2/e 原文書名 : Digital Image Processing Using MATLAB, 2/e 作者:　Rafael C. Gonzalez, Richard E. Woods, Steven L. Eddins 譯者: 王振仲 黃健興 出版社：開發 出版日期：2012/07　 ISBN：9789861578736

演算法訓練營｜入門篇 (1版)

類似書籍推薦給您

【簡介】 直觀圖解 × 大量實例練習 × 系統化學習脈絡 與你並肩踏上演算法訓練之路的起點 一起練習、思考，累積真正的實力！ 演算法總是讓人覺得抽象又難懂， 該從哪裡開始，才能真正學得會、用得出來？ 本書由具豐富教學經驗的作者系統規劃， 從基礎概念到經典題型， 透過清楚的圖解、大量競賽實例與解題技巧， 一步步建立演算法觀念並熟練解題策略， 幫助你把學到的知識，轉化為可靈活運用的能力。【目錄】 Chapter 01 C++基礎知識 1.1 開啟演算法之旅 1.2 常用的資料型別 1.3 熟悉輸入和輸出 1.4 常用的運算子 1.5 選擇結構述句 1.6 迴圈結構述句 1.7 巧用陣列 1.8 熟悉字串 1.9 結構體的應用 1.10 指標的應用 Chapter 02 演算法之美 2.1 演算法複雜度 2.2 函式 2.3 遞迴 Chapter 03 線性串列的應用 3.1 連續串列 3.2 鏈接串列 3.3 堆疊 3.4 佇列 3.5 STL中的常用函式和容器 Chapter 04 樹的應用 4.1 樹 4.2 二元樹 4.3 二元樹遍歷 4.4 霍夫曼樹 4.5 二元搜尋樹 Chapter 05 圖論基礎 5.1 圖的儲存 5.2 圖的遍歷 Chapter 06 演算法入門 6.1 貪心演算法 6.2 分治演算法 Chapter 07 高精度計算 7.1 高精度加法 7.2 高精度減法 7.3 高精度乘法 7.4 高精度除法 Chapter 08 搜尋演算法入門 8.1 二元演算法 8.2 深度優先搜尋 8.3 廣度優先搜尋 Chapter 09 動態規劃入門 9.1 動態規劃祕笈 9.2 背包問題 9.3 線性動態規劃 9.4 區間動態規劃

現代AI是這麼做出來的：從訓練、演算法到微調全實作 (1版)

