AI核心技術與實踐詳解:從算法到產業應用部署

第1章 人工智能概述 001-025
1.1 AI 的發展歷程與現狀 001
1.1.1 人工智能的三大學派 001
1.1.2 人工智能的發展歷程 003
1.1.3 人工智能的前景展望 010
1.2 AI 的主要分支與關鍵技術體系概述 010
1.2.1 機器學習 011
1.2.2 計算機視覺 013
1.2.3 自然語言處理 014
1.2.4 知識圖譜 014
1.2.5 人機交互 015
1.2.6 生物特征識別 016
1.2.7 機器人技術 017
1.2.8 專家系統與認知計算 018
1.2.9 模糊邏輯和模糊識別 019
1.2.10 AI 芯片與計算架構 020
1.2.11 大數據處理與分析 022
1.2.12 雲計算與邊緣計算 023
1.2.13 AI 操作系統與中間件 023
1.2.14 AI 安全與倫理 024

第2章 人工智能核心算法與大模型技術 026-137
2.1 機器學習基礎算法體系 026
2.1.1 監督學習 026
2.1.2 無監督學習 045
2.1.3 強化學習 068
2.2 深度學習架構與深層原理探析 073
2.2.1 前饋神經網絡 074
2.2.2 全連接網絡 074
2.2.3 卷積神經網絡 080
2.2.4 循環神經網絡 083
2.2.5 生成對抗網絡 086
2.2.6 自編碼器 088
2.2.7 Transformer 090
2.2.8 編碼器- 解碼器架構 090
2.2.9 膠囊網絡 092
2.2.10 殘差網絡 094
2.2.11 圖神經網絡 096
2.2.12 深度信念網絡 098
2.2.13 雙向循環神經網絡 098
2.2.14 多層感知機 099
2.2.15 密集連接網絡 100
2.3 GPT 模型的內部機制及實現方法解讀 101
2.3.1 GPT 模型介紹 101
2.3.2 GPT 模型核心工作原理 103
2.3.3 Transformer 工作流程 109
2.3.4 GPT 預訓練與微調 111
2.4 DeepSeek——創新開源的典範 118
2.4.1 混合專家系統架構 118
2.4.2 多頭潛註意力 119
2.4.3 多令牌預測 121
2.4.4 強化學習訓練方法 123
2.4.5 模型蒸餾技術 125
2.4.6 雙管道流水線與FP8 混合精度 126
2.4.7 開源與社區貢獻 127
2.4.8 DeepSeek 和GPT 對比 127
2.5 算力在AI 領域的重要性 130
2.5.1 算力的定義 130
2.5.2 算力的度量單位 130
2.5.3 算力在AI 領域的重要性 132
2.5.4 英偉達在算力方面的領先優勢 135

第3章 大模型訓練與優化策略 138-193
3.1 大數據預處理與特征工程技術 138
3.1.1 大數據預處理 138
3.1.2 特征工程 153
3.1.3 常見的大數據處理軟件 163
3.1.4 初學者入門建議 166
3.2 分布式訓練框架的選擇與優化 167
3.2.1 分布式訓練策略 167
3.2.2 主流的分布式訓練框架 168
3.2.3 分布式訓練優化策略 173
3.3 超參數調整策略與模型壓縮技術 176
3.3.1 典型的大模型超參數 176
3.3.2 調整超參數的實驗性方法 188
3.3.3 大模型超參數調整主要步驟 189
3.3.4 大模型壓縮技術 190

第4章 物聯網與AI 的深度融合 194-212
4.1 AIoT 技術棧關鍵組成 194
4.1.1 感知層 194
4.1.2 網絡層 195
4.1.3 平臺層 196
4.1.4 應用層 198
4.1.5 AI 層 199
4.1.6 安全層 200
4.1.7 服務管理層 202
4.2 AIoT 邊緣計算操作系統及處理海量數據方式 203
4.2.1 AIoT 邊緣計算操作系統 203
4.2.2 邊緣計算處理海量數據的方式 208
4.3 AIoT 應用案例 209
4.3.1 智慧城市 209
4.3.2 智能制造 210
4.3.3 智慧農業 211
4.3.4 健康監護 211

