擴(kuò)散模型：生成式AI模型的理論、應(yīng)用與代碼實(shí)踐

定　價(jià)：￥89.00

作　者：	楊靈等
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

當(dāng)當(dāng)網(wǎng) (￥89.00)

ISBN：	9787121459856	出版時(shí)間：	2023-08-01	包裝：	平塑勒
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　本書深入淺出地介紹了擴(kuò)散模型的知識，案例豐富，講解細(xì)致。第1章介紹AIGC與相關(guān)技術(shù)，第2章從三個(gè)視角介紹擴(kuò)散模型的基本理論、算法，此外介紹了擴(kuò)散模型的神經(jīng)網(wǎng)絡(luò)架構(gòu)和代碼實(shí)現(xiàn)。第3章、第4章、第5章分別從高效采樣、似然優(yōu)化、數(shù)據(jù)結(jié)構(gòu)三個(gè)方面系統(tǒng)介紹了擴(kuò)散模型的特點(diǎn)，以及后續(xù)的改進(jìn)工作。第6章討論了擴(kuò)散模型與其他生成模型的關(guān)聯(lián)，包括變分自編碼器、生成對抗網(wǎng)絡(luò)、歸一化流、自回歸模型和基于能量的模型。第7章介紹了擴(kuò)散模型的應(yīng)用，包括計(jì)算機(jī)視覺、自然語言處理、時(shí)間數(shù)據(jù)建模、多模態(tài)學(xué)習(xí)、魯棒學(xué)習(xí)和跨學(xué)科應(yīng)用。第8章討論了擴(kuò)散模型的未來，以及與GPT和大模型的關(guān)聯(lián)。本書適合高等院校計(jì)算機(jī)科學(xué)、人工智能和醫(yī)學(xué)、生物學(xué)等交叉學(xué)科專業(yè)的師生，以及相關(guān)人工智能應(yīng)用程序的開發(fā)人員閱讀

作者簡介

　　楊靈，北京大學(xué)博士在讀，研究興趣是機(jī)器學(xué)習(xí)和生成式AI，作為第一作者在ICML、CVPR等人工智能頂會、頂刊發(fā)表過多篇論文，長期擔(dān)任TPAMI、ICML、NeurIPS、CVPR、KDD、AAAI等多個(gè)頂級學(xué)術(shù)會議或期刊的程序委員會成員、審稿人。現(xiàn)與OpenAI、斯坦福大學(xué)等AI研究機(jī)構(gòu)進(jìn)行長期的科研合作。曾獲北京大學(xué)國家獎學(xué)金、學(xué)術(shù)創(chuàng)新獎、三好學(xué)生等獎項(xiàng)。張至隆，北京大學(xué)碩士在讀，本科畢業(yè)于北京大學(xué)數(shù)學(xué)科學(xué)學(xué)院，研究興趣是擴(kuò)散模型。曾獲北京大學(xué)國琴獎學(xué)金、優(yōu)秀畢業(yè)生、三好學(xué)生等獎項(xiàng)。張文濤，蒙特利爾學(xué)習(xí)算法研究所（Mila）博士后研究員。博士畢業(yè)于北京大學(xué)計(jì)算機(jī)學(xué)院，師從崔斌教授。研究興趣為大規(guī)模圖學(xué)習(xí)，作為第一作者在機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和數(shù)據(jù)庫等領(lǐng)域發(fā)表論文10余篇。曾獲Apple PhD Fellowship、WAIC云帆獎和北京大學(xué)優(yōu)秀博士學(xué)位論文等獎項(xiàng)。崔斌，北京大學(xué)計(jì)算機(jī)學(xué)院教授、博士生導(dǎo)師、北京大學(xué)計(jì)算機(jī)學(xué)院副院長。擔(dān)任中國計(jì)算機(jī)學(xué)會數(shù)據(jù)庫專委會副主任，VLDB理事會理事，IEEE TKDE、VLDB Journal、DAPD等國際期刊編委。中國計(jì)算機(jī)學(xué)會杰出會員、IEEE高級會員、ACM會員，2016年入選長江學(xué)者特聘教授。

