"本书是一部系统阐述自然语言处理与大语言模型原理、方法及应用的教材。全书共分为8 章： 第1 章绪论，介绍自然语言处理的发展历程、研究内容与基本方法，梳理了从规则方法、机器学习 方法到深度学习与大模型时代的技术演进；第2 章数学基础，系统讲解了自然语言处理所需的数学 工具，包括概率论、线性代数与信息论基础；第3 章神经网络基础，介绍神经元结构、前馈与卷积 网络、循环网络及注意力机制；第4 章语言模型，深入探讨统计语言模型、词向量模型以及神经网 络语言模型；第5 章大语言模型基础，系统分析大模型的宏观与微观发展、典型架构、训练流程与 优化方法，并介绍提示工程与指令微调等关键技术；第6 章大语言模型进阶，进一步讲解强化学习、 思维链推理、大模型智能体、分布式训练与模型评估体系；第7 章多模态大模型，扩展至跨模态理 解与生成，涵盖视觉、文本等多源信息的融合与建模方法；第8 章现代自然语言处理基础任务，结 合前沿模型介绍词性标注、命名实体识别、句法分析、语义分析、信息检索、智能问答与机器翻译 等典型任务及实现方法。 本书内容体系化、覆盖面广，既注重理论讲解，又结合大量实例与模型演进分析，适合作为高 等院校人工智能、计算机科学与技术等专业的教材或研究生课程参考书，也可作为自然语言处理、 大模型研发及人工智能应用领域从业者的自学与进阶用书。 "

前言 当前，人工智能已成为引领新一轮科技革命与产业变革的战略性技术，深刻改变着人 类的生产和生活方式。作为人工智能领域的核心技术，深度学习凭借其出色的表征学习能 力，在计算机视觉、自然语言处理、智能决策等多个方向取得突破性进展，并广泛应用于工 业、医疗、金融、教育等行业。近年来，备受关注的大模型、生成式人工智能、具身智能等 研究方向，也都离不开深度学习技术的支撑。在此背景下，国内众多高校的人工智能及相 关专业（如自动化、计算机、电子等）均已面向高年级本科生和研究生开设深度学习课程。 本书基于作者在清华大学讲授“模式识别与机器学习”本科生课程的多年教学实践，以 及长期在深度学习领域的一线科研经验，立足国内高校人工智能及相关专业教学的实际需 求，系统梳理了深度学习的知识体系，从多层感知机等经典神经网络入手，逐步深入剖析 深度卷积网络、循环神经网络、Transformer 等核心模型与算法，同时介绍了自监督学习、 生成式模型、高效计算方法等前沿与面向实践的内容。由于深度学习仍处于快速发展阶段， 涵盖范围广泛，本书适当省略了一些较为专用或理论过深的内容，而聚焦于最具代表性的 神经网络模型与算法，以帮助初学者迅速把握其核心知识与体系框架。本书特别注重厘清 深度学习的发展脉络，阐明各类模型与算法提出的背景及其演进关系，这对读者系统认识 该领域并逐步形成创新能力具有重要意义。同时，深度学习也是一门高度重视实践的学科。 为此，本书基于常用的PyTorch 深度学习框架，提供了典型的实践指导与代码示例，以帮 助读者将理论学习与动手实操相结合。 通过学习本书，学...