第5章 人形機器人與AI 智能交互 213-264
5.1 機器人操作系統與多模態感知模塊設計 213
5.1.1 機器人操作系統介紹 213
5.1.2 常見的機器人操作系統 214
5.1.3 機器人多模態感知模塊 221
5.1.4 基於英偉達Project GROOT 簡要代碼示例 225
5.2 人形機器人運動規劃與路徑優化算法 231
5.2.1 環境建模 231
5.2.2 運動規劃 244
5.3 強化學習在機器人自主行為學習與決策中的應用 251
5.3.1 馬爾可夫決策過程 252
5.3.2 機器人與環境互動模型 258
5.3.3 強化學習在機器人路徑規劃與導航中的應用 259
5.3.4 機器人強化學習的技術要點 262
5.3.5 未來展望 264

第6章 自動駕駛與AI 265-308
6.1 自動駕駛級別劃分與技術發展路線 265
6.1.1 自動駕駛級別劃分詳細描述 265
6.1.2 自動駕駛技術發展路線介紹 267
6.2 自動駕駛系統構成要素與功能模塊詳解 269
6.2.1 國內外主要廠商的自動駕駛系統介紹 269
6.2.2 構成要素與功能模塊詳解 271
6.2.3 車輛控制 286
6.2.4 動力學建模 288
6.2.5 人機交互提升用戶體驗的關鍵 292
6.2.6 通信V2X 開啟新紀元 295
6.2.7 雲服務支持 297
6.2.8 系統架構綜合考慮的安全與性能 301
6.3 特斯拉自動駕駛技術 303
6.3.1 感知技術 304
6.3.2 BEV 304
6.3.3 3D 重建與占用網絡 305
6.3.4 深度學習與神經網絡 307
6.3.5 端到端方案 307

第7章 Hugging Face Transformers 與AI 大模型的集成 309-333
7.1 Hugging Face Transformers 309
7.1.1 Hugging Face Transformers 概述 309
7.1.2 Hugging Face Models、Datasets 和Spaces 310
7.2 Hugging Face Transformers 庫 311
7.2.1 Hugging Face Transformers 庫介紹 311
7.2.2 Hugging Face 開發環境 312
7.2.3 Hugging Face Transformers 庫跨語言處理 313
7.2.4 Hugging Face Transformers 庫性能優化方法 315
7.3 如何選用並訓練適合的預訓練模型 321
7.3.1 為什麼使用預訓練模型 321
7.3.2 Hugging Face 的預訓練模型庫 322
7.3.3 如何選擇合適的預訓練模型 322
7.3.4 數據準備 322
7.3.5 模型微調 326
7.3.6 模型評估 327
7.3.7 模型部署 328
7.3.8 持續優化 329
7.4 如何通過Hugging Face Transformers 接口進行AI 大模型封裝和調用 331

第8章 LangChain 與Ollama 334-348
8.1 LangChain 334
8.1.1 LangChain 概述 334
8.1.2 LangChain AI 模型準備 335
8.1.3 LangChain 和 LLaMA 3 搭建聊天機器人系統 336
8.2 Ollama 341
8.2.1 Ollama 介紹 341
8.2.2 Ollama 模型融合功能 343
8.2.3 Ollama 模型服務化 345
8.3 阿裏雲企業級部署DeepSeek 模型 347

第9章 AI 技術的發展趨勢與挑戰 349-370
9.1 AI 倫理、法律與安全問題的探討 349
9.1.1 AI 倫理問題 349
9.1.2 AI 法律問題 350
9.1.3 AI 安全問題 351
9.1.4 未來展望 352
9.2 AI 與其他新興科技的融合創新趨勢 353
9.2.1 AI 與物聯網的融合 353
9.2.2 AI 與區塊鏈的融合 357
9.2.3 AI 與5G 通信的融合 360
9.2.4 AI 與邊緣計算的融合 362
9.2.5 AI 與量子計算的融合 363
9.2.6 AI 與虛擬現實和增強現實的融合 364
9.2.7 AI 與生物技術的融合 365
9.2.8 未來展望 365
9.3 AI 對未來社會經濟結構及個人生活方式的影響 366
9.3.1 對社會經濟結構的影響 366
9.3.2 對個人生活方式的影響 369
9.4 中國開源大模型DeepSeek 對整個AI 行業及國產軟硬件的影響 369