AI程式設計、深度學習與LLM入門到精通：PyTorch × GPT × Transformer × LLaMA實作指南（iThome鐵人賽系列書） (1版)

類似書籍推薦給您

【簡介】 全面掌握AI技術，開創屬於自己的AI之路，晉升專業實戰AI工程師 AI模型優化與實戰入門，矩陣到大型語言模型的完整攻略 理論與實作並行，完整理解AI的邏輯與機制 　　♚AI知識剖析：完整理解數學、程式及實戰案例 　　♚實務能力提升：學會建構、優化並實際應用AI模型 　　♚實戰案例培訓：提供競賽經驗與案例，符合現場實務需求 　　♚前瞻技術學習：掌握從經典模型到Transformer架構 　　本書內容改編自第16屆iThome鐵人賽AI/ ML & Data組佳作系列文章《從零開始學AI：數學基礎與程式碼撰寫全攻略》。本書是專為AI初學者與工程師所寫的實戰指南，涵蓋從數學基礎、NumPy操作到PyTorch建模與經典深度學習架構，強調不只教「怎麼做」，更解析「為什麼這樣做」。 　　作者結合競賽與實務經驗，深入剖析流程邏輯與常見錯誤，帶你掌握資料前處理、特徵選取、模型訓練、效能評估與部署，並逐步理解從感知器到Transformer的核心概念，幫助你真正理解模型原理、具備獨立設計與優化AI模型的能力。 　　【目標讀者】 　　✪想要補足實作能力並加強理解、提升競賽與研究成果的學生與研究者。 　　✪想用多樣的方式理解複雜概念、對AI感興趣的非專業人士。 　　✪想要理解並導入AI技術、強化職場競爭力軟體的開發人員與工程師。 　　✪調整模型成為特定領域專家、使其協助日常生活的專業領域人士。 專業推薦 　　本書最討喜的地方在於理論與實作並重。更難得的是，書中穿插各式實務場景，點出真實專案裡那些惱人的小坑與解法，不只給漂亮結果，而是教你面對雜訊與限制。─ 許芫齊，2025 AI CUP春季賽亞軍 　　本書建立了一個完整的學習流程：大綱引導→動手實作→QA問答，既易於理解，又能引導實作。對初學者而言，它是最穩妥的起點；對已有基礎的讀者，則提供了深化理論、補強實務的完整路徑。─ 蘇連宏，2025 AI CUP春季賽殿軍 　　本書是一套實戰導向的可遷移知識體系，把數學直覺、程式實作、實驗設計與效能量測有機地扣在一起，既能支撐學術研究的嚴謹，也能對接產業場景的效率與可靠度。─ 吳宇祈，國立成功大學 電機工程系碩士 　　本書以六個階段鋪陳學習路徑，先用NumPy把數學與張量運算動手拆開，再平順橋接到PyTorch的現代訓練框架，最後銜接自建模型與經典架構的理解與應用，結構清楚、節點分明，不會迷失方向。─ 陳冠穎，國立成功大學 電機工程系碩士 【目錄】 |Chapter 01| 人工智慧入門與Python環境建置 1.1 人工智慧的發展歷程：從熱潮到寒冬，再到現在 1.2 拆解三大核心：人工智慧、機器學習與深度學習 1.3 機器學習的四種學習方式：監督、非監督、強化與遷移 1.4 Python與Jupyter Notebook實作的開發利器 1.5 常見問題與知識總整理 1.6 小結 |Chapter 02| 單層感知器的數學原理與實作入門 2.1 感知器簡介：人工智慧的起點 2.2 前向傳播：從輸入到預測的數學轉換 2.3 損失函數與反向傳播：學習的數學核心 2.4 梯度下降與參數更新：從錯誤中修正的機制 2.5 章節實作：從單層感知器建立到預測輸出 2.6 常見問題與知識總整理 2.7 小結 |Chapter 03| 多層感知器與優化策略實戰 3.1 多層感知器的誕生：破解單層感知器的限制 3.2 MLP結構與數學原理：從輸入到機率輸出 3.3 反向傳播機制：從損失回推模型調整方向 3.4 選擇適當優化器：GD與SGD差異比較 3.5 章節實作：MLP訓練與優化器效能分析 3.6 常見問題與知識總整理 3.7 小結 |Chapter 04| PyTorch環境搭建與深度神經網路實作 4.1 PyTorch安裝與環境驗證  4.2 資料處理與MLP模型訓練流程  