類似書籍推薦給您

【簡介】 　　【書籍特點】 　　☆Transformer：自注意力、多頭注意力、位置編碼 　　☆GPT：文字生成、Greedy Search、Beam Search、困惑度評估 　　☆BERT：遮罩語言模型、預訓練、微調、分類任務 　　☆ViT：影像分塊、視覺嵌入、注意力量化 　　☆微調方法：Adapter Tuning、LoRA、P-Tuning 　　☆資料處理：文字清洗、分詞、嵌入向量、資料增強 　　☆混合精度與分散式訓練：Data Parallel、Model Parallel、梯度累積 　　☆對比學習與對抗訓練：SimCLR、GAN、自監督任務 　　☆最佳化器：AdamW、LAMB、動態學習率、Warmup、餘弦退火 　　☆模型壓縮：知識蒸餾、教師學生架構、權重剪枝 　　☆訓練流程：Tokenization、多GPU訓練、訓練中斷與恢復 　　☆微調實作：資料集切分、層級凍結、超參數調整、推理量化 　　【內容簡介】 　　本書共分為12章，涵蓋大模型的建構、訓練與微調流程。 　　第一章介紹Transformer的基本原理，包括自注意力、多頭注意力與位置編碼。第二章說明GPT模型的文字生成機制與實作方法，並比較Greedy與Beam Search等生成策略。第三章講解BERT模型的編碼結構與遮罩語言模型任務，並說明如何應用於分類任務。第四章介紹ViT模型在影像分塊、嵌入與注意力運算上的應用。第五章說明Adapter Tuning、LoRA、P-Tuning等常見微調方法。第六章說明資料清洗、資料增強與嵌入向量生成等處理技術。第七章解釋混合精度訓練、多GPU併行與梯度累積等效率優化技術。第八章涵蓋對比學習與對抗訓練，包括SimCLR與GAN的實作細節。第九章介紹AdamW與LAMB最佳化器，並比較各種動態學習率排程方式。第十章說明知識蒸餾與剪枝，包括教師學生架構與多頭注意力精簡方法。第十一章示範大模型訓練流程，從資料前處理到訓練中斷與恢復。第十二章介紹模型微調的實作，包括資料集切分、參數設定與推理效能調整。  【目錄】 ▌第0 章 引言 一、大模型技術的發展歷史 1. 基於規則和統計學習的早期階段 2. 神經網路與深度學習的崛起 3. Transformer 的誕生與自注意力機制的崛起 4. 預訓練模型的興起：BERT、GPT 和T5 5. 超大規模模型與多模態應用 二、開發環境配置基礎 1. 硬體規格要求 2. 軟體相依與環境架設 3. 常見問題與解決方案 ▌第1 章 Transformer 模型基礎 1.1 Seq2Seq 模型 1.1.1 編碼器－解碼器工作原理 1.1.2 Seq2Seq 結構實現 1.2 分詞與嵌入層 1.2.1 分詞器：將文字轉為嵌入向量 1.2.2 PyTorch 實現嵌入層（將分詞後的結果輸入模型） 1.3 自注意力與多頭注意力機制 1.3.1 自注意力機制計算過程（QKV 矩陣生成和點積運算） 1.3.2 多頭注意力機制與Transformer 1.4 殘差連接與層歸一化 1.4.1 殘差連接層的實現 1.4.2 層歸一化與訓練穩定性 1.5 位置編碼器 1.5.1 位置編碼的計算與實現 1.5.2 位置編碼在無序文本資料中的作用 1.6 本章小結 1.7 思考題 ▌第2 章 GPT 模型文字生成核心原理與實現 2.1 GPT-2 核心模組 2.1.1 層堆疊 2.1.2 GPT-2 中的注意力機制 2.2 GPT 模型的文字生成過程 2.2.1 詳解GPT-2 文字生成過程 2.2.2 Greedy Search 和Beam Search 演算法的實現與對比 2.3 模型效果評估與調優 2.3.1 模型常見評估方法 2.3.2 基於困惑度的評估過程 2.4 本章小結 2.5 思考題 ▌第3 章 BERT 模型核心實現與預訓練 3.1 BERT 模型的核心實現 3.1.1 編碼器堆疊 3.1.2 BERT 的自注意力機制與遮罩任務 3.2 預訓練任務：遮罩語言模型（MLM） 3.2.1 MLM 任務實現過程 3.2.2 如何對輸入資料進行隨機遮掩並預測 3.3 BERT 模型的微調與分類任務應用 3.4 本章小結 3.5 思考題 ▌第4 章 ViT 模型 4.1 影像分塊與嵌入 4.2 ViT 模型的核心架構實現 4.2.1 ViT 模型的基礎結構 4.2.2 