掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深入探索MAMBA模型架構與應用 版權信息
- ISBN：9787302681571
- 條形碼：9787302681571 ; 978-7-302-68157-1
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
深入探索MAMBA模型架構與應用 本書特色
（1）《深入探索Mamba模型架構與應用》旨在為讀者提供一本全面、深入的Mamba深度學習架構實戰指南。作者精心組織了全書的內容，從基礎理論到實戰應用，循序漸進地引導讀者掌握Mamba架構的核心技術與應用實戰技巧。
（2）《深入探索Mamba模型架構與應用》詳細剖析了Mamba的核心組件和工作原理，讓讀者能夠清晰把握其與傳統深度學習架構的區別與優勢。
（3）《深入探索Mamba模型架構與應用》結合豐富的案例和實戰經驗，展示了Mamba在文本生成、圖像分類、天氣預測、圖像生成、知識圖譜、語音喚醒、多模態視覺問答等多個領域的應用場景。
（4）配套示例源碼、數據文件、PPT課件、配圖PDF文件與讀者微信交流群。
深入探索MAMBA模型架構與應用 內容簡介
"Mamba是一種新型的深度學習架構，在保持對序列長度近似線性擴展性的同時，提供了與Transformers相當的建模能力。《深入探索Mamba模型架構與應用》旨在幫助讀者探索Mamba在不同領域實現卓越性能的潛力，并深入理解和應用這一新興的模型架構。本書配套示例源碼、PPT課件、配圖PDF文件與讀者微信交流群服務。 《深入探索Mamba模型架構與應用》共分16章，內容包括Mamba概述、Mamba架構詳解、Mamba組件詳解、基于PyTorch的彈簧振子動力學Mamba實戰、Mamba文本情感分類實戰、Mamba的文本轉換實戰、VisionMamba圖像分類實戰、多方案的Mamba文本生成實戰、讓Mamba更強的模塊、循環神經網絡詳解與切片時間序列預測、基于Jamba的天氣預測實戰、統一了注意力與Mamba架構的Mamba2模型、Mamba結合Diffusion的圖像生成實戰、知識圖譜的構建與展示實戰、基于特征詞的語音喚醒實戰、多模態視覺問答實戰。 《深入探索Mamba模型架構與應用》既適合Mamba架構初學者，以及人工智能、深度學習方向的從業人員閱讀，也適合作為高等院校或高職高專院校相關專業學生的參考書。"
深入探索MAMBA模型架構與應用深入探索MAMBA模型架構與應用 前言
在科技的浩瀚星海中，人工智能已經成為引領時代前行的璀璨明星。而深度學習作為人工智能領域的重要分支，更是推動了無數科技創新與突破。在這個波瀾壯闊的歷史進程中，我們有幸見證并參與了Mamba這一新興深度學習架構的誕生與發展。今天，我們將這份寶貴的經歷與知識凝結成書，希望能夠助力更多有志之士在深度學習的道路上探索與前行。
本書構思
本書旨在為讀者提供一本全面、深入的Mamba深度學習架構實戰指南。我們精心組織了全書的內容，從基礎理論到實戰應用，循序漸進地引導讀者掌握Mamba架構的核心技術與實戰技巧。無論你是深度學習的初學者，還是希望進一步提升技能的專業人士，相信本書都能為你提供寶貴的幫助。
在撰寫本書的過程中，我們始終秉持著嚴謹、務實的態度。書中的每一章都經過了反復的打磨與驗證，確保內容的準確性與實用性。同時，我們也注重理論與實踐的結合，通過大量的實戰案例，幫助讀者將所學知識轉變為實際應用能力。
本書通過系統而全面的介紹，帶領讀者從Mamba架構的基礎理論出發，逐步深入各種實戰應用的開發與實現。我們詳細剖析了Mamba的核心組件和工作原理，幫助讀者清晰把握其與傳統深度學習架構的區別與優勢。同時，我們還結合豐富的案例和實戰經驗，展示了Mamba在序列生成、圖像識別、自然語言處理等多個領域的應用場景和前景。
深入探索MAMBA模型架構與應用 目錄
第1章 橫空出世的Mamba 1
1.1 深度學習的前世今生 1
1.1.1 深度學習的發展歷程 2
1.1.2 深度學習與人工智能 3
1.2 深度學習中的主要模型 4
1.2.1 深度學習中的代表性模型和應用 4
1.2.2 CNN、RNN與Transformer 5
1.2.3 劍指王者的Mamba帶來了新的突破 7
1.3 本章小結 8
第2章 挑戰注意力機制地位的Mamba架構詳解 9
2.1 Mamba的優勢 10
