深入淺出人工智能：AI入門的第一本書

目 錄

第1篇 每個人都能懂的人工智能

 第1章 人工智能很簡單—從初中數學到專家系統 002

1.1 用初中數學知識來理解人工智能 002

1.2 人工智能四大基礎心法 003

1.3 追求女神這件事，技術宅男搞不定 004

1.4 同樣是尬聊，帶點智慧結果就不一樣了 006

1.5 專家系統—追女仔，我們是專業的 006

 第2章 機器學習是實現人工智能的必經之路 009

2.1 機器能幫我們做什麽 009

2.2 機器學習修煉手冊 011

2.3 來來來，圍觀人家機器是怎麽學習的 013

2.3.1 有監督學習—給出標準答案的學習 013

2.3.2 無監督學習—“別人家的孩子” 014

2.3.3 強化學習—真的學霸，能自己探索最優策略 017

2.4 認識幾個專業術語—AI界的“切口” 023

第2篇 人工智能的底層邏輯

 第3章 風起雲涌的人工智能戰國時代 026

3.1 一個神族和人族的賭局 026

3.2 回歸預測—未卜先知不是夢 027

3.2.1 線性回歸—做股市裡最靚的仔 027

3.2.2 套索回歸&嶺回歸—線性回歸的改良版 033

3.3.3 讓損失函數最小化的方法—梯度下降 034

3.3 邏輯回歸—1912年4月15日 036

3.4 K近鄰—圈子對了，事就成了 042

3.5 決策樹—選擇比努力更重要？ 045

3.5.1 用決策樹選出心中的女神 046

3.5.2 ID3、C4.5和CART算法—不斷提高決策的效率 047

3.5.3 解決過擬合問題—剪枝 052

3.5.4 隨機森林—借助現場觀眾的智慧 055

3.6 支持向量機—人臉識別的利器 056

3.6.1 線性可分問題—楚河漢界 056

3.6.2 線性不可分問題—靠穿越能解決的都不叫事兒 059

3.6.3 多分類問題—笨人也有笨辦法 064

3.7 樸素貝葉斯算法—買彩票走向人生巔峰 065

3.8 算法實戰—用人工智能解決實際問題 068

3.8.1 20分鐘搭建Python環境 069

3.8.2 線性回歸—預測鳶尾花的花瓣寬度 074

3.8.3 邏輯回歸—泰坦尼克號乘客的幸存概率 076

3.8.4 K近鄰—給電影分類 079

3.8.5 支持向量機—判斷真正購買的客戶 082

3.8.6 決策樹模型—判斷能否獲得貸款 085

 第4章 神經網絡的崛起—不是老夫離不開江湖，而是江湖離不開老夫 089

4.1 最簡單的神經元—大道至簡 089

4.2 加層—神經網絡的曲折成佛之路 093

4.3 神經網絡工作的基本原理—大王讓我來巡山 099

4.3.1 獅駝嶺的“妖怪神經網絡” 099

4.3.2 國有國法，妖有妖規 100

4.3.3 模式識別—獅駝嶺基本法 104

4.4 神經網絡 vs 傳統機器學習 106

4.5 深度機器學習的三大步驟—大模型是怎麽煉成的 108

4.5.1 預訓練—培養一位合格的運動員 108

4.5.2 微調—為具體比賽做準備 112

4.5.3 對齊—查缺補漏 117

4.6 人工智能科技樹回顧 118

4.7 神經網絡實戰—讓MLP識別6歲孩子寫的數字 119

第3篇 煮酒論模型

 第5章 捲積神經網絡（CNN）—圖像識別背後的技術 123

5.1 捲積，捲的是什麽？ 123

5.2 用捲積核提取喵星人的特徵 128

5.3 猜錯了怎麽辦？—知錯就改，不斷進步 133

5.4 神秘的神經網絡—人類無法理解的黑箱 134

5.5 CNN實戰—讓機器能識別飛機、汽車、貓和狗 136

 第6章 生成式對抗網絡（GAN）—魔高一尺，道高一丈 140

6.1 兩個玩家的博弈—生成器和判別器 140

6.1.1 生成器—字畫偽造者 140

6.1.2 判別器—字畫鑒定師 141

6.2 多輪“博弈”和“進化” 142

6.3 要註意的細節 143

 第7章 擴散模型（Diffusion Model）—文字生圖 144

7.1 讀心術—女神心裡的“520” 144

7.2 從GAN到VAE — “左右手互搏” vs “經脈逆轉”  145

7.3 擴散模型—越來越火爆的江湖絕技 147

7.3.1 擴散模型的靈感—覆水可收 147

7.3.2 從後驗概率到DDPM—降低生成圖像的難度 150

7.3.3 基於高斯分佈預測噪聲—另一種方式實現熵減 151

7.4 Stable Diffusion—文生圖的首選 152

7.4.1 Stable Diffusion架構—SD魔法箱里的三件法寶 153

7.4.2 訓練U-Net去除噪聲—培訓一位合格的雕刻家 156

7.4.3 基於CLIP模型創作圖像—既懂文字又懂圖像的專家 159

 第8章 機器翻譯，想說愛你不容易 165

8.1 機翻毀一生 165

8.2 讓機器翻譯變得絲滑的奧秘—訓練，不斷地訓練 168

8.3 單詞向量化—編制一個單詞向量大辭典 171

8.3.1 化整為零—讓“結巴”來識文斷句 171

8.3.2 向量—硅基生命理解世界的方式 176

8.3.3 語言向量化的利器—Word2Vec 182

8.3.4 詞向量小結 184

8.4 理解一段話的重點—你得品，細細地品 185

8.4.1 註意力不集中，送分題秒變送命題 185

