新書推薦：
《
AI应用革命（用AI将所有产业重做一遍。覆盖20+行业场景，分析新生玩家生存法则，构建高效商业新模式）
》
售價：NT$
398.0
《
抗日战争：1937—1945
》
售價：NT$
704.0
《
理想国译丛072：欧洲告急：丘吉尔、奥威尔与自由之战
》
售價：NT$
500.0
《
AI风暴：中美博弈与全球新秩序（创新中国书系）
》
售價：NT$
352.0
《
吃对一日三餐 远离阿尔茨海默病
》
售價：NT$
296.0
《
安娜·卡列尼娜 全2册 插图珍藏版
》
售價：NT$
1826.0
《
布鲁克林有棵树（纽约公共图书馆20世纪重要的著作之一）
》
售價：NT$
356.0
《
影响清帝国命运的十张面孔
》
售價：NT$
398.0
|
| 編輯推薦： |
编辑推荐
生成式人工智能是高科技领域最热门的话题之一。机器学习工程师和数据科学家可以通过本书学习如何使用TensorFlow和Keras，从零开始构建强大的生成式深度学习模型，包括变分自编码器（VAE）、生成对抗网络（GAN）、Transformer、标准化流模型、基于能量的模型（EBM）以及去噪扩散模型。
本书从深度学习的基础知识讲起，逐步深入当前最尖端的架构。你可以通过书中的技巧和窍门，学习如何构建能够更有效地学习以及更具创造力的模型。
专家推荐
“本书深入浅出地介绍了生成式建模深度学习工具包。如果你是一位富有创造力的编程爱好者，希望在实际工作中应用深度学习，那么本书是不二之选。”
—— David Ha
Stability AI的战略主管
“这本精彩的教程深入探讨了最先进的生成式深度学习技术。带你体验人工智能世界中最令人着迷的一次精彩探索！”
——Fran?ois Chollet
Keras创建者
|
| 內容簡介： |
|
本书从深度学习的基础知识讲起，逐步深入当前最尖端的架构。你可以通过书中的技巧和窍门，学习如何构建能够更有效地学习以及更具创造力的模型。本书的主要内容有：学习如何通过变分自动编码器（VAE）改变图像中人物的面部表情。学习如何训练GAN，根据数据集生成图像。学习如何构建扩散模型，生成全新的花卉品种。学习如何训练自己的生成文本GPT。了解大型语言模型（如ChatGPT）的训练过程。探索最先进的生成式架构，如StyleGAN2和ViT-VQGAN。使用Transformer和MuseGAN创作多声部乐曲。学习生成式世界模型如何解决强化学习任务。深入研究多模态模型，如DALL.E 2、Imagen和Stable Diffusion。
|
| 關於作者： |
|
David Foste是Applied Data Science Partners的联合创始人。
|
| 目錄：
|
目录
序 1
前言 3
第一部分 生成式深度学习简介
第1 章 生成式建模 17
1.1 什么是生成式建模 18
1.1.1 生成式建模与判别式建模 19
1.1.2 生成式建模的兴起 .21
1.1.3 生成式建模与AI .22
1.2 我们的第一个生成式建模 23
1.2.1 Hello World 23
1.2.2 生成式建模框架 25
1.2.3 表示学习 .27
1.3 核心概率理论 .29
1.4 生成式模型的分类 33
1.5 生成式深度学习代码库 .34
1.5.1 克隆代码库 35
1.5.2 使用Dokcer 35
1.5.3 运行GPU 35
1.6 小结 .35
1.7 参考资料36
第2 章 深度学习 37
2.1 深度学习的数据 38
2.2 深度神经网络 .39
2.2.1 什么是神经网络 39
2.2.2 学习高层特征 41
2.2.3 TensorFlow 和Keras .41
2.3 多层感知器 42
2.3.1 准备数据 .43
2.3.2 构建模型 .45
2.3.3 编译模型 .50
2.3.4 训练模型 .52
2.3.5 评估模型 .53
2.4 卷积神经网络（CNN） .56
2.4.1 卷积层 56
2.4.2 批标准化 .62
2.4.3 Dropout 层 65
2.4.4 构建CNN 67
2.4.5 训练和评估CNN .70
2.5 小结 .71
2.6 参考资料71
第二部分 方法
第3 章 变分自动编码器 .75
3.1 引言 .76
3.2 自动编码器 77
3.2.1 Fashion-MNIST 数据集 78
3.2.2 自动编码器的架构 .79
3.2.3 编码器 80
3.2.4 解码器 82
3.2.5 连接编码器与解码器.84
3.2.6 重建图像 .86
3.2.7 可视化隐空间 87