2.1.1 Transformer模型存在的不足 10
2.1.2 循環神經網絡 12
2.1.3 結合Transformer與RNN優點的SSM 14
2.2 環境搭建1：安裝Python 15
2.2.1 Miniconda的下載與安裝 15
2.2.2 PyCharm的下載與安裝 17
2.3 環境搭建2：安裝PyTorch 2.0 20
2.3.1 Nvidia 10/20/30/40系列顯卡選擇的GPU版本 20
2.3.2 PyTorch 2.0 GPU Nvidia運行庫的安裝 21
2.4 **次使用Mamba 24
2.4.1 Hello Mamba：使用預訓練Mamba模型生成實戰 24
2.4.2 了解Mamba：構建Mamba的三大模塊說明 25
2.5 本章小結 26
第3章 Mamba組件詳解 28
3.1 Mamba組件1：狀態空間模型 28
3.1.1 經典狀態空間詳解 29
3.1.2 什么是狀態空間 31
3.1.3 狀態空間模型影響模型的學習過程與Python實現 33
3.2 Mamba組件2：連續信號轉換成離散信號的方法 38
3.2.1 將連續信號轉換成離散信號詳解與Python實現 38
3.2.2 離散狀態空間的Python實現 41
3.2.3 離散狀態空間的循環計算（類似于RNN的計算方法） 44
3.3 Mamba組件3：HiPPO算法初始化的狀態轉移矩陣 46
3.3.1 SSM中的狀態轉移矩陣 47
3.3.2 HiPPO算法的Python實現與可視化講解 49
3.4 本章小結 51
第4章 基于PyTorch的彈簧振子動力學Mamba實戰 52
4.1 從狀態空間模型SSM到結構化狀態空間模型S4 52
4.1.1 從狀態空間模型SSM開始（PyTorch具體實現） 53
4.1.2 連續信號轉換為離散信號的PyTorch實現 54
4.1.3 離散信號循環計算的PyTorch實現 55
4.1.4 狀態空間模型SSM的PyTorch實現 55
4.1.5 HiPPO算法初始化狀態矩陣 57
4.1.6 基于S4架構的Mamba模型 58
4.2 基于狀態空間模型模擬彈簧振子動力學 59
4.2.1 加速度的求解：詳細講解的經典彈簧-阻尼系統公式 59
4.2.2 彈簧-阻尼微分方程的SSM分解與PyTorch實現 61
4.2.3 使用空間狀態方程模擬彈簧-阻尼方程 63
4.2.4 阻尼微分方程參數的物理解釋（選學） 64
4.3 基于SSM的模擬彈簧振子輸出的神經網絡實戰 65
4.3.1 數據的準備 66
4.3.2 對數空間中切分步數的準備 67
4.3.3 基于SSM的模型構建 68
4.3.4 SSM模型的訓練實戰 73
4.3.5 使用HiPPO算法初始化狀態轉移矩陣 74
4.4 本章小結 78
第5章 Mamba文本情感分類實戰 80
5.1 有趣的詞嵌入 80
5.1.1 什么是詞嵌入 81
5.1.2 PyTorch中詞嵌入處理函數詳解 82
5.2 基于進階SSM架構的情感分類Mamba實戰 83
5.2.1 數據的準備 84
5.2.2 SSM進階的S6架構的設計與手把手實現 84
5.2.3 Mamba堆疊Block的設計與完整實現 88
5.2.4 完整Mamba的實現 90
5.2.5 基于Mamba的情感分類實戰 94
5.3 本章小結 98
第6章 Mamba文本轉換實戰 99
6.1 基于Mamba的拼音漢字轉換模型 99
6.1.1 拼音漢字數據集詳解與實戰處理方法 99
6.1.2 Mamba模型的設計詳解 101
6.1.3 模型的訓練與預測 102
6.2 PyTorch對數據集的封裝與可視化訓練步驟 105
6.2.1 使用torch.utils.data. Dataset封裝自定義數據集 106
6.2.2 批量輸出數據的DataLoader類詳解 108
6.3 本章小結 111
第7章 含有位置表示的雙向VisionMamba模型圖像分類實戰 112
7.1 使用PyTorch自帶的圖像管理工具與圖像增強技術 112
7.1.1 PyTorch自帶的圖像管理工具 113
7.1.2 圖片數據增強 115
7.2 基于雙向VisionMamba的模塊講解 119
7.2.1 數據的準備 119
7.2.2 將圖像轉換為Mamba可用的Embedding處理方法 120
7.2.3 能夠雙向計算的VisionMamba模型 123
