前言
第1章 从AI到LLM
1.1 LLM技术概述
1.2 LLM在工业中的应用场景
第2章 AI技术基础
2.1 机器学习
2.1.1 机器学习原理
2.1.2 监督学习
2.1.3 半监督学习
2.1.4 无监督学习
2.2 深度学习
2.2.1 深度学习原理
2.2.2 神经网络
2.2.3 深度学习框架
2.3 常用的算法
2.3.1 监督算法
2.3.2 无监督算法
2.3.3 半监督算法
第3章 模型训练与数据集制作
3.1 基于深度学习的模型训练原理
3.1.1 模型训练过程
3.1.2 针对不同场景选择训练方式
3.1.3 针对特定环境选择设备
3.2 制作数据集
3.2.1 工业数据的相似性
3.2.2 图像类数据的处理
3.2.3 非图像类数据的处理
3.3 模型调整与效果评估
3.3.1 结合应用场景与需求平衡模型的性能
3.3.2 什么样的工业模型是合格的
3.3.3 如何使模型趋于合格
第4章 多模态数据处理
4.1 融合不同信息源的数据
4.1.1 不同类型传感器数据的融合
4.1.2 传感器数据与图像数据的融合
4.1.3 不同视觉端的图像数据融合
4.2 模型从不同信息源学习目标知识
4.2.1 对不同信息源数据进行主成分分析
4.2.2 对不同信息源数据进行相关性分析
4.2.3 多模态学习的原理
4.3 多模态感知案例分析
4.3.1 案例场景描述
4.3.2 需求分析
4.3.3 数据处理
4.3.4 主成分提取与相关性分析
4.3.5 多模态学习的过程
第5章 DeepSeek部署
5.1 DeepSeek的核心原理
5.1.1 稀疏注意力机制
5.1.2 动态计算图
5.1.3 多模态融合技术
5.1.4 自适应学习机制
5.1.5 知识图谱
5.1.6 计算推理能力
5.2 PC部署
5.2.1 环境准备
5.2.2 DeepSeek安装与配置
5.3 服务器部署
5.3.1 环境准备
5.3.2 DeepSeek安装与部署
5.4 嵌入式部署
5.5 训练与微调
5.5.1 数据准备
5.5.2 训练模型
第6章 DeepSeek与智能设备集成
6.1 数据采集与处理
6.1.1 不同类型传感器数据的采集方式
6.1.2 数据传输与存储
6.2 结合设备资源进行模型优化
6.2.1 资源环境受限时的模型优化
6.2.2 动态资源分配
6.2.3 实时性能监控
6.3 模型与硬件接口交互
6.3.1 调用硬件接口
6.3.2 实时反馈接收
6.4 复杂任务协同
6.4.1 复杂任务拆解
6.4.2 多任务协同
6.4.3 多设备协同
第7章 垂直智能系统构建
7.1 数据传输链路设计
7.1.1 选择硬件层面的通信协议
7.1.2 选择软件层面的通信协议
7.1.3 设计数据链路
7.2 功能模块设计
7.2.1 设计硬件相关功能
7.2.2 设计软件相关系统功能
7.2.3 设计人机交互功能
7.2.4 设计数据存储功能
7.3 系统业务逻辑设计
7.3.1 设计整机概念层的逻辑
7.3.2 设计整机数据流
7.3.3 设计各硬件的独立逻辑
7.3.4 设计系统内集成逻辑
7.4 系统安全性设计
7.4.1 硬件状态的监控与预测
7.4.2 面对整机急停的系统响应逻辑
7.5 构建完整系统
第8章 基于DeepSeek打造知识助手
8.1 工业视觉缺陷检测案例分析
8.1.1 案例背景
8.1.2 需求拆解
8.1.3 项目任务拆解
8.1.4 项目实施注意点
8.2 知识库搭建
8.2.1 数据采集与存储
8.2.2 知识表示与存储设计
8.2.3 知识库维护策略
8.2.4 知识库设计实例
8.3 模型训练
8.3.1 加载数据集
8.3.2 训练模型
8.4 案例总结
第9章 基于DeepSeek打造智能设备
9.1 微米级自动化检测整机设备案例分析
9.1.1 案例背景
9.1.2 需求拆解
9.1.3 项目任务拆解
9.2 系统架构设计
9.2.1 硬件架构设计
9.2.2 软件架构设计
9.2.3 系统集成设计
9.3 知识库搭建
9.3.1 数据采集与清洗
9.3.2 知识表示与存储设计
9.3.3 知识库维护策略
9.4 系统稳定性保障设计
9.4.1 硬件监控机制设计
9.4.2 软件监控机制设计
9.4.3 交互接口监控机制设计
9.5 交互与反馈机制设计
9.5.1 交互机制设计
9.5.2 反馈机制设计
9.6 案例总结
第10章 未来的挑战与趋势
10.1 不确定性挑战
10.2 技术成本挑战
10.3 未来的发展趋势预测
展开