8.4.2 Transformer—AI界的“九陰真經” 186

8.4.3 編碼器-解碼器（Encoder-Decoder）架構 186

8.4.4 Transformer的秘密—3個神秘矩陣wq、wk、wv 190

8.4.5 自註意力的計算方法 192

8.4.6 點乘運算—精確計算兩個詞語之間的親密程度 194

8.4.7 多頭註意力—同時關註多個特徵 195

8.4.8 “註意力”與“自註意力”的區別 196

8.4.9 位置編碼—解決語序問題 197

8.4.10 掩碼—訓練的時候不能偷看答案 199

8.5 Transformer原理小結 200

8.6 單詞向量化實戰—用“結巴分詞”劃分token 201

 第9章 自然語言處理的那些事—神經網絡語言模型的前世今生 203

9.1 為什麽自然語言處理是人工智能領域的一顆明珠 203

9.2 機器是如何理解自然語言的 203

9.3 暴力窮舉的語言模型—用盡全宇宙的原子也無法存儲的信息量 204

9.4 基於統計的語言模型—“床前明菠蘿”？  205

9.5 前饋神經網絡（FNN）—從最基礎的講起 207

9.5.1 前饋神經網絡基本概念 207

9.5.2 怎樣訓練前饋神經網絡 216

9.5.3 GPT的參數個數—1750億個 219

9.5.4 神經網絡怎麽看懂人話—每層都有自己的任務 221

9.5.5 基於計數的詞向量生成—越過山丘，才發現無人等候 222

9.5.6 基於推理實現詞向量生成—欲利其器，先明其理 225

9.5.7 詞與詞之間的奇妙關系 230

9.5.8 詞的意義取決於上下文 233

9.6 循環神經網絡模型（RNN）—不忘過往，面向未來 234

9.7 長短期記憶神經網絡（LSTM）—成熟就是學會遺忘 237

9.7.1 “長依賴”問題—太長的句子誰都記不住啊 237

9.7.2 LSTM的門控機制—腦海中的橡皮擦 238

9.8 雙向RNN—像諾蘭一樣思考 244

9.9 Seq2Seq—現實世界在模型中的體現 244

9.10 RNN實戰—模仿莎士比亞寫作 248

9.10.1 準備數據集&安裝必需的庫 249

9.10.2 下載代碼並運行 249

9.10.3 神經網絡的訓練 249

9.10.4 訓練完畢，生成文本 250

9.10.5 代碼簡析 250

 第10章 Transformer架構解密—AIGC的核心技術 255

10.1 註意力機制—一個字一個字地復述 255

10.2 從架構上再次解析Transformer—變形的秘密 258

10.2.1 編碼器（Encoder）—用庖丁解牛的方式解讀文字 260

10.2.2 解碼器（Decoder）—充滿智慧的講述者 263

10.2.3 嵌入層&位置編碼—從自然語言到機器向量 265

10.2.4 輸出層—從機器向量回到自然語言 266

10.3 Transformer 的訓練過程 268

10.4 Transformer 的推理過程 269

10.5 讓大模型懂你—利用大模型推理能力解決自己的問題 270

10.5.1 RAG基本原理—一個專業的“知識外掛” 271

10.5.2 LangChain簡介 273

10.6 大模型用法實戰—RAG+LangChain實現客服機器人 274

10.6.1 準備數據集&安裝必需的庫 274

10.6.2 免費拿到試用密鑰 274

10.6.3 下載代碼並運行 276

10.6.4 代碼簡析 277

 第11章 Sora原理解密—物理世界的模擬器？ 279

11.1 Sora憑什麽嚇了世界一跳？ 279

11.2 Sora的實現原理—Transformer+Diffusion 280

11.2.1 圖片連播就是視頻—《大鬧天宮》的原理 280

11.2.2 視頻內容的整體訓練—短視頻的生成 281

11.2.3 基於Patches訓練長視頻—Sora的訓練過程 281

11.2.4 根據指令生成視頻—Sora的推理過程 287

11.3 Sora真的模擬了這個物理世界嗎？ 288

第4篇 對人工智能的冷靜思考

 第12章 人工智能的江湖八卦—在關鍵轉折點的選擇 291

12.1 論Transformer的發家史—無心插柳柳成蔭 291

12.2 BERT vs GPT—Transformer兩大發展方向 291

12.3 為什麽ChatGPT可以技驚四座 292

12.4 LLaMA—大羊駝的傳奇 294

 第13章 人工智能是否能產生意識—人與機器的分界線 297

13.1 一道經典的人工智能測試題 297

13.2 對人工智能的官方測評—155頁的變態測試報告 298

13.3 對人工智能的民間測評—有本事就參加高考 299

13.4 機器是如何“思考”的？ 299

13.5 奇點，涌現 301

13.6 什麽是意識？ 302

 第14章 誰是洗牌人，誰是被洗的牌？ 303

14.1 “人工智能+” 303

14.2  AI正在顛覆世界，是生存危機，還是潑天富貴？ 305

14.3 時代的一粒灰，落在每個人的肩頭就是一座大山 306

14.4 從恐懼到瞭解，從瞭解到掌握 307

14.5 人類智慧與人工智能 308

 參考文獻 309