3.2.8 生成新图像 89
3.3 变分自动编码器 91
3.3.1 编码器 92
3.3.2 损失函数 .98
3.3.3 训练变分自动编码器.99
3.3.4 分析变分自动编码器101
3.4 探索隐空间 103
3.4.1 CelebA 数据集 103
3.4.2 训练变分自动编码器105
3.4.3 分析变分自动编码器107
3.4.4 生成新面孔 .108
3.4.5 隐空间的算术运算 110
3.4.6 面部变形 111
3.5 小结 112
3.6 参考资料. 113
第4 章 生成对抗网络 115
4.1 引言 116
4.2 深度卷积GAN（DCGAN） . 118
4.2.1 Bricks 数据集 . 118
4.2.2 判别器 119
4.2.3 生成器 122
4.2.4 训练DCGAN .126
4.2.5 分析DCGAN .131
4.2.6 训练GAN 的技巧 132
4.3 WGAN-GP .135
4.3.1 Wasserstein 损失 136
4.3.2 利普希茨约束 .138
4.3.3 施加利普希茨约束 139
4.3.4 梯度惩罚损失 139
4.3.5 训练WGAN-GP 141
4.3.6 分析WGAN-GP 144
4.4 条件GAN（CGAN） 145
4.4.1 CGAN 架构 .146
4.4.2 训练CGAN .148
4.4.3 分析CGAN .149
4.5 小结 150
4.6 参考资料.151
第5 章 自回归模型 153
5.1 引言 154
5.2 长短期记忆网络 .156
5.2.1 Recipes 数据集 156
5.2.2 处理文本数据 .158
5.2.3 分词 .159
5.2.4 创建训练集 .162
5.2.5 LSTM 架构 163
5.2.6 嵌入层 163
5.2.7 LSTM 层 164
5.2.8 LSTM 元胞 166
5.2.9 训练LSTM 168
5.2.10 分析LSTM 170
5.3 循环神经网络扩展 .174
5.3.1 堆叠式循环网络 174
5.3.2 门控制循环单元 176
5.3.3 双向元胞 178
5.4 PixelCNN178
5.4.1 掩码卷积层 .179
5.4.2 残差块 181
5.4.3 训练PixelCNN 183
5.4.4 分析PixelCNN 185
5.4.5 混合分布 187
5.5 小结 190
5.6 参考资料.190
第6 章 标准化流模型 193
6.1 引言 194
6.2 标准化流.196
6.2.1 变量变换 196
6.2.2 雅可比行列式 .198
6.2.3 变量变换方程 .200
6.3 RealNVP .201
6.3.1 双月数据集 .201
6.3.2 耦合层 202
6.3.3 训练RealNVP 模型 .207
6.3.4 分析RealNVP 模型 .210
6.4 其他标准化流模型 .212
6.4.1 GLOW 212
6.4.2 FFJORD 213
6.5 小结 214
6.6 参考资料.215
第7 章 基于能量的模型 217
7.1 引言 218
7.2 基于能量的模型 .219
7.2.1 MNIST 数据集 220
7.2.2 能量函数 221
7.2.3 使用朗之万动力学采样 .223
7.2.4 使用对比散度训练模型 .225
7.2.5 分析基于能量的模型230
7.2.6 其他基于能量的模型231
7.3 小结 232
7.4 参考资料.233
第8 章 扩散模型 . 235
8.1 引言 236
8.2 去噪扩散模型 238
8.2.1 Flowers 数据集 238
8.2.2 前向扩散过程 .240
8.2.3 重新参数化技巧 241
8.2.4 扩散计划 242
8.2.5 反向扩散过程 .245
8.2.6 U-Net 去噪模型 .248
8.2.7 训练扩散模型 .256
8.2.8 从去噪扩散模型中采样 .257
8.2.9 分析扩散模型 .260
8.3 小结 263
8.4 参考资料.264
第三部分 应用
第9 章 Transformer . 267
9.1 引言 268
9.2 GPT 268
9.2.1 葡萄酒评论数据集 269
9.2.2 注意力 270
9.2.3 查询与键值 .272
9.2.4 多头注意力 .274
9.2.5 因果掩码 275
9.2.6 Transformer 块 278
9.2.7 位置编码 281
9.2.8 训练GPT 283
9.2.9 分析GPT 285
9.3 其他Transformer 287