4.3 章節實作：MLP在CIFAR-10上的應用  4.4 常見問題與知識總整理  4.5 小結 |Chapter 05| CNN原理與PyTorch實作 5.1 CNN基礎與卷積細節 5.2 章節實作：圖像前處理與可調式CNN模型設計 5.3 常見問題與知識總整理  5.4 小結 |Chapter 06| 文字處理、序列模型與情緒分析實戰 6.1 斷詞與子詞策略 6.2 向量化方法：獨熱編碼 vs 詞嵌入 6.3 循環神經網路（RNN） 6.4 長短期記憶（LSTM） 6.5 門控循環單元（GRU） 6.6 章節實作：IMDB情緒分類（BERT分詞 + GRU） 6.7 常見問題與知識總整理 6.8 小結 |Chapter 07| Seq2Seq與Attention架構解析 7.1 Seq2Seq基礎：Encoder + Decoder 7.2 Attention強化：解決資訊壓縮瓶頸 7.3 章節實作：中英翻譯模型  7.4 常見問題與知識總整理  7.5 小結 |Chapter 08| 萬物皆可Transformer：Encoder與BERT系列 8.1 遷移學習與微調 8.2 Transformer Encoder  8.3 BERT：雙向編碼器預訓練模型  8.4 章節實作：假新聞辨識 with BERT  8.5 常見問題與知識總整理  8.6 小結 |Chapter 09| 萬物皆可Transformer：Decoder與GPT系列 9.1 Transformer Decoder  9.2 GPT-1  9.3 GPT-2：規模、Pre-LN與殘差縮放 9.4 GPT-3：少樣本 / 零樣本與提示學習 9.5 章節實作：微調GPT-2用於翻譯任務 9.6 常見問題與知識總整理 9.7 小結 |Chapter 10| 萬物皆可Transformer：中文語音辨識與Whisper微調 10.1 語音資料格式與特徵萃取  10.2 Whisper模型架構  10.3 QLoRA：高效微調大模型  10.4 章節實作：中文語音辨識微調實作流程  10.5 常見問題與知識總整理  10.6 小結 |Chapter 11| 萬物皆可Transformer：從GPT-3到LLaMA 3的指示學習 11.1 從提示學習到指示學習 11.2 ChatGPT三階段訓練流程  11.3 LLM架構優化技術  11.4 章節實作：用LLaMA 3訓練繁中聊天機器人 11.5 常見問題與知識總整理  11.6 小結  

新一代 Keras 3.x 重磅回歸：跨 TensorFlow 與 PyTorch 建構 Transformer、CNN、RNN、LSTM 深度學習模型 (1版)

類似書籍推薦給您

【簡介】 ✧✦第一本 Keras 3 深度學習入門書✦✧ ✧✦一本搞定影像辨識與自然語言處理✦✧ ✧✦先圖解、再實作、而後實務應用✦✧ 本書以淺顯易懂的方式與大量圖例介紹深度學習的理論基礎，並使用 Keras 3 來建構 MLP、CNN、RNN、LSTM、GRU、Transformer 模型，實作多種熱門分類、迴歸問題，最後再介紹資料預處理、超參數調整、預訓練模型的遷移學習等，讓讀者能夠應對未來的實務應用。 深度學習是一種實現機器學習的技術，能夠使用模仿人類大腦功能的「類神經網路」，訓練模型從大量資料中學習，進而處理如視覺、聽覺等感知問題。 而 Keras 3 是 Keras 的重磅回歸，這是架構在 TensorFlow 和 PyTorch 等後台框架上的高階前端函式庫，可以讓使用者輕鬆取得不同後台框架的優點，來打造出最佳的神經網路模型。 書中內容包含：普遍應用於影像辨識的 CNN、善於處理序列資料的 LSTM，還有近幾年爆紅、多被應用於自然語言、語音或音樂資料的 Transformer 模型，以及基於 Transformer 的 BERT 和 GPT 等大型語言模型的應用，還有結合文字與圖像的 StableDiffusion 文字生圖等豐富內容。 