文档大纲
- 人工智能与大模型基础
- 人工智能发展历程、与深度学习的关系及PyTorch 2.0框架介绍。
- 大模型概念、带来的变革，ChatGLM大模型详细解析及应用前景。
- PyTorch 2.0环境搭建与基础实践
- Miniconda、PyCharm安装及Python基础练习，PyTorch 2.0安装与相关配置。
- 生成式模型实战、图像降噪实战，MNIST数据集分类实践。
- 深度学习基础算法
- 反向传播神经网络的发展历史、基础算法（最小二乘法、梯度下降算法）。
- 反向传播算法原理、公式推导及激活函数，用Python实现反馈神经网络。
- 卷积神经网络实战
- 卷积运算、池化运算、Softmax激活函数概念及卷积神经网络原理。
- 基于卷积的MNIST手写体分类实战，深度可分离膨胀卷积详解与实战。
- PyTorch数据处理与模型展示
- torch.utils.data工具箱使用，包括Dataset、DataLoader类的应用。
- tensorboardX可视化组件的安装与使用，展示模型结构和训练过程。
- ResNet实战
- ResNet诞生背景、基础原理，PyTorch 2.0模块工具及残差模块、网络实现。
- 使用ResNet进行CIFAR-10数据集分类实战。
- 词嵌入与文本处理
- 文本数据处理（Ag_news数据集清洗、停用词使用等），多种词向量训练模型介绍。
- 基于卷积神经网络的文本分类模型（字符卷积、词卷积）实现及相关补充内容。
- 循环神经网络实战
- 循环神经网络用于中文情感分类的实战，包括数据准备、模型建立与实现。
- 循环神经网络GRU的理论讲解，包括输入输出结构、门控设计及双向GRU介绍。
中心思想
本书以大模型开发与微调为核心，围绕PyTorch 2.0框架和ChatGLM大模型展开全面且深入的讲解。旨在帮助读者从零开始，系统地掌握深度学习和大模型开发的相关知识与技能，涵盖理论基础、算法原理、程序实现以及实际应用等多个层面。通过详细介绍人工智能和大模型的发展脉络、PyTorch 2.0的环境搭建与使用、各类深度学习算法和模型（如反向传播神经网络、卷积神经网络、循环神经网络等）的原理及实践，以及大模型ChatGLM的使用、定制化应用和微调技术 ，使读者具备运用所学知识进行大模型开发和应用的能力，为深度学习领域的研究和实践工作奠定坚实基础。
电子书下载地址：
通过网盘分享的文件：从零开始大模型开发与微调.pdf
链接: https://pan.baidu.com/s/1n2wxUTvtzHD0Fyo20fcEBg 提取码: egc8
