更新时间：2025-03-28 10:38:05
封面
版权页
前言
第1章 大模型基础
1.1 人工智能
1.2 机器学习和深度学习
1.3 大模型简介
1.4 大模型开发与应用的技术栈
第2章 数据集的加载、基本处理和制作
2.1 数据集的加载
2.2 数据集的基本处理
2.3 数据集的制作
第3章 数据集的预处理
3.1 数据清洗和处理
3.2 数据转换与整合
3.3 数据标准化与归一化
3.4 数据增强技术
第4章 卷积神经网络模型
4.1 卷积神经网络简介
4.2 卷积神经网络模型开发实战
第5章 循环神经网络模型
5.1 文本处理与循环神经网络简介
5.2 循环神经网络模型开发实战
第6章 特征提取
6.1 特征提取简介
6.2 特征的类型和重要性
6.3 特征选择
6.4 特征抽取
6.5 文本数据的特征提取
6.6 图像数据的特征提取
第7章 注意力机制
7.1 注意力机制基础
7.2 TensorFlow机器翻译系统
7.3 PyTorch机器翻译系统
第8章 模型训练与调优
8.1 模型训练优化
8.2 损失函数和优化算法
8.3 批量训练和随机训练
8.4 模型验证和调优
第9章 模型推理和评估
9.1 模型推理
9.2 模型评估
第10章 大模型优化算法和技术
10.1 常见的大模型优化算法和技术
10.2 梯度下降法
10.3 模型并行和数据并行
10.4 学习率调度
10.5 权重初始化策略
10.6 迁移学习
10.7 其他大模型优化算法和技术
第11章 AI智能问答系统（TensorFlow+TensorFlow. js+SQuAD 2.0+MobileBERT）
11.1 背景简介
11.2 问答系统的发展趋势：AI问答系统
11.3 技术架构
11.4 具体实现
11.5 调试运行
第12章 AI人脸识别系统（PyTorch+OpenCV+Scikit-Image+MobileNet+ArcFace）
12.1 系统简介
12.2 系统需求分析
12.3 数据集
12.4 训练模型
12.5 评估模型
12.6 人脸识别