除了講述深度學習理論基礎之外，還提供大量實作範例： ☛ MLP 多層感知器 - 疾病預測、房價預測的迴歸問題 ☛ CNN 卷積神經網路 - 手寫辨識、彩色圖片辨識 ☛ RNN 循環神經網路、GRU 閘門循環單元神經網路 - 影評的情緒分析 ☛ LSTM 長短期記憶神經網路 - 股價預測、新聞主題分類 ☛ Transformer 模型 - 文字的情感分析、語言翻譯 以及預訓練模型與遷移學習： ☛ CV 電腦視覺 - ResNet50 圖片分類、YOLO 物體偵測、StableDiffusion 文字生圖 ☛ NLP 自然語言處理 - BERT 情感分析、GPT-2 唐詩生成 還有 AE 自編碼器、Functional API 客製化神經網路、AutoML 自動調校模型超參數等多種主題等著你來學習！ 本書特色: ✓ 跨 TensorFlow 和 PyTorch 的 Keras 開發環境 ✓ 人工智慧、機器學習、深度學習的理論基礎 ✓ 從最根本的感知器、到當紅的 Transformer 模型 ✓ 逐步建構並調校自己的神經網路模型 ✓ 影像、文字資料的預處理與模型視覺化 ✓ YOLO、StableDiffusion 等電腦視覺模型的應用 ✓ BERT、GPT 等大型預訓練模型的遷移學習 ✓ 打造支援 GPU 的 Keras 開發環境 【目錄】 目錄: ▍第一篇 人工智慧與深度學習的基礎 第 1 章 認識人工智慧與機器學習 1-1 人工智慧概論 1-2 認識機器學習 1-3 機器學習的種類 第 2 章 建構跨 TensorFlow 和 PyTorch 的 Keras 開發環境 2-1 認識 TensorFlow、PyTorch 與 Keras 2-2 建立與管理 Python 虛擬環境 2-3 建構 Python 深度學習的開發環境 2-4 使用 Spyder 整合開發環境 2-5 Jupyter Notebook 基本使用 2-6 使用 Google Colaboratory 雲端服務 第 3 章 深度學習的基礎 3-1 認識深度學習 3-2 深度學習的基礎知識 3-3 深度學習的神經網路 – 建構你的計算圖 3-4 深度學習的資料 – 張量 ▍第二篇 多層感知器 – 迴歸與分類問題 第 4 章 圖解神經網路 – 多層感知器 (MLP) 4-1 線性不可分問題 4-2 認識多層感知器 (MLP) 4-3 神經網路的學習過程 – 正向與反向傳播 4-4 啟動函數與損失函數 4-5 反向傳播演算法與梯度下降法 4-6 神經網路的樣本和標籤資料 第 5 章 打造你的神經網路 – 多層感知器 5-1 如何使用 Keras 打造神經網路 5-2 打造分類問題的神經網路：糖尿病預測 5-3 認識線性迴歸 5-4 打造迴歸問題的神經網路：波士頓房價預測 5-5 儲存與載入神經網路模型 第 6 章 多層感知器的實作案例 6-1 實作案例：鳶尾花資料集的多元分類 6-2 實作案例：鐵達尼號資料集的生存分析 6-3 實作案例：加州房價預測的迴歸問題 ▍第三篇 卷積神經網路 – 電腦視覺 第 7 章 圖解卷積神經網路 (CNN) 7-1 影像資料的穩定性問題 7-2 卷積運算與池化運算 7-3 認識卷積神經網路 CNN 7-4 卷積層 7-5 池化層與 Dropout 層 7-6 打造你的卷積神經網路 第 8 章 打造你的卷積神經網路 8-1 認識 MNIST 手寫數字資料集 8-2 使用 MLP 打造 MNIST 手寫辨識 8-3 使用 CNN 打造 MNIST 手寫辨識 8-4 MNIST 手寫辨識的預測結果 第 9 章 卷積神經網路的實作案例 9-1 實作案例：辨識 CIFAR-10 資料集的彩色圖片 9-2 實作案例：使用 MLP 或 CNN 實作自編碼器 9-3 實作案例：使用 CNN 自編碼器去除圖片的雜訊 ▍第四篇 循環神經網路 – 自然語言處理 第 10 章 圖解 RNN、LSTM 和 GRU 