9.3.1 T5 .288
9.3.2 GPT-3 和GPT-4 291
9.3.3 ChatGPT 293
9.4 小结 297
9.5 参考资料.297
第10 章 高级GAN 299
10.1 引言 300
10.2 ProGAN 301
10.2.1 渐进式训练301
10.2.2 输出 308
10.3 StyleGAN 309
10.3.1 映射网络 310
10.3.2 合成网络 311
10.3.3 StyleGAN 的输出 312
10.4 StyleGAN2313
10.4.1 权重调制与去调制 314
10.4.2 路径长度正则化 .316
10.4.3 非渐进式增长 317
10.4.4 StyleGAN2 的输出 318
10.5 其他重要的GAN .319
10.5.1 自注意力GAN（SAGAN） .319
10.5.2 BigGAN .320
10.5.3 VQ-GAN 321
10.5.4 ViT VQ-GAN 325
10.6 小结 326
10.7 参考资料 327
第11 章 音乐生成 329
11.1 引言 330
11.2 音乐生成Transformer 331
11.2.1 巴赫大提琴组曲数据集 333
11.2.2 解析MIDI 文件 333
11.2.3 分词 335
11.2.4 创建训练集 337
11.2.5 正弦位置编码 338
11.2.6 多个输入与输出 .339
11.2.7 分析音乐生成Transformer 341
11.2.8 复音音乐的分词 .345
11.3 MuseGAN 349
11.3.1 巴赫圣咏曲数据集 350
11.3.2 MuseGAN 生成器 351
11.3.3 MuseGAN 评论者 359
11.3.4 分析MuseGAN 361
11.4 小结 363
11.5 参考资料 364
第12 章 世界模型 365
12.1 引言 365
12.2 强化学习 366
12.3 世界模型简介 370
12.3.1 架构 370
12.3.2 训练 373
12.4 收集随机rollout 数据 374
12.5 训练VAE .375
12.5.1 VAE 架构 376
12.5.2 探索VAE379
12.6 收集训练MDN-RNN 的数据 .381
12.7 训练MDN-RNN 381
12.7.1 MDN-RNN 的架构 382
12.7.2 从MDN-RNN 中采样 .383
12.8 训练控制器 .384
12.8.1 控制器的架构 384
12.8.2 CMA-ES .385
12.8.3 并行化CMA-ES .387
12.9 在想象环境中训练 389
12.10 小结 .392
12.11 参考资料 393
第13 章 多模态模型 . 395
13.1 引言 396
13.2 DALL.E 2 397
13.2.1 架构 398
13.2.2 文本编码器398
13.2.3 CLIP .399
13.2.4 先验 403
13.2.5 解码器 .405
13.2.6 DALL.E 2 生成的示例 409
13.3 Imagen 413
13.3.1 架构 413
13.3.2 DrawBench 414
13.3.3 Imagen 生成的示例 415
13.4 Stable Diffusion 416
13.4.1 架构 416
13.4.2 Stable Diffusion 生成的示例 417
13.5 Flamingo 418
13.5.1 架构 418
13.5.2 视觉编码器419
13.5.3 感知重采样器 420
13.5.4 语言模型 420
13.5.5 Flamingo 生成的示例 423
13.6 小结 426
13.7 参考资料 427
第14 章 总结 429
14.1 生成式AI 的时间线 430
14.1.1 2014 ～ 2017 年：VAE 与GAN 时代 432
14.1.2 2018、2019 年：Transformer 时代 432
14.1.3 2020 ～ 2022 年：大模型时代 433
14.2 生成式AI 的现状 435
14.2.1 大型语言模型 435
14.2.2 文本到代码模型 .439
14.2.3 文本到图像模型 .440
14.2.4 其他应用 445
14.3 生成式AI 的未来 446
14.3.1 生成式AI 对日常生活的影响 .447
14.3.2 生成式AI 对工作环境的影响 .448
14.3.3 生成式AI 对教育的影响 449
