大模型新书放送丨AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型（附pdf）

今天给大家系统地介绍了一本AIGC的各方面内容的书—《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》，这本书从基础知识到应用实践，从基本原理到案例分析，力求通过简洁明了的语言、清晰生动的例子，引导读者逐步掌握AIGC的精髓。

内容简介

本书旨在帮助没有任何人工智能技术基础的工程师们全面掌握AIGC的底层技术原理，以及大语言模型、扩散模型和多模态模型的原理与实践。本书的核心价值是，首先为想学习各种大模型的读者打下坚实的技术基础，然后再根据自己的研究方向展开深入的学习，达到事半功倍的效果。

​

书籍/教程获取↑↑↑↑↑

通过阅读本书，您将学习如下内容：

（1）AIGC技术基础 深入了解神经网络的基础知识，包括卷积神经网络和循环神经网络的原理与应用。并通过学习神经网络的优化方法，您将掌握如何优化和提升神经网络的性能。

（2）图像生成模型 包括从自动编码器（AE）、变分自编码器（VAE）、生成对抗网络（GAN）等图像生成模型。通过学习优化方法，如WGAN、WGAN-WP、StyleGAN等，您将掌握如何提高图像生成模型的质量和稳定性。同时，了解图像生成模型的应用，如迁移学习、风格迁移等，让您轻松实现个性化创作。此外，还将带您深入了解DDPM、DDIM等扩散模型的前沿技术，为您展现图像生成技术的*新成果，探索更加出色的生成效果和表达方式。

（3）语言生成模型 了解注意力机制、Transformer架构等基础知识，深入探索GAT系列、大语言模型（如ChatGPT），让您掌握自然语言处理的精髓。

（4）多模态模型 了解CLIP、Stable Diffusion、DALL.E等多模态模型，触碰视觉和文字的奇妙交织，领略多模态智能的广阔前景。

适读人群

适读人群 ：零AI基础或有一定AI基础的技术工程师

（1）作者背景资深：作者是人工智能领域的资深专家，在大数据和人工智能领域深耕20余年，对AIGC有深入研究。

（2）知识体系全面：本书包含AIGC所涉及的各方面技术，从基础知识到各种流行的大模型，从技术原理到应用实践。

（3）读者无需AI基础：本书专为没有AI基础的技术工程师量身定做，通过由浅入深的讲解方式，使读者能够轻松入门并逐步掌握AIGC。

（4）实践案例丰富：书中提供大量实践案例和代码示例，读者可通过PyTorch等工具构建和训练各种大模型。

（5）配套资源丰富：为方便读者学习，本书配有视频讲解、教学PPT、代码和数据，这些资源均可获取，让读者学习事半功倍。

作者简介

吴茂贵

资深人工智能技术专家和大数据技术专家，在BI、数据挖掘与分析、数据仓库、机器学习、深度学习等领域有超过20年的实战经验。近年来，一直专注于人工智能领域的工程实践，对大模型相关的技术和应用有深入的研究。

著有多部人工智能领域的畅销书：

• 《Python深度学习：基于TensorFlow》 （第1版和第2版）

• 《Python深度学习：基于Pytorch》 （第1版和第2版）

• 《深入浅出Embedding》

• 《深度实践Spark机器学习》

CONTENTS

---

目　　录

---

前言

---

第1章　AIGC概述 1

• 1.1　AIGC的主要技术 1

• 1.2　生成模型与判别模型 4

• 1.3　生成模型的原理 5

• 1.4　表示学习 9

• 1.5　表示学习的逆过程 18

第2章　深度神经网络 21

• 2.1　用PyTorch构建深度神经网络 21

• 2.2　用PyTorch实现神经网络实例 25

• 2.3　用PyTorch Lightning实现神经网络实例 31

• 2.4　构建卷积神经网络 35

• 2.5　构建循环神经网络 60

• 2.6　迁移学习 64

• 2.7　深度学习常用的归一化方法 68

• 2.8　权重初始化 77

• 2.9　PyTorch常用的损失函数 79

• 2.10　深度学习常用的优化算法 80

第3章　变分自编码器 94

• 3.1　自编码器简介 94

• 3.2　变分自编码器简介 100

• 3.3　构建变分自编码器 105

• 3.4　使用变分自编码器生成面部图像 110

第4章　生成对抗网络 114

• 4.1　GAN模型简介 114

• 4.2　用GAN从零开始生成图像 117

• 4.3　GAN面临的问题 121

• 4.4　WGAN 125

• 4.5　WGAN-GP 129

第5章　StyleGAN模型 134

• 5.1　ProGAN简介 135

• 5.2　StyleGAN架构 137

• 5.3　StyleGAN的其他算法 140

• 5.4　用PyTorch从零开始实现StyleGAN 141

• 5.5　StyleGAN的新进展 151

• 5.6　DragGAN简介 153

第6章　风格迁移 154

• 6.1　DeepDream模型 154

• 6.2　普通风格迁移 159

• 6.3　使用PyTorch实现图像修复 167

• 6.4　风格迁移与StyleGAN模型 171

第7章　注意力机制 173

• 7.1　注意力机制简介 173

• 7.2　带注意力机制的编码器-解码器架构 177

• 7.3　自注意力 182

• 7.4　如何训练含自注意力的模型 190

• 7.5　交叉注意力 192

第8章　Transformer模型 196

• 8.1　Transformer模型的直观理解 196

• 8.2　用PyTorch从零开始实现Transformer 212

第9章　大语言模型 231

• 9.1　大语言模型简介 231

• 9.2　可视化GPT原理 233

• 9.3　GPT-3简介 239

• 9.4　可视化BERT原理 241

• 9.5　用PyTorch实现BERT 248

• 9.6　用GPT-2生成文本 251

第10章　ChatGPT模型 263

• 10.1　ChatGPT简介 263

• 10.2　人类反馈强化学习 268

• 10.3　Codex 274

• 10.4　如何将LaTeX数学公式语言转化为自然语言 283

• 10.5　使用PPO算法优化车杆游戏 283

• 10.6　使用RLHF算法提升GPT-2性能 289

• 10.7　ChatGPT如何提升思维链推断能力 300

• 10.8　ChatGPT如何提升模型的数学逻辑推理能力 301

第11章　扩散模型 303

• 11.1　扩散模型简介 303

• 11.2　使用PyTorch从零开始编写 DDPM 312

第12章　多模态模型 325

• 12.1　CLIP简介 325

• 12.2　Stable Diffusion模型 335

• 12.3　从零开始实现Stable Diffusion 337

• 12.4　Stable Diffusion 升级版简介 343

• 12.5　DALL·E模型 346

第13章　AIGC的数学基础 350

• 13.1　矩阵的基本运算 350

• 13.2　随机变量及其分布 353

• 13.3　信息论 377

• 13.4　推断 384

• 13.5　强化学习 418

​

书籍/教程获取↑↑↑↑↑