自注意力和多頭注意力在影像處理中的應用 4.3 訓練與評估ViT 模型 4.4 ViT 模型與注意力嚴格量化分析 4.5 本章小結 4.6 思考題 ▌第5 章 高階微調策略：Adapter Tuning 與P-Tuning 5.1 Adapter Tuning 的實現 5.2 LoRA Tuning 實現 5.3 Prompt Tuning 與P-Tuning 的應用 5.3.1 Prompt Tuning 5.3.2 P-Tuning 5.3.3 Prompt Tuning 和P-Tuning 組合微調 5.3.4 長文字情感分類模型的微調與驗證 5.4 本章小結 5.5 思考題 ▌第6 章 資料處理與資料增強 6.1 資料前置處理與清洗 6.1.1 文字資料前置處理 6.1.2 文字資料清洗 6.2 文字資料增強 6.2.1 同義詞替換 6.2.2 隨機插入 6.2.3 其他類型的文字資料增強方法 6.3 分詞與嵌入層的應用 6.3.1 深度理解分詞技術 6.3.2 嵌入向量的生成與最佳化 6.3.3 文字前置處理與資料增強綜合案例 6.4 本章小結 6.5 思考題 ▌第7 章 模型性能最佳化：混合精度訓練與分散式訓練 7.1 混合精度訓練的實現 7.2 多GPU 並行與分散式訓練的實現 7.2.1 分散式訓練流程與常規配置方案 7.2.2 Data Parallel 方案 7.2.3 Model Parallel 方案 7.3 梯度累積的實現 7.3.1 梯度累積初步實現 7.3.2 小量訓練中的梯度累積 7.3.3 梯度累積處理文字分類任務 7.4 本章小結 7.5 思考題 ▌第8 章 對比學習與對抗訓練 8.1 對比學習 8.1.1 建構正負樣本對及損失函式 8.1.2 SimCLR 的實現與初步應用 8.2 基於對比學習的預訓練與微調 8.2.1 透過對比學習進行自監督預訓練 8.2.2 對比學習在分類、聚類等任務中的表現 8.3 生成式對抗網路的實現與最佳化 8.4 對抗訓練在大模型中的應用 8.5 本章小結 8.6 思考題 ▌第9 章 自我調整最佳化器與動態學習率排程 9.1 AdamW 最佳化器與LAMB 最佳化器的實現 9.1.1 AdamW 最佳化器 9.1.2 LAMB 最佳化器 9.2 基於梯度累積的最佳化技巧 9.2.1 大量記憶體受限環境 9.2.2 梯度累積的應用場景和參數調整對訓練效果的影響 9.3 動態學習率排程 9.3.1 線性衰減 9.3.2 餘弦退火 9.4 Warmup 與迴圈學習率排程 9.4.1 Warmup 策略實現 9.4.2 迴圈學習率排程 9.4.3 其他幾種常見的動態學習排程器 9.5 本章小結 9.6 思考題 ▌第10 章 模型蒸餾與剪枝 10.1 知識蒸餾：教師－學生模型 10.1.1 知識蒸餾核心過程 10.1.2 教師－學生模型 10.1.3 蒸餾損失 10.2 知識蒸餾在文字模型中的應用 10.2.1 知識蒸餾在文字分類模型中的應用 10.2.2 模型蒸餾效率分析 10.2.3 文字情感分析任務中的知識蒸餾效率對比 10.3 模型剪枝技術 10.3.1 權重剪枝 10.3.2 結構化剪枝 10.3.3 在嵌入式裝置上部署手寫數字辨識模型 10.3.4 BERT 模型的多頭注意力剪枝 10.4 本章小結 10.5 思考題 ▌第11 章 模型訓練實戰 11.1 資料前置處理與Tokenization 細節 11.1.1 大規模文字資料清洗 11.1.2 常用分詞器的使用 11.2 大規模預訓練模型的設置與啟動 11.3 預訓練過程中的監控與中間結果儲存 11.4 訓練中斷與恢復機制 11.5 綜合案例：IMDB 文字分類訓練全流程 11.5.1 資料前置處理與Tokenization 11.5.2 多GPU 與分散式訓練設置 11.5.3 訓練過程中的監控與中間結果儲存 11.5.4 訓練中斷與恢復 11.5.5 測試模型性能 11.6 本章小結 11.7 思考題 ▌第12 章 模型微調實戰 12.1 微調資料集的選擇與準備 12.1.1 資料集準備與清洗 12.1.2 資料集分割 12.1.3 資料增強 12.2 層級凍結與部分解凍策略 12.3 模型參數調整與最佳化技巧 12.4 微調後的模型評估與推理最佳化 12.5 綜合微調應用案例 12.6 本章小結 12.7 思考題

