送新书！《Python深度学习基于Torch/TF(第2版)》，有ChatGPT拓展

ChatGPT不仅能更好地理解人类的问题和指令，流畅进行多轮对话，此外，还可以根据文字（或语音）描述生成代码（如Python、C、Java代码），显示ChatGPT出解决各种通用问题的能力。许多人相信，ChatGPT不仅是新一代聊天机器人的突破，也将为信息产业带来巨大变革，许多我们平时需要就几个小时、几天的工作，用ChatGPT可能几秒钟！给工作带来的效率和提升，将会是史无前例的。

ChatGPT是语言生成模型，是用人工智能技术来生成内容（AI Generated Content，AIGC）中的一种，像图像、视频和语音的生成模型，如VAE、GAN及扩散模型Stable Diffusion、DALL-E2等构成AIGC的另一个分支。这些模型或算法凭借其强大的生成能力，已成为生成模型的一大热门。

ChatGPT、Diffusion为啥能获得大家的热捧？背后有哪些技术？

（1）Transformer是底层核心架构，Transformer架构有很好的并发性、可扩展性、长距离依赖等特性。

（2）Codex用于代码、文本生成，可以根据用户描述生成代码，而且因其上下文窗口长达8192，无形中大大提升了整个模型推理能力。

（3）人类反馈强化学习（Reinforcement Learning from Human Feedback，RHFL）模型将预训练语言模型按照人类反馈进一步微调以符合人类偏好，利用人类反馈信息直接优化模型。

2.Diffusion模型背后的技术

（1）添加和去噪声技术

（2）变分近似

（3）重参数化

本书（《Python深度学习基于PyTorch（第2版）》）涉及AIGC技术的核心内容，本书第8章、第14重点介绍了注意力机制及Transformer架构及其应用，第10章、第16章介绍了生成式网络核心架构（如AE、VAE、GAN等），这些架构包括降噪、重参数化等技术，此外，本书还包括目标检测、强化学习等内容。除理论、原理介绍外，还包括大量可动手实践的实例。

详细内容如下：

本书分为三部分，共19章，第一部分为PyTorch基础，第二部分为深度学习基本原理，第三部分是实战内容。

第一部分（第1~4章）为Python和PyTorch基础部分，也是本书的基础部分，为后续学习打下一个坚实基础。第1章介绍了PyTorch的基石NumPy；第2章介绍PyTorch基础；第3、4章分别介绍PyTorch构建神经网络工具箱和数据处理工具箱等内容。

第二部分（第5~10章）为机器学习、深度学习部分，这是本书核心部分。第5章为机器学习基础；第6章为视觉处理基础；第7章介绍自然语言处理基础；第8章介绍注意力机制，详解介绍Transformer架构；第9章介绍目标检测与语义分割；第10章介绍生成式深度学习相关内容，包括AE,VAE,GAN、CGAN等模型。

第三部分（第11~19章）为深度学习实战，也即前面两部分的具体应用部分。这部分在介绍相关原理、架构的基础上，用PyTorch具体实现的典型实例，最后介绍了强化学习、深度强化学习等内容。具体各章节内容为，第11章用PyTorch实现人脸检测和识别；第12章用PyTorch实现迁移学习、迁移学习结合数据增强等实例；第13章用PyTorch实现中英文互译；第14章介绍了基于Transformer架构的ViT进行图像分类；第15章为语义分割实例；第16章多个生成式网络实例；第17章介绍对抗攻击原理及PyTorch实现对抗攻击实例；第18、19章介绍了强化学习、深度强化学习等基础及多个强化学习实例。

为便利大家更好理解本书，特提供PPT文档

PPT文档对书中内容进行提炼，并包括很多gif动画，便于更直观理解相关原理和概念，此外，作为不少拓展，包括GPT-3、ChatGPT、Diffusion Model等内容。

人工智能技术更新很快，涉及的内容也越来越广，难度也不断加深，为有志于学习AIGC的在校大学生或在职人员，能系统学习的相关技术，我们正计划出版一本有关AIGC方面的书，为了大家能从根源上把握AIGC,先介绍相关的数学及模型基础，然后介绍Transformer架构及其应用（包括GPT、ChatGPT等），生成式模型及实例（包括VAE,GAN,Diffusion等）、强化学习模型等。

关于作者：吴茂贵，资深大数据和人工智能技术专家，在BI、数据挖掘与分析、数据仓库、机器学习等领域工作超过20年。在基于Spark、TensorFlow、PyTorch等的机器学习和深度学习方面有大量的工程实践经验。著有《Python深度学习：基于TensorFlow》《深度实践Spark机器学习》《自己动手做大数据系统》《深入浅出Embedding原理解析与应用实践》等畅销书。