本书根据大多数软件公司对AI大模型开发程序员的标准要求，结合范例程序，针对零基础人群，讲述了从“入门”到“能干活”所必需掌握的知识点。 本书内容涵盖了深度学习各种模型的知识点，包括Python和Pytorch的开发环境、神经网络预测技术、用卷积和残差神经网络分类图片的技术、数据预处理和数据增强、用生成对抗网络识别图片的技术、用循环神经网络和Transformer网络分析文本的技术、用ViT模型分类图片的技术、人脸识别和目标物体识别的技术、音频处理技术、DeepSeek本地化部署和微调技术等。 本书尤其适合零技术的开发人员和在校学生提升相关实战技能，也可作为大中专院校计算机专业实践课或毕业设计的参考用书。

第1章 神经网络、深度学习和大模型
1.1 神经网络和深度学习
1.1.1 神经元和神经网络
1.1.2 深度神经网络与深度学习
1.1.3 深度学习的应用场景
1.2 深度学习和大模型
1.3 实现深度学习的Pytorch框架
1.3.1 Pytorch简介
1.3.2 Pytorch的常用模块
1.3.3 搭建Python开发环境
1.3.4 简单安装Pytorch框架
1.4 搭建支持GPU的Pytorch环境
1.4.1 GPU和CUDA
1.4.2 安装基于GPU的Pytorch
1.5 小结和预告
第2章 学习张量，搭建神经网络
2.1 张量的概念和基本操作
2.1.1 标量、向量、矩阵和张量
2.1.2 张量和深度学习的关系
2.1.3 创建张量
2.1.4 张量的常见方法
2.1.5 张量与Numpy数据的相互转换
2.2 张量的常见运算
2.2.1 张量的索引操作
2.2.2 张量的切片操作
2.2.3 转换张量的维度
2.2.4 过滤与条件操作
2.3 搭建第一个神经网络
2.3.1 训练集、验证集和测试集
2.3.2 过拟合与欠拟合
2.3.3 损失函数
2.3.4 神经网络的超参数
2.3.5 搭建神经网络的定式
2.4 小结和预告
第3章 实战神经网络（多层感知机）
3.1 Pytorch自带的数据集
3.1.1 数据集介绍
3.1.2 下载MNIST数据集
3.1.3 可视化MNIST数据集
3.2 激活函数
3.2.1 引入非线性因素的激活函数
3.2.2 sigmoid激活函数
3.2.3 tanh激活函数
3.2.4 ReLU激活函数
3.3 神经网络与损失函数
3.3.1 用MNIST训练，观察损失值
3.3.2 交叉熵损失函数
3.4 优化器与前后向传播
3.4.1 SGD优化器与梯度下降
3.4.2 前向传播与后向传播
3.4.3 SGD引入Momentum参数
3.4.4 Adagrad、RMSprop和Adam优化器
3.5 用神经网络作预测
3.6 小结和预告
第4章 用卷积神经网络识别图片
4.1 下载并使用CIFAR-10数据集
4.1.1 获取CIFAR-10数据集
4.1.2 观察CIFAR-10数据集
4.2 卷积神经网络概述
4.2.1 二维卷积的计算范例
4.2.2 填充和移动步长
4.2.3 卷积通道数值说明
4.2.4 二维卷积方法及其参数
4.2.5 池化层及池化策略
4.2.6 整体结构及工作流程
……
第5章 实战残差神经网络
第6章 对模型的实用性操作
第7章 基于深度学习的回归分析和聚类分析
第8章 迁移学习实战
第9章 基于词向量和模型的文本分析
第10章 基于生成对抗网络的图片识别实战
第11章 人脸检测和人脸识别技术实战
第12章 音频处理技术实战
第13章 目标检测技术实战
第14章 强化学习实战
第15章 基于Transformer模型的自然语言翻译
第16章 ViT模型实战
第17章 DeepSeek本地化部署和微调实战