7.2.4 初始旋轉位置編碼RoPE 126
7.3 VisionMamba圖像分類實戰 129
7.3.1 VisionMamba模型的構建 129
7.3.2 VisionMamba圖像分類實戰 131
7.4 本章小結 132
第8章 多方案的Mamba文本生成實戰 133
8.1 Mamba的經典文本生成實戰 133
8.1.1 數據的準備與錯位輸入方法 134
8.1.2 基于經典Mamba的文本生成模型 136
8.1.3 基于Mamba的文本生成模型的訓練與推斷 138
8.1.4 生成函數中的注意事項：temperature與“模型尺寸” 140
8.2 微調：在原有Mamba模型上進行重新訓練 142
8.2.1 什么是微調 142
8.2.2 預訓練的Mamba生成模型 144
8.2.3 對預訓練模型進行微調 144
8.2.4 使用微調的預訓練模型進行預測 146
8.3 低硬件資源微調預訓練Mamba模型的方法 147
8.3.1 使用凍結模型參數的微調方法 147
8.3.2 通過替換特定層的方式完成微調 151
8.3.3 對模型參數進行部分保存和載入的方法 153
8.4 本章小結 154
第9章 能夠讓Mamba更強的模塊 155
9.1 What Kan I Do 155
9.1.1 從多層感知機的數學原理開始 156
9.1.2 KAN中的樣條函數 157
9.1.3 KAN的數學原理 159
9.1.4 KAN的PyTorch實現 163
9.1.5 結合KAN的Mamba文本生成實戰 168
9.2 xLSTM讓老架構再現生機 169
9.2.1 LSTM背景介紹 169
9.2.2 LSTM實戰演示 170
9.2.3 xLSTM簡介 175
9.2.4 xLSTM的PyTorch實現 177
9.2.5 基于xLSTM的文本生成實戰 188
9.3 本章小結 192
第10章 循環神經網絡詳解與切片時間序列預測 193
10.1 基于時間序列的溫度預測實戰 193
10.1.1 時間序列一維數據的準備與切片 194
10.1.2 基于GRU的時間序列模型設計 197
10.1.3 時間序列模型的訓練與預測 198
10.1.4 時間序列常用的損失函數詳解 200
10.2 循環神經網絡理論講解 201
10.2.1 什么是GRU 201
10.2.2 單向不行，那就雙向 203
10.3 融合Mamba與KAN架構的時間序列預測模型實戰 204
10.3.1 適配2D時間序列的MambaBlock模型設計 204
10.3.2 Mamba架構的時間序列模型訓練與預測 206
10.4 本章小結 206
第11章 明天下雨嗎：基于Jamba的天氣預測實戰 207
11.1 注意力機制與模型詳解 208
11.1.1 注意力機制詳解 208
11.1.2 自注意力機制 210
11.1.3 ticks和Layer Normalization 216
11.1.4 多頭自注意力 217
11.2 注意力機制的應用實踐：編碼器Encoder 220
11.2.1 編碼器的總體架構 220
11.2.2 回到輸入層：初始詞向量層和位置編碼器層 221
11.2.3 前饋層的實現 224
11.2.4 將多層模塊融合的TransformerBlock層 226
11.2.5 編碼器的實現 227
11.3 給注意力添加相對位置編碼RoPE 233
11.3.1 給注意力添加相對位置編碼RoPE 233
11.3.2 添加旋轉位置編碼的注意力機制 235
11.3.3 基于現有庫包的旋轉位置編碼RoPE的使用 236
11.4 明天下雨嗎：基于Jamba的天氣預測實戰 237
11.4.1 Jamba模型的基本架構 237
11.4.2 Jamba架構的實現1：修正后的Transformer模塊 238
11.4.3 Jamba架構的實現2：Mamba模塊 242
11.4.4 Jamba架構的實現3：Jamba模型的實現 245
11.4.5 基于Jamba的天氣預測實戰 246
11.4.6 基于時間序列的天氣預報任務 253
11.5 本章小結 254
第12章 統一了注意力與Mamba架構的Mamba2模型 255
12.1 Mamba2模型的實現 256
12.1.1 Mamba2核心組件SSD詳解 256
12.1.2 基于SSD的Mamba2模型 259
12.2 基于Mamba2的文本生成實戰 263