14.3.4 生成式AI 面临的道德问题与挑战 450
14.4 最后的感想 .452
14.5 参考资料 454
|
| 內容試閱：
|
|
前言What I cannot create， I do not understand.—— Richard Feynman生成式AI 是我们这个时代最具革命性的技术之一，它正在彻底改变我们与机器互动的方式。生成式AI 的潜力已成为无数对话、辩论和预测的焦点，人们普遍认为它将颠覆我们的生活、工作和娱乐方式。但如果这项强大的技术还有更深远的潜力呢？如果生成式AI 的可能性远远超出了我们的想象呢？生成式AI 的未来或许比我们曾经的设想更加激动人心……自远古时代起，人类就不断寻找创造独特而美丽的事物。史前人类在洞穴的墙壁上描绘野生动物和抽象图案，他们小心而有条理地将颜料涂到岩石上。浪漫主义时代为我们带来了柴可夫斯基交响曲，美丽的旋律与和声交织在一起，通过声波将胜利与悲剧的情绪传达到每个人的心头。而在近代，有时我们会在深夜匆匆赶往书店，抢购一本虚构魔法世界的故事书，因为许许多多的文字凝聚的故事让我们欲罢不能地翻动着书页，只为了探索主人公接下来的命运。因此，也难怪人类开始思考有关创造力的终极问题：能否创造出本身具有创造力的东西？这便是生成式AI 旨在解决的问题。随着方法与技术的日益发展，如今我们能够让机器按照一定的风格绘制艺术画作，撰写内容连贯的长篇巨作，创作悦耳的乐曲，并通过生成想象的场景制定出高端游戏中的制胜策略。这仅仅是生成式革命的开端，我们别无选择，唯有寻找有关创造力难题的答案，并最终挑战人类。长话短说，现在正是学习生成式AI 的最佳时机，下面我们开始吧！目标与方法本书不要求读者具备任何生成式AI 的相关知识。我们将从零开始，逐步介绍所有核心概念，并以直观、易懂的方式进行讲解，因此，即使你没有任何生成式AI 的经验，也无须担心！相较于介绍当下的流行技术，本书更加侧重于提供全面的生成式建模指南，涵盖各种模型家族。我们不认为某种方法具备绝对的优劣，许多最前沿的模型都融合了多个不同技术流派的思想。出于这个原因，我们需要关注整个生成式AI领域的动态，而不仅仅局限于某一种特定的技术。唯一可以确定的是，生成式AI 发展迅速，你永远不知道下一个颠覆性的想法将从何而来！基于这一理念，本书将引导你训练自己的生成式模型，而不仅仅是依赖于预训练的现成模型。虽然如今已有许多很厉害的开源生成式模型，只需几行代码即可下载并运行，但本书的目标是从最基本的原理出发，深入探究这些模型的架构和设计，帮助你全面了解这些模型的运作方式，并且能够使用Python 和Keras 从零实现每种技术的示例代码。总而言之，你可以将本书视为生成式AI 领域的导航图，其中涵盖了理论与实践应用，并提供了来自相关文献核心模型的完整示例。我们将逐步解析每一段代码，并清晰地标注出这些代码实现每种技术背后的理论。你可以通读本书，也可以将其作为参考书随时查阅。最重要的是，我希望你在阅读过程中能够收获知识并享受乐趣！本书面向的读者群我们希望本书的读者拥有一定的Python 编程经验。如果你不熟悉Python，那么最好先从LearningPython.org 开始学习。有关Python 学习的免费在线资源非常多，可以帮助你积累足够的Python 基础知识，以更好地理解本书中的示例。此外，由于部分模型的描述用到了数学符号，因此读者最好对线性代数（例如矩阵乘法等）和一般概率论有扎实的了解。此处推荐一个可免费获取的资源，Deisenroth 等的著作《Mathematics for Machine Learning》（地址：https://mmlbook.com）。本书不要求读者具备生成式建模的基础知识（我们会在第1 章介绍核心概念），也不要求熟悉TensorFlow 和Keras（我们将在第2 章中介绍这些库）。本书的内容纲要本书大致分为三个部分。第一部分将简要介绍生成式深度学习简介，探讨本书后续章节涉及的所有技术的核心概念：? 第1 章，生成式建模：我们将定义生成式建模，并通过一个示例来讲解所有生成式模型通用的重要概念。同时，我们还会介绍生成式模型的分类体系，为第二部分的深入研究奠定基础。? 第2 章，深度学习：我们将带领读者初步了解深度学习和神经网络。我们将使用Keras 构建第一个多层感知机（MLP），然后进一步改进，包括添加卷积层等，以观察性能提升。第二部分将介绍六大关键技术，并通过实际的例子展示如何构建生成式模型：? 第3 章，变分自动编码器（VAE）：我们将探讨变分自编码器（VAE），并展示如何利用VAE 生成人脸图像，以及在模型的隐空间中进行人脸变换。? 