▌第1 章 高性能注意力與多模態融合

1.1 從湧現到飛躍：高性能大模型的崛起

1.1.1 大模型的「湧現」

1.1.2 大模型的發展歷程

1.1.3 高性能大模型的崛起

1.2 大模型的內功：高性能注意力機制的崛起

1.2.1 注意力機制的基本原理

1.2.2 注意力機制的變革與發展

1.2.3 高性能注意力機制崛起：GQA 與MLA

1.3 大模型的外拓：多模態融合

1.3.1 多模態外拓及其挑戰

1.3.2 融合策略與技術概覽

1.3.3 深度學習在多模態融合中的應用場景

1.4 高性能注意力與多模態融合的未來展望

1.4.1 融合技術的創新方向

1.4.2 注意力機制的前端探索

1.5 本章小結



▌第2 章 PyTorch 深度學習環境架設

2.1 安裝Python 開發環境

2.1.1 Miniconda 的下載與安裝

2.1.2 PyCharm 的下載與安裝

2.1.3 計算softmax 函式練習

2.2 安裝PyTorch 2.0

2.2.1 NVIDIA 10/20/30/40 系列顯示卡選擇的GPU 版本

2.2.2 PyTorch 2.0 GPU NVIDIA 執行函式庫的安裝

2.2.3 Hello PyTorch

2.3 多模態大模型DeepSeek 初探與使用

2.3.1 DeepSeek 模型簡介

2.3.2 DeepSeek 帶來的技術創新

2.3.3 DeepSeek 的第三方服務與使用範例

2.4 本章小結



▌第3 章 注意力機制詳解之基礎篇

3.1 注意力機制與模型詳解

3.1.1 注意力機制詳解

3.1.2 自注意力（Self-Attention）機制

3.1.3 自注意力的程式實現

3.1.4 ticks 和Layer Normalization

3.1.5 多頭自注意力

3.2 注意力機制的應用實踐：編碼器

3.2.1 自編碼器的整體架構

3.2.2 回到輸入層：初始詞向量層和位置編碼器層

3.2.3 前饋層的實現

3.2.4 將多層模組融合的TransformerBlock 層

3.2.5 編碼器的實現

3.3 基礎篇實戰：自編碼架構的拼音中文字生成模型

3.3.1 中文字拼音資料集處理

3.3.2 架設文字與向量的橋樑—Embedding

3.3.3 自編碼模型的確定

3.3.4 模型訓練部分的撰寫

3.4 本章小結



▌第4 章 注意力機制詳解之進階篇

4.1 注意力機制的第二種形態：自迴歸架構

4.1.1 自迴歸架構重大突破：旋轉位置編碼

4.1.2 增加旋轉位置編碼的注意力機制與現有函式庫套件的實現

4.1.3 新型的啟動函式SwiGLU 詳解

4.1.4 「因果遮罩」與「錯位」輸入輸出格式詳解

4.2 進階篇實戰1：無須位置表示的飯店評論情感判斷

4.2.1 資料集的準備與讀取

4.2.2 使用sentencepiece 建立文字詞彙表

4.2.3 編碼情感分類資料集

4.2.4 基於新架構文字分類模型設計

4.2.5 情感分類模型的訓練與驗證

4.3 進階篇實戰2：基於自迴歸模型的飯店評論生成

4.3.1 資料集的準備與讀取

4.3.2 基於自迴歸文字生成模型的設計

4.3.3 評論生成模型的訓練

4.3.4 使用訓練好的模型生成評論

4.4 本章小結



▌第5 章 注意力機制詳解之高級篇

5.1 替代前饋層的混合專家模型詳解

5.1.1 混合專家模型的基本結構

5.1.2 混合專家模型中的「專家」與「調控」程式實現

5.2 高級篇實戰1：基於混合專家模型的情感分類實戰

5.2.1 基於混合專家模型的MoE 評論情感分類實戰

5.2.2 混合專家模型中負載平衡的實現

5.2.3 修正後的MoE 門控函式

5.3 帶有MoE 的注意力模型

5.3.1 注意力機制中的前饋層不足

5.3.2 MoE 天然可作為前饋層

5.3.3 結合MoE 的注意力機制

5.4 高級篇實戰2：基於通道注意力的影像分類

5.4.1 資料集的準備

5.4.2 影像辨識模型的設計

5.4.3 結合通道注意力圖像分類模型