12.2.1 文本生成Mamba2模型的完整實現 263
12.2.2 基于Mamba2的文本生成 264
12.3 本章小結 265
第13章 Mamba結合Diffusion的圖像生成實戰 266
13.1 Diffusion原理精講以及經典實現 267
13.1.1 Diffusion Model的傳播流程 267
13.1.2 直接運行的經典DDPM的模型訓練實戰 269
13.1.3 DDPM模型的基本模塊說明 272
13.1.4 DDPM加噪與去噪詳解：結合成功運行的Diffusion Model代碼 275
13.1.5 DDPM的損失函數：結合成功運行的Diffusion Model代碼 281
13.2 基于注意力的可控Diffusion實現 281
13.2.1 Diffusion Model可控生成的基礎：特征融合 282
13.2.2 DiT中的可控特征融合 282
13.2.3 DiT模型的設計 285
13.2.4 圖像的加噪與模型訓練 289
13.2.5 基于DiT模型的可控圖像生成 293
13.3 基于Mamba的可控Diffusion實現 295
13.3.1 基于Mamba架構的模塊生成 296
13.3.2 基于Mamba的Dim模型的設計 299
13.4 本章小結 303
第14章 Mamba實戰1：知識圖譜的構建與展示 305
14.1 什么是知識圖譜 305
14.1.1 知識圖譜的應用 306
14.1.2 知識圖譜中的三元組 307
14.2 知識圖譜的可視化展示 308
14.2.1 數據的準備與處理 308
14.2.2 知識圖譜的可視化展示 309
14.3 分詞與數據的編碼與解碼 312
14.3.1 分詞器Tokenizer的構建與使用 312
14.3.2 數據的編碼處理 315
14.3.3 數據的解碼處理 319
14.4 基于Mamba的知識圖譜模型構建 321
14.4.1 基于Mamba的知識圖譜模型構建 321
14.4.2 基于Mamba的知識圖譜模型訓練與預測 322
14.4.3 命名實體識別在預測時的補充說明 325
14.5 本章小結 326
第15章 Mamba實戰2：基于特征詞的語音喚醒 327
15.1 音頻特征工具Librosa包的基礎使用 327
15.1.1 基于Librosa的音頻信號讀取 328
15.1.2 基于Librosa的音頻多特征提取 331
15.2 Mamba實戰：基于特征詞的語音喚醒 333
15.2.1 數據的準備 333
15.2.2 數據的處理 334
15.2.3 模型的設計 337
15.2.4 模型的數據輸入方法 338
15.2.5 模型訓練 338
15.2.6 模型結果展示 340
15.3 本章小結 340
第16章 Mamba實戰3：多模態視覺問答 341
16.1 視覺問答數據集的準備 341
16.1.1 VQA數據集介紹 342
16.1.2 VQA數據集的下載與預處理 342
16.1.3 VQA數據集的準備 346
16.2 Mamba架構的多模態視覺問答模型的訓練與推斷 348
16.2.1 Mamba架構的多模態視覺問答模型的設計 348
16.2.2 多模態視覺問答模型的訓練與推斷 351
16.3 本章小結 353
展開全部
深入探索MAMBA模型架構與應用 作者簡介
王曉華，高校計算機專業講師，研究方向為云計算、大數據與人工智能。其著作包括《深入探索Mamba模型架構與應用》《DeepSeek大模型高性能核心技術與多模態融合開發》《PyTorch深度學習與計算機視覺實踐》《PyTorch語音識別實戰》《ChatGLM3大模型本地化部署、應用開發與微調》《從零開始大模型開發與微調：基于PyTorch與ChatGLM》《PyTorch 2.0深度學習從零開始學》《Spark 3.0大數據分析與挖掘：基于機器學習》《TensorFlow深度學習應用實踐》《OpenCV TensorFlow深度學習與計算機視覺實戰》《TensorFlow語音識別實戰》《TensorFlow 2.0卷積神經網絡實戰》《深度學習的數學原理與實現》。
書友推薦
- >
【精裝繪本】畫給孩子的中國神話
- >
小考拉的故事-套裝共3冊
- >
唐代進士錄
- >
名家帶你讀魯迅:朝花夕拾
- >
我從未如此眷戀人間
- >
月亮虎
- >
經典常談
- >
煙與鏡
本類暢銷
