本书不仅涵盖了大模型的发展历程、深度学习与强化学习的基础知识，还详细剖析了DeepSeek-R1的架构设计、训练优化方法以及商业化应用，同时结合FIM补全、多轮对话、代码生成等高级功能，展示了其在复杂场景中的强大能力。 本书通过智能推荐搜索系统的商业化落地案例，为读者提供了从技术到业务的完整参考。 读者可扫描封底二维码，获取相关案例代码、各章思考题及超200分钟《轻松玩转DeepSeek》保姆级视频课（涉及DeepSeek部署、对话，制作思维导图、PPT，搭建知识库，生成网站、数字人、3D模型等详细使用方法和技巧），从而在学习中更好地加深对核心概念和技术的理解与掌握。
售 价：¥
纸质售价：¥113.10购买纸书
6.7
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
前言
第1部分 大模型基础与核心技术
第1章 大模型简介
1.1 大模型基本概念与发展历程
1.2 大模型关键技术概览
1.3 大模型训练、微调与推理
1.4 对话大模型V3与推理大模型R1
1.5 DeepSeek中的模型压缩与模型蒸馏技术
1.6 本章小结
第2章 深度学习与强化学习基础
2.1 神经网络与损失函数
2.2 梯度下降、反向传播与神经网络的训练
2.3 基于PyTorch的深度学习框架简介
2.4 强化学习基础
2.5 监督学习、无监督学习与强化学习对比
2.6 基于神经网络的强化学习
2.7 经验平衡：Epsilon-Greedy
2.8 基于Q-Learning的神经网络：DQN
2.9 本章小结
第3章 早期自然语言处理与大模型基本网络架构
3.1 词嵌入与循环神经网络
3.2 长短期记忆网络与门控循环单元
3.3 Transformer与注意力机制
3.4 编码器-解码器架构
3.5 大模型家族：BERT与GPT简介
3.6 本章小结
第2部分 DeepSeek-R1的核心架构与训练技术
第4章 基于大规模强化学习的DeepSeek-R1-Zero
4.1 强化学习算法
4.2 DeepSeek-R1-Zero奖励模型
4.3 DeepSeek-R1-Zero训练模板
4.4 本章小结
第5章 基于冷启动强化学习的DeepSeek-R1
5.1 冷启动问题
5.2 面向推理的强化学习
5.3 拒绝抽样与监督微调
5.4 全场景强化学习
5.5 模型蒸馏：使小模型也具有优秀的推理能力
5.6 本章小结
第6章 DeepSeek-R1架构剖析
6.1 混合专家架构与Sigmoid路由机制
6.2 FP8、FP16及混合精度训练
6.3 DualPipe双管道处理算法与All-to-All跨节点通信机制
6.4 本章小结
第3部分 DeepSeek-R1的开发与实践
第7章 DeepSeek-R1核心训练技术详解
7.1 基于分布式训练的DeepSeek-R1训练架构
7.2 动态学习率调度器与缓存机制分析
7.3 无辅助损失的负载均衡策略与多令牌预测训练目标
7.4 本章小结
第8章 DeepSeek-R1开发基础
8.1 开发前的准备：API Keys的获取与RESTful API基本调用
8.2 DeepSeek-R1开发样例
8.3 本地部署DeepSeek-R1
8.4 本章小结
第9章 DeepSeek-R1开发进阶
9.1 使用DeepSeek-R1完成数学问题求解
9.2 使用DeepSeek-R1编写代码实现常见算法
9.3 本章小结
第4部分 DeepSeek-R1的高级应用与商业化落地
第10章 FIM补全、对话前缀续写及上下文缓存机制
10.1 对话补全与FIM补全
10.2 多轮对话与对话前缀续写
10.3 JSON文件输出与函数回调
10.4 上下文硬盘缓存
10.5 本章小结
第11章 后端业务代码辅助生成插件
11.1 自动化代码生成流程
11.2 API自动化文档生成
11.3 代码重构与性能优化建议生成
11.4 智能错误检测与自动修复
11.5 代码审计与安全检测
11.6 本章小结
第12章 DeepSeek-R1&V3的联合开发：基于云部署的智能推荐搜索系统
12.1 云端部署架构设计
12.2 智能搜索引擎开发
12.3 数据流与实时处理系统集成
12.4 智能广告投放与效果优化
12.5 本章小结
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