5.4.4 影像辨識模型SENet 的訓練與驗證

5.5 高級篇實戰3：基於MoE 與自注意力的影像分類

5.5.1 基於注意力機制的ViT 模型

5.5.2 Patch 和Position Embedding

5.5.3 視覺化的V-MoE 詳解

5.5.4 V-MoE 模型的實現

5.5.5 基於影像辨識模型V-MoE 的訓練與驗證

5.5.6 使用已有的函式庫套件實現MoE

5.6 本章小結



▌第6 章 注意力機制詳解之調優篇

6.1 注意力模型最佳化方案講解

6.1.1 注意力模型最佳化1：MQA 模型

6.1.2 注意力模型最佳化2：MLA 模型

6.1.3 注意力模型最佳化3：GQA 模型

6.1.4 注意力模型最佳化4：差分注意力模型

6.2 調優篇實戰1：基於MLA 的人類語音情感分類

6.2.1 情緒資料的獲取與標籤的說明

6.2.2 情緒資料集的讀取

6.2.3 語音情感分類模型的設計和訓練

6.3 本章小結



▌第7 章 旅遊特種兵迪士尼大作戰：DeepSeek API呼叫與高精準路徑最佳化

7.1 基於線上API 的大模型呼叫

7.1.1 DeepSeek 的註冊與API 獲取

7.1.2 帶有特定格式的DeepSeek 的API 呼叫

7.1.3 帶有約束的DeepSeek 的API 呼叫

7.2 智慧化DeepSeek 工具呼叫詳解

7.2.1 Python 使用工具的基本原理

7.2.2 在DeepSeek 中智慧地使用工具

7.2.3 在DeepSeek 中選擇性地使用工具

7.2.4 DeepSeek 工具呼叫判定依據

7.3 旅遊特種兵迪士尼大作戰：DeepSeek 高精準路徑最佳化

7.3.1 遊樂場資料的準備

7.3.2 普通大模型的迪士尼遊玩求解攻略

7.3.3 基於動態規劃演算法的迪士尼遊玩求解攻略

7.3.4 基於DeepSeek 的旅遊特種兵迪士尼大作戰

7.4 本章小結



▌第8 章 廣告文案撰寫實戰：多模態DeepSeek 當地語系化部署與微調

8.1 多模態DeepSeek-VL2 當地語系化部署與使用

8.1.1 Linux 版本DeepSeek-VL2 程式下載與影像問答

8.1.2 Windows 版本DeepSeek-VL2 程式下載

8.2 廣告文案撰寫實戰1：PEFT 與LoRA 詳解

8.2.1 微調的目的：讓生成的結果更聚焦於任務目標

8.2.2 微調經典方法LoRA 詳解

8.2.3 調配DeepSeek 微調的輔助函式庫PEFT 詳解

8.3 廣告文案撰寫實戰2：當地語系化DeepSeek-VL2 微調

8.3.1 資料的準備

8.3.2 微調模型的訓練

8.3.3 微調模型的使用與推斷

8.4 本章小結



▌第9 章 注意力與特徵融合範式1：Diffusion 可控影像生成

9.1 Diffusion 生成模型精講

9.1.1 Diffusion Model 的精講

9.1.2 直接執行的經典DDPM 的模型訓練實戰

9.1.3 DDPM 的模型基本模組說明

9.1.4 DDPM 加噪與去噪詳解：結合成功執行的擴散模型程式

9.1.5 DDPM 的損失函式：結合成功執行的Diffusion Model 程式

9.2 可控影像生成實戰：融合特徵的注意力機制

9.2.1 擴散模型可控生成的基礎：特徵融合

9.2.2 注意力MQA 中的可控特徵融合

9.2.3 基於注意力的擴散模型的設計

9.2.4 影像的加噪與模型訓練

9.2.5 基於注意力模型的可控影像生成

9.3 本章小結



▌第10 章 注意力與特徵融合範式2：多模態圖文理解與問答

10.1 多模態圖文問答實戰

10.1.1 一種新的多模態融合方案

10.1.2 資料集的設計與使用

10.1.3 多模態融合資料集的訓練

10.1.4 多模態圖文問答的預測

10.2 更多的多模態融合方案

10.2.1 一種截斷的多模態融合方案

10.2.2 截斷後多模態模型的訓練與預測

10.2.3 一種加法基礎的多模態融合方案