第4 章，生成对抗网络（GAN）：我们将深入研究生成对抗网络（GAN）在图像生成中的应用，包括深度卷积GAN、条件GAN，以及改进版GAN（如Wasserstein GAN，这种GAN 能够让训练更加稳定）。? 第5 章，自回归模型：我们将介绍自回归模型，包括循环神经网络（RNN），特别是长短期记忆网络（LSTM）在文本生成中的应用，以及PixelCNN 在图像生成中的应用。? 第6 章，标准化流模型：我们将深入探讨标准化流，首先讲解理论知识，然后再介绍一个实际的例子（构建用于图像生成的RealNVP 模型）。? 第7 章，基于能量的模型：我们将介绍基于能量的模型（EBM），包括如何使用对比散度训练模型以及使用朗之万动力学采样。? 第8 章，扩散模型：我们将提供构建扩散模型的实际操作指南，这是DALL.E 2 以及Stable Diffusion 等尖端图像生成模型的核心技术。第三部分将在这些技术的基础之上，深入探索最尖端模型的内部原理，包括图像生成、文本生成、音乐创作以及基于模型的强化学习：? 第9 章，Transformer：我们将探讨StyleGAN 模型家族及技术细节，并研究其他用于图像生成的尖端GAN 模型，如VQ-GAN。? 第10 章，高级GAN：我们将研究Transformer 的架构，并介绍构建生成文本的自定义GPT 的详细过程。? 第11 章，音乐生成：我们将重点介绍音乐生成，包括处理音乐数据的指南以及Transformer 和MuseGAN 等技术的应用。? 第12 章，世界模型：我们将探讨生成模型在强化学习中的应用，包括世界模型和基于Transformer 的方法。? 第13 章，多模态模型：我们将介绍四种最先进的多模态模型的内部工作原理，这些模型结合了多种数据类型，包括根据文本生成图像的DALL.E 2、Imagen 和Stable Diffusion，还有视觉语言模型Flamingo。? 第14 章，总结：我们将回顾截至目前生成式AI 的关键里程碑，并探讨生成式AI 在未来几年中对我们的日常生活带来的颠覆性变化。第二版的更新内容感谢所有第一版的读者，很荣幸这么多人认为本书是有用的资源，并提供了宝贵的反馈，告诉我希望在第二版中看到的内容。自本书的第一版出版以来，生成式深度学习领域取得了重大发展，因此，在更新现有内容的同时，我还添加了几个新章节，以确保本书的内容能够跟上当前最先进技术的步伐。以下是本书的主要更新内容，包括各章节的改动以及整体的完善：? 第1 章：添加了有关不同生成式模型家族的介绍，并介绍了它们之间关系的分类体系。? 第2 章：进一步完善了图示，并提供了更详细的关键概念解释。? 第3 章：新增了一个完整的示例及相关讲解。? 第4 章：添加了有关条件GAN 架构的详细说明。? 第5 章：添加了有关自回归图像模型（如PixelCNN）的说明。? 第6 章：全新的章节，介绍了RealNVP 模型。? 第7 章：这也是一个新增章节，重点介绍朗之万动力学和对比散度等技术。? 第8 章：全新的章节，介绍了去噪扩散模型，这项技术是许多当今最先进应用的支撑动力。? 第9 章：扩展了第一版总结中的内容，更深入地介绍了StyleGAN 模型的不同架构，并新增了关于VQ-GAN 的介绍。? 第10 章：全新的章节，详细探讨了Transformer 的架构。? 第11 章：用现代Transformer 架构替换了第一版中的LSTM 模型。? 第12 章：更新了图示和描述，并新增了一些内容，探讨关于该方法对当前最先进的强化学习的影响。? 第13 章：全新的章节，详细介绍了DALL.E 2、Imagen、Stable Diffusion和Flamingo 等出色的多模态模型。? 第14 章：更新了自第一版出版以来该领域取得的重大发展，并针对生成式AI 未来的发展方向提供了更完整、更详细的视角。? 所有第一版的反馈意见以及拼写错误均已修正（尽我所能）。? 每章开头新增了本章的目标，方便读者在阅读前了解本章的核心主题。? 重新编写部分寓言故事，力争简洁明了。许多读者反馈这些故事帮助他们更好地理解核心概念，我对此深感欣慰！? 调整每章的标题和子标题，更加清晰地划分解释性内容与实践建模部分。其他资源我强烈推荐以下两本书作为机器学习和深度学习的入门：? 《Hands-on Machine Learning with Scikit-Learn， Keras， and TensorFlow:Concepts， Tools， and Techniques to Build Intelligent Systems》作者：Aurelien Geron，O’Reilly 出版? 