大模型是深度学习自然语言处理皇冠上的一颗明珠，也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch 2.0作为学习大模型的基本框架，以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术，为读者揭示大模型开发技术。本书配套示例源代码、PPT课件。
本书共18章，内容包括人工智能与大模型、PyTorch 2.0深度学习环境搭建、从零开始学习PyTorch 2.0、深度学习基础算法详解、基于PyTorch卷积层的MNIST分类实战、PyTorch数据处理与模型展示、ResNet实战、有趣的词嵌入、基于PyTorch循环神经网络的中文情感分类实战、自然语言处理的编码器、预训练模型BERT、自然语言处理的解码器、强化学习实战、只具有解码器的GPT-2模型、实战训练自己的ChatGPT,开源大模型ChatGLM使用详解、ChatGLM高级定制化应用实战、对ChatGLM进行高级微调。
本书适合PyTorch深度学习初学者、大模型开发初学者、大模型开发人员学习，也适合高等院校人工智能、智能科学与技术、数据科学与大数据技术、计算机科学与技术等专业的师生作为教学参考书。

王晓华，计算机专业讲师。长期讲授面向对象程序设计、数据结构、Hadoop程序设计等研究生和本科生相关课程。主要研究方向为云计算、数据挖掘。曾主持和参与多项国家和省级科研课题，独立科研项目获省级成果认定，发表过多篇论文，拥有一项专利。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV+TensorFlow深度学习与计算机视觉实战》《TensorFlow 2.0深度学习从零开始学》等图书。

第1章 新时代的曙光——人工智能与大模型
1.1 人工智能：思维与实践的融合
1.1.1 人工智能的历史与未来
1.1.2 深度学习与人工智能
1.1.3 选择PyTorch 2.0实战框架
1.2 大模型开启人工智能的新时代
1.2.1 大模型带来的变革
1.2.2 最强的中文大模型——清华大学ChatGLM介绍
1.2.3 近在咫尺的未来——大模型的应用前景
1.3 本章小结
第2章 PyTorch 2.0深度学习环境搭建
2.1 环境搭建1：安装Python
2.1.1 Miniconda的下载与安装
2.1.2 PyCharm的下载与安装
2.1.3 Python代码小练习：计算Softmax函数
2.2 环境搭建2：安装PyTorch 2..
2.2.1 Nvidia 10/20/30/40系列显卡选择的GPU版本
2.2.2 PyTorch 2.0 GPU Nvidia运行库的安装
2.2.3 PyTorch 2.0 小练习：Hello PyTorch
2.3 生成式模型实战：古诗词的生成
2.4 图像降噪：手把手实战第一个深度学习模型
2.4.1 MNIST数据集的准备
2.4.2 MNIST数据集的特征和标签介绍
2.4.3 模型的准备和介绍
2.4.4 对目标的逼近——模型的损失函数与优化函数
2.4.5 基于深度学习的模型训练
2.5 本章小结
第3章 从零开始学习PyTorch 2.0
3.1 实战MNIST手写体识别
3.1.1 数据图像的获取与标签的说明
3.1.2 实战基于PyTorch 2.0的手写体识别模型
3.1.3 基于Netron库的PyTorch 2.0模型可视化
3.2 自定义神经网络框架的基本设计
3.2.1 神经网络框架的抽象实现
3.2.2 自定义神经网络框架的具体实现
3.3 本章小结
第4章 一学就会的深度学习基础算法详解
4.1 反向传播神经网络的前身历史
4.2 反向传播神经网络两个基础算法详解
4.2.1 最小二乘法详解
4.2.2 梯度下降算法
4.2.3 最小二乘法的梯度下降算法及其Python实现
4.3 反馈神经网络反向传播算法介绍
4.3.1 深度学习基础
4.3.2 链式求导法则
4.3.3 反馈神经网络的原理与公式推导
4.3.4 反馈神经网络原理的激活函数
4.3.5 反馈神经网络原理的Python实现
4.4 本章小结
第5章 基于PyTorch卷积层的MNIST分类实战
5.1 卷积运算的基本概念
5.1.1 基本卷积运算示例
5.1.2 PyTorch中的卷积函数实现详解
5.1.3 池化运算
5.1.4 Softmax激活函数
5.1.5 卷积神经网络的原理
5.2 实战：基于卷积的MNIST手写体分类
5.2.1 数据的准备
5.2.2 模型的设计
5.2.3 基于卷积的MNIST分类模型
5.3 PyTorch的深度可分离膨胀卷积详解
5.3.1 深度可分离卷积的定义
5.3.2 深度的定义以及不同计算层待训练参数的比较
5.3.3 膨胀卷积详解
5.3.4 实战：基于深度可分离膨胀卷积的MNIST手写体识别
5.4 本章小结
第6章 可视化的PyTorch数据处理与模型展示
6.1 用于自定义数据集的torch.utils.data工具箱使用详解
6.1.1 使用torch.utils.data.Dataset封装自定义数据集
6.1.2 改变数据类型的Dataset类中的transform的使用
6.1.3 批量输出数据的DataLoader类详解
6.2 实战：基于tensorboardX的训练可视化展示
6.2.1 可视化组件tensorboardX的简介与安装
6.2.2 tensorboardX可视化组件的使用
6.2.3 tensorboardX对模型训练过程的展示
6.3 本章小结
第7章 ResNet实战
7.1 ResNet基础原理与程序设计基础
7.1.1 ResNet诞生的背景
7.1.2 PyTorch 2.0中的模块工具
7.1.3 ResNet残差模块的实现
7.1.4 ResNet网络的实现
7.2 ResNet实战：CIFAR-10数据集分类
7.2.1 CIFAR-10数据集简介
7.2.2 基于ResNet的CIFAR-10数据集分类
7.3 本章小结
第8章 有趣的词嵌入
8.1 文本数据处理
8.1.1 Ag_news数据集介绍和数据清洗
8.1.2 停用词的使用
8.1.3 词向量训练模型Word2Vec使用介绍
8.1.4 文本主题的提取：基于TF-IDF
8.1.5 文本主题的提取：基于TextRank
8.2 更多的词嵌入方法——FastText和预训练词向量
8.2.1 FastText的原理与基础算法
8.2.2 FastText训练及其与PyTorch 2.0的协同使用
8.2.3 使用其他预训练参数来生成PyTorch 2.0词嵌入矩阵（中文）
8.3 针对文本的卷积神经网络模型简介——字符卷积
8.3.1 字符（非单词）文本的处理
8.3.2 卷积神经网络文本分类模型的实现——Conv1d（一维卷积）
8.4 针对文本的卷积神经网络模型简介——词卷积
8.4.1 单词的文本处理
8.4.2 卷积神经网络文本分类模型的实现——Conv2d（二维卷积）
8.5 使用卷积对文本分类的补充内容
8.5.1 汉字的文本处理
8.5.2 其他细节
8.6 本章小结
第9章 基于循环神经网络的中文情感分类实战
9.1 实战：循环神经网络