神經網路 10-1 認識序列資料 10-2 自然語言處理的基礎 10-3 循環神經網路 (RNN) 10-4 長短期記憶神經網路 (LSTM) 10-5 閘門循環單元神經網路 (GRU) 10-6 文字資料向量化 Text Data Vectorization 第 11 章 打造你的循環神經網路 11-1 認識 IMDb 網路電影資料集 11-2 資料預處理與 Embedding 層 11-3 使用 MLP 和 CNN 打造 IMDb 情緒分析 11-4 如何使用 Keras 打造循環神經網路 11-5 使用 RNN、LSTM 和 GRU 打造 IMDb 情緒分析 11-6 堆疊 CNN 和 LSTM 打造 IMDb 情緒分析 第 12 章 循環神經網路的實作案例 12-1 實作案例：使用 LSTM 打造 MNIST 手寫辨識 12-2 實作案例：使用 LSTM 模型預測 Google 股價 12-3 實作案例：Reuters 路透社資料集的新聞主題分類 ▍第五篇 建構出你自己的深度學習模型 第 13 章 訓練資料、預處理層與神經層資訊 13-1 多種資料來源的訓練資料 13-2 取得神經層資訊與中間層視覺化 13-3 載入文字檔資料集與文字預處理層 13-4 載入圖檔資料集與圖片預處理層 13-5 資料增強的圖片增強層 13-6 實作案例：在 Keras 模型使用圖片預處理層與增強層 第 14 章 調校你的深度學習模型 14-1 識別出模型的過度擬合問題 14-2 避免低度擬合與過度擬合 14-3 加速神經網路的訓練：選擇優化器 14-4 加速神經網路的訓練：批次正規化 14-5 在正確的時間點停止模型訓練 14-6 在模型訓練時自動儲存最佳權重 14-7 自動調校神經網路模型的超參數：KerasTuner 第 15 章 預訓練模型與遷移學習 15-1 Keras 預訓練模型的圖片分類 15-2 KerasCV 的 YOLO 物體偵測與 StableDiffusion 文生圖 15-3 KerasNLP 的 GPT-2 生成文字與 BERT 情感分析 15-4 認識遷移學習 15-5 實作案例：MNIST 手寫辨識的遷移學習 15-6 實作案例：Keras 預訓練模型的遷移學習 第 16 章 Functional API、客製化神經網路與 Transformer 模型 16-1 深度學習模型視覺化 16-2 再談 Functional API 16-3 共享層模型與多輸入 / 多輸出模型 16-4 客製化 Keras 神經網路 16-5 認識 Seq2Seq 模型與 Transformer 模型 16-6 實作案例：Transformer 情感分析與英譯中 16-7 實作案例：微調 KerasNLP 的 GPT-2 生成唐詩 ▍電子書 附錄 A Python 程式語言與開發環境建立 A-1 Python 開發環境的建立 A-2 變數、資料型別與運算子 A-3 流程控制 A-4 函式、模組與套件 A-5 容器型別 A-6 類別與物件 附錄 B 使用 WSL 2 安裝支援 GPU 的 Keras 與 KerasNLP 開發環境 B-1 安裝 WSL 2、終端機與 Linux 子系統 B-2 在 Linux 子系統安裝 Anaconda B-3 建立支援 GPU 的 Keras 與 KerasNLP 開發環境 B-4 使用 Jupyter Notebook 測試 GPU 開發環境

全格局使用PyTorch：深度學習和圖神經網路 實戰篇 2022 <深智數位> (1版)

類似書籍推薦給您