《Deep Learning with Python》作者：Francois Chollet，Manning 出版本书中的大多数论文都来自arXiv（这是一个免费的科学研究论文存储库，地址：https://arxiv.org）。如今，在论文经过全面的同行评审之前，通常作者都会先将论文发布到arXiv。查阅最新提交的论文是掌握该领域最前沿发展的一种好方法。此外，我还强烈推荐网站Papers with Code（地址：https://paperswithcode.com/），你可以在这个网站上找到各种机器学习任务的最新技术成果，以及论文和GitHub 官方代码库的链接。如果你想要快速了解目前哪些技术在各项任务中的表现最佳，那么这是一个非常好的资源，而且该网站也帮助我决定了本书涵盖的技术。排版约定本书使用了下述排版约定。斜体（Italic）表示新术语、URL、示例电子邮件地址、文件名和扩展名。等宽字体（Constant width）表示代码，在段内用以表示与代码相关的元素，例如变量或函数名、数据库、数据类型、环境变量、声明和关键字。斜体等宽字体（Constant width italic）表示该文本应当由用户提供的值或由用户根据上下文决定的值替换。代码库本书的代码示例存储在GitHub 代码库（地址：https://github.com/davidADSP/Generative_Deep_Learning_2nd_Edition）。我格外留意所有模型的训练不需要过高的计算资源，因此你无需花费大量时间或金钱购买昂贵硬件也可以训练自己的模型。此外，代码库提供了详细指南，可帮助你使用Docker，并在Google Cloud 上配置GPU 资源（如有需要）。第二版代码库的更新如下：? 所有示例均可在一个Jupyter Notebook 内运行，无需代码库的其他模块导入代码。因此，你可以逐行运行每个示例，并深入理解每个模型的构建过程。? 确保各示例notebook 的编写风格大致一致。? 书中许多示例都使用了开源Keras 代码库（https://oreil.ly/1UTwa）的代码片段。这样做是为了避免创建一个完全独立的Keras 生成式AI 示例库，因为Keras 官方网站上已提供了出色的实现可供使用。书中和代码库中添加了引用和链接，以致敬Keras 网站上原始代码的作者。? 新增数据来源，并改进了数据收集流程。因此，你可以通过一个易于运行的脚本，从指定数据源收集数据，以便训练本书中的示例，如使用Kaggle API（https://oreil.ly/8ibPw）等工具。使用代码示例你可以通过如下链接下载本书的补充材料（代码示例，练习等）：https://github.com/davidADSP/Generative_Deep_Learning_2nd_Edition。如果你在使用代码示例时遇到技术问题或建议， 请发送电子邮件到bookquestions@oreilly.com。本书的目的是帮助你完成工作。一般来说，你可以在自己的程序或者文档中使用本书附带的示例代码。你无需联系我们获得使用许可，除非你要复制大量的代码。例如，使用本书中的多个代码片段编写程序就无需获得许可。但销售或者分发O’Reilly 书中的示例代码则需要获得许可。回答问题时援引本书内容以及书中示例代码，无需获得许可。在你自己的项目文档中使用本书大量的示例代码时，则需要获得许可。我们不强制要求署名，但如果你这么做，我们深表感激。署名一般包括书名、作者、出版社和国际标准书号。例如：“Generative Deep Learning， 2nd edition，by David Foster (O’Reilly). Copyright 2023 Applied Data Science Partners Ltd.，978-1-098-13418-1”。如果你觉得自身情况不在合理使用或上述允许的范围内，请通过邮件和我们联系，地址是permissions@oreilly.com。O’Reilly 在线学习平台（O’Reilly Online Learning）近40 年来，O’Reilly Media 致力于提供技术和商业培训、知识和卓越见解，来帮助众多公司取得成功。公司独有的专家和改革创新者网络通过O’Reilly 书籍、文章以及在线学习平台，分享他们的专业知识和实践经验。O’Reilly 在线学习平台按照您的需要提供实时培训课程、深入学习渠道、交互式编程环境以及来自O’Reilly 和其他200 多家出版商的大量书籍与视频资料。更多信息，请访问网站：https://www.oreilly.com/。