找到 3 条结果 按相关性 按时间降序
HuggingFace自然语言处理详解——基于BERT中文模型的任务实战
本书综合性讲解HuggingFace社区提供的工具集datasets和transformers，书中包括最基础的工具集的用例演示，也包括具体的项目实战，以及预训练模型的底层设计思路和实现原理的介绍。通过本书的学习，读者可以快速掌握HuggingFace工具集的使用方法，掌握自然语言处理项目的一般研发流程，并能研发自己的自然语言处理项目。 本书共14章，分为工具集基础用例演示篇（第1~6章），详细讲解HuggingFace工具集的基本使用方法。中文项目实战篇（第7~12章），通过几个实战项目演示使用HuggingFace工具集研发自然语言处理项目的一般流程。预训练模型底层原理篇（13~14章），详细阐述了预训练模型的设计思路和计算原理。 本书将使用最简单浅显的语言，带领读者快速地了解HuggingFace工具集的使用方法。通过本书中实战项目的学习，读者可以掌握一般的自然语言处理项目的研发流程。通过本书中预训练模型底层原理的学习，能够让读者知其然也知其所以然，做到融会贯通。 本书适合有PyTorch编程基础的读者阅读，也适合作为对自然语言处理感兴趣的读者的参考图书。
Diffusion AI绘图模型构造与训练实战
本书是对DiffusionAI绘图模型的综合性讲解书籍，书中包括最基础的组件的用例演示，也包括具体的项目实战，以及Diffusion模型的底层设计思路和实现原理的介绍。通过本书的学习，读者可以快速掌握Diffusion模型的使用方法，掌握AI绘图模型的训练、测试过程，并能研发属于自己的AI绘图模型。 本书共19章，分为快速上手篇（第1~2章），概述了Diffusion模型的发展历史，介绍了开发环境的部署方法，以及Diffusion模型的快速上手演示。以文生图的Diffusion模型的训练方法篇（第3~7章），通过5个实战任务演示使用高层API的方法快速训练Diffusion模型。图像生成模型的历史发展篇（第8~12章），演示了前Diffusion时代的几个代表性的图像生成模型。以图生图的Diffusion模型的训练方法篇（第13~15章），通过3个实战项目演示了以图生图的Diffusion模型的训练方法。以图生图模型的历史发展篇（第16~18章），演示了前Diffusion时代的几个以图生图模型。完全手动构造Diffusion模型篇（第19章），演示了从零开始的Diffusion模型的搭建、训练、测试方法。 本书将使用最简单浅显的语言，带领读者快速地了解Diffusion模型的训练、测试方法。通过本书中实战项目的学习，读者可以掌握一般的AI绘图模型的研发流程。通过本书中Diffusion模型底层原理的学习，能够让读者知其然也知其所以然，做到融会贯通。
强化学习——从原理到实践
本书是对强化学习算法的综合性讲解书籍，内容包括主要的强化学习算法的实现思路讲解，以及主要的优化方法的原理讲解。本书介绍的每个算法都分为原理讲解和代码实现两部分，代码实现是为了通过实验验证原理部分的可行性。通过本书的学习，读者可以快速地了解强化学习算法的设计原理，掌握强化学习算法的实现过程，并能研发属于自己的强化学习算法，了解各个算法的优缺点，以及各个算法适用的场景。 本书共18章，分为强化学习基础篇（第1章和第2章）介绍了强化学习中的基本概念。强化学习基础算法篇（第3~6章）介绍了QLearning算法、SARSA算法、DQN算法、Reniforce算法。强化学习高级算法篇（第7~12章）介绍了AC演员评委算法、A2C优势演员评委算法、PPO近端策略优化算法、DDPG深度确定性策略梯度算法、TD3双延迟深度确定性策略梯度算法、SAC柔性演员评委算法、模仿学习算法。多智能体篇（第13章和第14章），介绍了在一个系统中存在多智能体时，各个智能体之间的合作、对抗等关系，以及各个智能体之间的通信策略。扩展算法篇（第15~17章）介绍了CQL离线学习算法、MPC环境学习算法、HER目标导向算法。SB3强化学习框架篇（第18章），介绍了强化学习框架SB3的使用方法。 本书将使用最简单浅显的语言，带领读者快速地了解各个主要的强化学习算法的设计思路，以及实现过程。通过本书各个章节的学习，读者可以掌握主流的强化学习算法的原理和实现方法，能够让读者知其然也知其所以然，做到融会贯通。
- 1