前言
在大模型时代,掌握人工智能的核心技术与应用至关重要。本文精选了6本AI领域的名家名作,涵盖多模态大模型、可解释性、扩散模型、深度生成模型、深度学习框架及图深度学习等方向。这些书籍理论结合实践,适合不同阶段的读者深入研习。
01 《多模态大模型:技术原理与实战》
作者:彭勇,彭旋,郑志军,茹炳晟
本书详细介绍了大语言模型和多模态大模型的发展历史、技术原理和亮点、主要的开源框架、配套工具、部署细则和实战案例。为了让读者更好地进行大模型的应用实战,本书还详细介绍了使用大模型为商业赋能的3个应用案例。期望本书能够帮助读者打开通往大模型尤其是多模态大模型的学习、实战和商业成功之路。
02 《可解释人工智能导论(全彩)》
作者:杨强,范力欣,朱军,陈一昕,张拳石,朱松纯
本书全面介绍可解释人工智能的基础知识、理论方法和行业应用。全书分为三部分,共11章。第一部分揭示基于数据驱动的人工智能系统决策机制;第二部分介绍各种可解释人工智能技术方法;第三部分分别介绍可解释人工智能在生物医疗、金融、计算机视觉等领域的应用案例。附录给出相关开源资源、中英文术语对照及索引。
03 《扩散模型:生成式AI模型的理论、应用与代码实践》
作者:杨灵,张至隆,张文涛,崔斌
本书深入浅出地介绍了扩散模型的知识,案例丰富,讲解细致。第1章介绍AIGC与相关技术,第2章从三个视角介绍扩散模型的基本理论、算法及神经网络架构和代码实现。后续章节分别从高效采样、似然优化、数据结构等方面系统介绍扩散模型的特点及改进工作,并讨论其与其他生成模型的关联及未来趋势。
04 《深度生成模型(全彩)》
作者:[波兰] Jakub M.Tomczak
译者:王冠
本书主要讲述如何将概率建模和深度学习结合起来去构建可以量化周边环境不确定性的强大的 AI 系统。涵盖了深度生成模型的多种类型,包括自回归模型、流模型、隐变量模型、基于能量的模型等。这些模型构成了以 ChatGPT 为代表的大语言模型,以及以 Stable Diffusion 为代表的扩散模型等深度生成模型背后的技术基石。
05 《深度学习框架 PyTorch:入门与实践(第2版)(全彩)》
:王博,周蓝翔,陈云
本书从多维数组 Tensor 开始,循序渐进地介绍 PyTorch 各方面的基础知识,并结合深度学习中的经典应用,带领读者从零开始完成几个经典而有趣的实际项目,包括动漫头像生成、风格迁移、自动写诗以及目标检测。还介绍了 PyTorch 的几个高级扩展,包括向量化计算、分布式加速以及 CUDA 扩展。


作者:马耀,汤继良
译者:王怡琦,金卫
本书全面介绍了图深度学习的理论基础、模型方法及实际应用。全书分为 4 篇,共 15 章。第 1 篇为基础理论,重点介绍图和深度学习的基础知识;第 2 篇为模型方法,涵盖成熟的图深度学习方法;第 3 篇为实际应用,重点介绍代表性实际应用;第 4 篇为前沿进展,介绍有可能成为将来研究热点的高级方法和应用。