联系我们任何有关本书的意见或疑问，请按照以下地址联系出版社。美国：O’Reilly Media， Inc.1005 Gravenstein Highway NorthSebastopol， CA 95472中国：北京市西城区西直门南大街2 号成铭大厦C 座807 室（100035）奥莱利技术咨询（北京）有限公司这本书有专属网页，你可以在上面找到本书的勘误、示例和其他信息。地址是：https://oreil.ly/generative-dl。如果你对本书有一些评论或技术上的建议，请发送电子邮件到bookquestions@oreilly.com。对本书中文版的有任何建议可以发电子邮件到errata@oreilly.com.cn。要了解O’Reilly 图书、培训课程、会议和新闻的更多信息，请访问我们的网站，地址是：http://www.oreilly.com。我们的LinkedIn：https://linkedin.com/company/oreilly-media。我们的Twitter：http://twitter.com/oreillymedia。我们的YouTube：http://youtube.com/oreillymedia。致谢本书得以付梓，我要感谢很多人给予的帮助。首先，我要感谢所有的技术审查人员，特别感谢Vishwesh Ravi Shrimali、Lipi Deepaakshi Patnaik、Luba Elliot，以及Lorna Barclay。我还要感谢Samir Bico帮忙审核和测试本书附带的代码库。感谢你们的付出！此外，我要感谢Applied Data Science Partners 的同事Ross Witeszczak、AmyBull、Ali Parandeh、Zine Eddine、Joe Rowe、Gerta Salillari、Aleshia Parkes、Evelina Kireilyte、Riccardo Tolli、Mai Do、Khaleel Syed，以及Will Holmes。感谢你们在创作本书过程中的耐心，我非常期待未来我们携手共同完成的所有机器学习项目！我还要特别感谢Ross，如果当初我们没有决定一起开展业务，那么也就没有这本书的问世，所以感谢你信任我作为你的业务合作伙伴！我还要感谢那些曾经教过我数学的所有人，我有幸在学校遇到了最优秀的数学老师，在他们的引导下我对数学产生了浓厚的兴趣，并鼓励我在大学继续深造。我要感谢你们的付出，并毫无保留地教授该主题的知识。非常感谢OReilly 的工作人员指导我完成本书的创作。特别感谢Michele Cronin 一路相伴，为我提供了很多反馈，并友好地提醒我完成每个章节！我要感谢Nicole Butterfield、Christopher Faucher、Charles Roumeliotis 和Suzanne Huston 对本书的付出，还有Mike Loukides 第一个抛出橄榄枝，询问我是否对写书感兴趣。你们给予了本书如此大力的支持，我要感谢各位为我提供了一个自由创作的平台。在本书的创作过程中，我的家人一直是鼓励和支持的源泉。非常感谢我的妈妈Gillian Foster，她帮助我检查了每一行的错字，当初也是她教我学习数学加法！你在审阅本书时对细节的关注至关重要，对于你和爸爸为我创造的所有机遇，我深表感谢。还有我的父亲Clive Foster，他是我学习计算机编程的启蒙老师，这本书大量的实例都要归功于他早期给予我的耐心，当初我曾尝试用BASIC制作足球游戏。我的兄弟Rob Foster 是这个世界上最谦虚的天才，尤其是在语言学领域，与他谈论AI 以及基于文本的机器学习的未来给予了我很多启发。最后，我要感谢我的奶奶，她一直是我们全家灵感和欢乐的源泉。正是她对文学的热爱，让我最初萌生了写书的想法，并觉得这将是一件令人兴奋的事情。此外，我还要感谢我的妻子Lorna Barclay。你不仅在整个写作过程中，给予了我无尽的支持，为我端茶送水，还以极其细致的态度逐字逐句地检查了这本书的内容。没有你，我无法完成本书的创作。谢谢你一直陪伴在我身边，让这段旅程变得更加愉快。我向你保证，在这本书出版之后的（至少）几天内，我不会在餐桌上谈论生成式AI。最后，我想感谢我们美丽的女儿Alina，在我熬夜创作的日子里，她给我带来了无尽的欢乐。你的咯咯笑声成为我敲击键盘时最美妙的背景音乐。谢谢你成为我的灵感来源，也让我时刻保持警觉。你才是真正的幕后智囊！
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