圖說運算思維與演算邏輯：使用Python+ChatGPT，訓練系統化思考與問題解析方法(暢銷回饋版) (2版)

類似書籍推薦給您

【簡介】 用AI幫助學習運算思維，暢銷回饋熱賣中！ 　　運算思維是用來培養系統化邏輯概念的基礎，進而學習在面對問題時能有系統的分析與拆解問題的能力。為了讓讀者能更容易地來理解運算思維與演算邏輯，本書採用豐富圖例來闡述觀念，並使用簡潔、易懂、易學的Python語言來實作程式，重要指引包括：程式設計與運算思維之間的關係，必懂的資料結構，如陣列、矩陣、串列、堆疊、佇列、樹狀結構、圖形及雜湊表等，並說明分治法、貪心法、動態規劃法、樹狀演算法、堆疊與佇列…等演算邏輯。 　　另外，新增了「ChatGPT與Python程式設計」的內容，藉由熱門的ChatGPT聊天機器人，學習如何利用它來協助寫文章、擬信件、驗證程式…等，並運用ChatGPT開發小型遊戲程式，精彩AI範例如下： 　　✚ 使用Pygame遊戲套件繪製多媒體圖案 　　✚ 以內建模組及模擬大樂透的開獎程式 　　✚ 建立四個主功能表的視窗應用程式 　　✚ 迷宮問題的解決方案 　　✚ 海龜繪圖法繪製圖形 　　✚ 猜數字遊戲 　　✚ OX井字遊戲 　　✚ 猜拳遊戲 　　✚ 比牌面大小遊戲 本書特色 　　✦ 依演算邏輯規劃章節架構，增加訓練的強度 　　✦ 運用Python實作，訓練運算思維與演算邏輯 　　✦ 結合ChatGPT輔助應用，加速程式設計 　　✦ 採豐富圖例講解，精確提高演算法的理解程度 　　✦ 提供完整範例程式碼，增強學習成效【目錄】 第1章▸大話運算思維與程式設計 1-1 我與運算思維 1-2 認識運算思維 1-3 生活中到處都是演算法 1-4 程式設計邏輯是什麼？ 第2章▸走入資料結構與演算法的異想世界 2-1 資料結構初體驗 2-2 必懂的資料結構 2-3 矩陣與深度學習 2-4 小手拉小手的串列 2-5 後進先出的堆疊 2-6 先進先出的佇列 2-7 盤根錯節的樹狀結構 2-8 學會藏寶圖的密技－圖形簡介 2-9 神奇有趣的雜湊表 第3章▸各個擊破的分治演算邏輯 3-1 化繁為簡的分治邏輯思維 3-2 分治法孿生兄弟－遞迴演算邏輯 3-3 古老的河內塔演算法 3-4 快速排序演算法 3-5 合併排序演算法 3-6 一刀兩斷的二分搜尋演算法 第4章▸給我最好，其餘免談的貪心演算邏輯 4-1 貪心邏輯思維 4-2 最小花費擴張樹（MST） 4-3 圖形最短路徑演算法 第5章▸分治法的麻吉兄弟－動態規劃演算邏輯 5-1 動態規劃邏輯思維 5-2 字串比對功能 5-3 AOV網路與拓樸排序演算法 5-4 AOE網路 5-5 青蛙跳台階演算法 第6章▸超圖解的樹狀演算邏輯 6-1 陣列實作二元樹 6-2 串列實作二元樹 6-3 二元樹走訪的入門捷徑 6-4 話說二元搜尋樹 6-5 二元樹節點插入 6-6 二元樹節點的刪除 6-7 疊羅漢般的堆積樹排序法 第7章▸堆疊與佇列演算邏輯徹底研究 7-1 陣列實作堆疊 7-2 串列實作堆疊 7-3 經典堆疊應用的八皇后演算法 7-4 陣列實作佇列 7-5 鏈結串列實作佇列 7-6 有趣的雙向佇列 7-7 一定要懂的優先佇列 第8章▸改變程式功力的經典演算邏輯 8-1 不斷繞圈的疊代邏輯思維 8-2 人人都有獎的枚舉邏輯思維 8-3 不對就回頭的回溯邏輯思維 8-4 一學就懂的雜湊演算法 8-5 破解碰撞與溢位處理的小撇步 第9章▸ChatGPT與Python程式設計黃金入門課 9-1 認識聊天機器人 9-2 ChatGPT初體驗 9-3 使用ChatGPT寫Python程式 9-4 ChatGPT AI Python程式範例集 9-5 課堂上學不到的ChatGPT使用祕訣 9-6 利用ChatGPT輕鬆開發AI小遊戲 9-7 你不能不會的演算法