2026年6月

1、封面介绍 2、出版时间2025年7月3、内容介绍《从零开始写大模型：从神经网络到Transformer》结合丰富的图示和程序示例，全面、系统地介绍大模型的基本原理，并通过一个极简大语言模型构建案例带领读者上手实践。本书学习门槛极低，即便零基础的读者，也能在本书的引领下比较轻松地掌握大模型的基本知识体系，并理解大模型的基本原理，从而为日后进[...]

1、封面介绍 2、出版时间2025年4月3、内容介绍《Transformer深度解析与NLP应用开发》系统解析Transformer的核心原理，从理论到实践，帮助读者全面掌握其在语言模型中的应用，并通过丰富案例剖析技术细节。《Transformer深度解析与NLP应用开发》共12章，内容涵盖Transformer模型的架构原理、自注意力机制及[...]

1、封面介绍 2、出版时间2026年4月3、内容介绍《Transformer技术纵深：架构解析与前沿突破》采用“源码剖析”与“论文精读”相结合的方式，系统拆解Transformer的核心技术。通过精读经典论文，逐层梳理其理论脉络与运行机制，帮助读者筑牢知识根基，带领读者对照主流框架的开源实现，逆向解析其设计意图，在实战复现中深化理解。这种从理[...]

1、从卷积到自注意力的范式革命Vision Transformer（ViT）的诞生标志着计算机视觉领域的一次重大范式转变。在2020年之前，卷积神经网络（CNN）几乎统治了所有视觉任务，从图像分类到目标检测，卷积操作凭借其平移不变性和局部感受野的特性，天然适合处理图像数据。然而，Google研究团队在论文《An Image is Worth 16x[...]

Transformer与CNN作为深度学习领域两大主流架构，各自代表了不同的建模哲学。CNN以卷积核为核心，通过局部感受野和权值共享机制，天然适合处理具有空间局部相关性的数据。其归纳偏置建立在三个基本假设之上：局部性、平移等变性和层次化组合。这种强先验使得CNN在小样本场景下具有极好的泛化能力，几十个样本就能学到有意义的特征提取器。但这也构成了CN[...]