10.3 本章小結



▌第11 章 注意力與特徵融合範式3：交叉注意力語音轉換

11.1 點對點語音辨識任務簡介

11.1.1 點對點的語音辨識

11.1.2 中文語音文字資料集說明

11.2 點對點音訊特徵提取函式庫librosa 的使用

11.2.1 音訊訊號的基本讀取方法

11.2.2 多特徵音訊取出

11.3 點對點語音辨識任務簡介

11.3.1 全中文音訊資料集的準備

11.3.2 音訊特徵的提取與融合

11.3.3 基於生成模型的點對點語音辨識任務

11.3.4 點對點語音辨識任務的訓練與預測

11.4 基於PyTorch 的資料處理與音訊特徵融合

11.4.1 THCHS30 資料集的處理

11.4.2 基於torchaudio 的音訊前置處理

11.4.3 基於不同角度的音訊特徵獲取和簡單融合

11.4.4 關於特徵融合的講解

11.5 用於特徵融合的交叉注意力

11.5.1 交叉注意力詳解

11.5.2 帶有遮罩的交叉注意力

11.5.3 完整的帶有遮罩的交叉注意力點對點語音辨識

11.5.4 基於交叉注意力的點對點語音辨識的訓練與預測

11.5.5 基於連接concat 的點對點語音辨識模型

11.6 本章小結



▌第12 章 多模態特徵token 壓縮

12.1 影像特徵壓縮的多種實現

12.1.1 Pixel-Shuffle 的token 壓縮

12.1.2 Cross-layer Token Fusion 壓縮

12.1.3 AvgPool 的token 壓縮

12.2 基於AvgPool 與自編碼器的語音辨識

12.2.1 修改後的AvgPool 函式

12.2.2 自編碼器語音辨識模型1：資料準備

12.2.3 自編碼器語音辨識模型2：模型設計

12.2.4 自編碼器語音辨識模型3：模型的訓練與預測

12.3 本章小結



▌第13 章 從二維到一維：影像編碼器詳解與圖形重建實戰

13.1 影像編碼器

13.1.1 從自然語言處理講起

13.1.2 影像的編碼與解碼VQ-VAE

13.1.3 為什麼VQ-VAE 採用離散向量

13.1.4 VQ-VAE 的核心實現

13.2 基於VQ-VAE 的手寫體生成

13.2.1 影像的準備與超參數設置

13.2.2 VQ-VAE 的編碼器與解碼器

13.2.3 VQ-VAE 的模型設計

13.2.4 VQ-VAE 的訓練與預測

13.2.5 獲取編碼後的離散token

13.3 基於FSQ 的人臉生成

13.3.1 FSQ 演算法簡介與實現

13.3.2 人臉資料集的準備

13.3.3 基於FSQ 的人臉重建方案

13.3.4 基於FSQ 的人臉輸出與離散token

13.4 基於FSQ 演算法的語音儲存

13.4.1 無監督條件下的語音儲存

13.4.2 可作為密碼機的離散條件下的語音辨識

13.5 本章小結



▌第14 章 基於PyTorch 的點對點視訊分類實戰

14.1 視訊分類資料集的準備

14.1.1 HMDB51 資料集的準備

14.1.2 視訊抽幀的處理

14.1.3 基於PyTorch 的資料登錄

14.2 注意力視訊分類實戰

14.2.1 對於視訊的Embedding 編碼器

14.2.2 視訊分類模型的設計

14.2.3 視訊分類模型的訓練與驗證

14.3 使用預訓練模型的視訊分類

14.3.1 torchvision 簡介

14.3.2 基於torchvision 的點對點視訊分類實戰

14.4 本章小結



▌第15 章 基於DeepSeek 的跨平臺智慧客服開發實戰

15.1 智慧客服的設計與基本實現

15.1.1 智慧客服架設想法

15.1.2 商品介紹資料的格式與說明

15.1.3 基於DeepSeek 的智慧客服設計

15.2 帶有跨平臺使用者端的智慧客服開發實戰

15.2.1 跨平臺使用者端Gradio 使用詳解

15.2.2 一個簡單的Gradio 範例

15.2.3 基於DeepSeek 的跨平臺智慧客服實現

15.3 本章小結?