圖書目錄

第1 章 AIGC 與相關(guān)技術(shù)
1.1 AIGC 簡介
1.2 擴(kuò)散模型簡介
第2 章擴(kuò)散模型基礎(chǔ)
2.1 去噪擴(kuò)散概率模型
2.2 基于分?jǐn)?shù)的生成模型
2.3 隨機(jī)微分方程
2.4 擴(kuò)散模型的架構(gòu)
第3 章擴(kuò)散模型的高效采樣
3.1 微分方程
3.2 確定性采樣
3.2.1 SDE 求解器
3.2.2 ODE 求解器
3.3 基于學(xué)習(xí)的采樣
3.3.1 離散方式
3.3.2 截?cái)鄶U(kuò)散
3.3.3 知識蒸餾
第4 章擴(kuò)散模型的似然最大化
4.1 似然函數(shù)最大化
4.2 加噪策略優(yōu)化
4.3 逆向方差學(xué)習(xí)
4.4 精確的對數(shù)似然估計(jì)
第5 章將擴(kuò)散模型應(yīng)用于具有特殊結(jié)構(gòu)的數(shù)據(jù)
5.1 離散數(shù)據(jù)
5.2 具有不變性結(jié)構(gòu)的數(shù)據(jù)
5.3 具有流形結(jié)構(gòu)的數(shù)據(jù)
5.3.1 流形已知
5.3.2 流形未知
第6 章擴(kuò)散模型與其他生成模型的關(guān)聯(lián)
6.1 變分自編碼器與擴(kuò)散模型
6.2 生成對抗網(wǎng)絡(luò)與擴(kuò)散模型
6.3 歸一化流與擴(kuò)散模型
6.4 自回歸模型與擴(kuò)散模型
6.5 基于能量的模型與擴(kuò)散模型
第7 章擴(kuò)散模型的應(yīng)用
7.1 無條件擴(kuò)散模型與條件擴(kuò)散模型
7.2 計(jì)算機(jī)視覺
7.2.1 圖像超分辨率、圖像修復(fù)和圖像翻譯
7.2.2 語義分割
7.2.3 視頻生成
7.2.4 點(diǎn)云補(bǔ)全和點(diǎn)云生成
7.2.5 異常檢測
7.3 自然語言處理
7.4 時(shí)間數(shù)據(jù)建模
7.4.1 時(shí)間序列插補(bǔ)
7.4.2 時(shí)間序列預(yù)測
7.5 多模態(tài)學(xué)習(xí)
7.5.1 文本到圖像的生成
7.5.2 文本到音頻的生成
7.5.3 場景圖到圖像的生成
7.5.4 文本到3D 內(nèi)容的生成
7.5.5 文本到人體動作的生成
7.5.6 文本到視頻的生成
7.6 魯棒學(xué)習(xí)
7.7 跨學(xué)科應(yīng)用
7.7.1 人工智能藥物研發(fā)
7.7.2 醫(yī)學(xué)影像
第8 章擴(kuò)散模型的未來——GPT 及大模型
8.1 預(yù)訓(xùn)練技術(shù)簡介
8.1.1 生成式預(yù)訓(xùn)練和對比式預(yù)測練
8.1.2 并行訓(xùn)練技術(shù)
8.1.3 微調(diào)技術(shù)
8.2 GPT 及大模型
8.2.1 GPT-1
8.2.2 GPT-2
8.2.3 GPT-3 和大模型
8.2.4 InstructGPT 和ChatGPT
8.2.5 Visual ChatGPT
8.3 基于GPT 及大模型的擴(kuò)散模型
8.3.1 算法研究
8.3.2 應(yīng)用范式
相關(guān)資料說明