【簡介】 熟悉基礎，精通實戰。 接續了上一本實戰篇的基礎，本書將介紹目前最流行的物體辨識和自然語言處理在圖神經網路上的最完整應用。當你熟悉了神經網路之後，接下來要精進的就是針對網路結果的強化及最佳化。在GNN的基礎上，針對目前最流行的視覺處理模型進行修改、架設及強化，並且實際應用在現有的平台上。本書的重點就是大量了使用現有的Python函數庫，並且應用了最新的資料集，讓你能真正看到資料套用在模型上的強大能力。在針對Pytorch的函數庫上，不但有視覺應用，更有號稱人工智慧明珠的NLP應用。使用了Torchtext以及NLP的唯一/最佳選擇Huggingface Transformers。而大家耳熟能詳，但又不知道怎麼用的模型，包括GPT-2、Transformer-XL、ALBERT、ELECTRA、DistillBERT等，在書中都有詳細介紹。另外為了解開DL的神祕，本書也難得介紹了Captum套件，讓深度神經網路更具可解釋性。本書最後也不忘介紹ZSL、這種極少量資料就可訓練高精度模型的方法。有關異質圖神經網路部分，也有大量DGL和NetworkX的範例，實戰篇+基礎篇兩本書，要不充分了解GNN都不行。 本書亮點 ～GNN 最強實戰參考書～ 使用圖型的預訓練模型、Torschvision，GaitSet模型、CASIA-B資料集 高級NLP模型訓練及微調、BERTology、CBOW、Skip-Gram、Torchtext、spaCy 文字使用模型TextCNN來把玩IMDB資料庫 高階工程師才會用的Mist啟動函數、Ranger最佳化器 正宗NLP函數庫Huggingface Transformers詳解、AutoModel、AutoModelWithMHead、多頭注意力、PretrainedTokernizer 【目錄】 第 1 章 圖片分類模型 1.1 深度神經網路起源 1.2 Inception 系列模型 1.3 ResNet 模型 1.4 DenseNet 模型 1.5 PNASNet 模型 1.6 EfficientNet 模型 1.7 實例：使用預訓練模型辨識圖片內容 1.8 實例：使用遷移學習辨識多種鳥類 1.9 從深度卷積模型中提取視覺特徵 第 2 章 機器視覺的進階應用 2.1 基於圖片內容的處理任務 2.2 實例: 使用Mask R-CNN 模型進行目標檢測與語義分割 2.3 基於視訊內容的處理任務 2.4 實例: 用GaitSet 模型分析人走路的姿態，並進行身份辨識 2.5 偵錯技巧 第 3 章 自然語言處理的相關應用 3.1 BERT 模型與NLP 任務的發展階段 3.2 NLP 中的常見任務 3.3 實例: 訓練中文詞向量 3.4 常用文字處理工具 3.5 實例: 用TextCNN 模型分析評論者是否滿意 3.6 了解Transformers 函數庫 3.7 實例: 使用Transformers 函數庫的管道方式完成多種NLP任務 3.8 Transformers 函數庫中的AutoModel 類別 3.9 Transformers 函數庫中的BERTology 系列模型 3.10 Transformers 函數庫中的詞表工具 3.11 BERTology 系列模型 3.12 實例: 用遷移學習訓練BERT 模型來對中文分類 3.13 實例: 用R-GCN 模型了解文字中的代詞 第 4 章 神經網路的可解釋性 4.1 了解模型解釋函數庫 4.2 實例: 用可解釋性了解數值分析神經網路模型 4.3 實例: 用可解釋性了解NLP 相關的神經網路模型 4.4 實例: 用Bertviz 工具視覺化BERT 模型權重 4.5 實例: 用可解釋性了解影像處理相關的神經網路模型 4.6 實例: 用可解釋性了解圖片分類相關的神經網路模型 第 5 章 辨識未知分類的方法-- 零次學習 5.1 了解零次學習 5.2 零次學習中的常見問題 5.3 帶有視覺結構約束的VSC 模型 5.4 詳解Sinkhorn 演算法 5.5 實例: 使用VSC 模型來辨識未知類別的鳥類圖片 5.6 針對零次學習的性能分析 第 6 章 異質圖神經網路 6.1 異質圖的基礎知識 6.2 二分圖的實現方式 6.3 異質圖的實現方式 6.4 隨機行走取樣 6.5 DGL 函數庫中的區塊圖結構 6.6 實例: 使用PinSAGE 模型架設推薦系統 6.7 複習