AI訓練師手冊2：DeepSeek＋模型訓練＋商業應用實操

谷建陽，人工智能工程師、算法工程師，AI訓練師，湖南大學計算機專業畢業，在AI深度學習、深層算法、機器學習等方面擁有深厚的理論基礎，能夠全面掌握各種算法和模型的特性，擅長使用TensorFlow、PyTorch等主流深度學習框架進行模型訓練，並能夠根據客戶需求靈活選擇合適的工具和庫進行 化開發。在清華社出版《AI人工智能：發展簡史+技術案例+商業應用》加印13次，在我社出版《AI訓練師手冊：算法與模型訓練從入門到精通》一書，目前首印4000冊，加印3000冊。

賈一琦，本科畢業於加拿大特倫特大學計算機信息系統專業，碩士畢業於北京理工大學軟件工程專業。致力於研究職業教育、校園信息化建設、繼續教育、 交流合作等相關課題。《高職院校 交流與合作現狀研究》課題獲河北省人力資源和社會保障廳三等獎，《大數據時代職業技能人才培養模式路徑研究》課題獲河北省人力資源和社會保障廳一等獎。工作單位：河北軌道運輸職業技術學院。

CONTENTS
第1篇  AI基礎
第1章  AI入門：認識人工智能模型訓練
1．1 基礎入門：了解人工智能與模型訓練
1．1．1  為什麼要學人工智能
1．1．2  人工智能是如何發展起來的
1．1．3  人工智能的核心邏輯是什麼
1．1．4  什麼是模型，模型是怎麼訓練的
1．1．5  什麼是模型量化與模型蒸餾
1．2 AI大模型：工作邏輯解析
1．2．1  了解GPT模型的工作原理
1．2．2  GPT為什麼能夠獲得成功
1．2．3  AI強化學習解決大模型推理問題
1．2．4  RAG檢索技術解決大模型幻覺問題
1．2．5  神經網絡是AI模型訓練的核心技術
1．2．6  Transformer催生出一切AI大模型
1．3 DeepSeek：探究其特性與應用
1．3．1  DeepSeek為什麼爆火
1．3．2  DeepSeek的6種使用途徑
1．3．3  DeepSeek的邏輯推理能力
1．3．4  DeepSeek的聯網搜索能力
1．3．5  DeepSeek的商業應用案例
本章小結
課後實訓
第2章  模型部署：在本地使用DeepSeek
2．1 模型安裝：DeepSeek本地部署
2．1．1  部署前的準備工作
2．1．2  安裝Python依賴項
2．1．3  下載與安裝Ollama
2．1．4  下載DeepSeek模型
2．1．5  試運行DeepSeek模型
2．1．6  配置Cherry Studio前端界面
2．2 插件部署：DeepSeek擴展應用
2．2．1  安裝Page Assist插件
2．2．2  配置Page Assist插件
2．2．3  測試DeepSeek模型
本章小結
課後實訓
第3章  數據獲取：構建AI模型的知識庫
3．1 數據與模型：看懂AI訓練中的核心關聯
3．1．1  通俗解讀模型訓練中的數據集
3．1．2  獲取公開數據集的常用途徑
3．1．3  生成高質量的模型微調數據集
3．2 搭建知識庫：構建大模型的訓練數據集
3．2．1  下載並安裝AnythingLLM
3．2．2  配置AnythingLLM
3．2．3  上傳私有的訓練數據集
本章小結
課後實訓
第4章  數據標註：引導模型學習提升性能
4．1 數據標註：大模型的“智能基因編輯師”
4．1．1  數據標註的概念與技術原理
4．1．2  數據標註在大模型中的作用
4．2 MakeSense：圖像數據標註實戰指南
4．2．1  選擇打標任務類型
4．2．2  創建和添加自定義標簽
4．2．3  給圖像數據打標
4．2．4  修改標註項目的名稱
4．2．5  導出打標數據文件
本章小結
課後實訓
第5章  模型微調：讓AI訓練效果達到預期
5．1 微調的本質：讓模型“聽懂”領域語言
5．1．1  揭開模型微調的神秘面紗
5．1．2  微調與長文本、知識庫、預訓練的區別
5．1．3  模型微調的工具和基本流程
5．2 OpenAl Platform：GPT模型微調技巧
5．2．1  模型是否真的需要微調
5．2．2  訓練數據準備規範
5．2．3  登錄OpenAl Platform平臺
5．2．4  創建微調模型並上傳訓練數據
5．2．5  模型微調的超參數配置策略
本章小結
課後實訓
第2篇  模型訓練
第6章  語言模型訓練：高效賦能各業務場景
6．1 使用Page Assist訓練DeepSeek
6．1．1  配置文本嵌入模型
6．1．2  創建知識庫
6．1．3  添加提示詞
6．1．4  測試模型效果
6．2 使用Cherry Studio訓練DeepSeek
6．2．1  添加嵌入模型
6．2．2  創建知識庫
6．2．3  添加文件並進行向量化處理
6．2．4  搜索知識庫
6．2．5  引用知識庫生成回覆
本章小結
課後實訓
第7章  繪畫模型訓練：創意生成與視覺設計
7．1 使用SD-Trainer訓練LoRA模型
7．1．1  LoRA模型簡介
7．1．2  安裝SD-Trainer訓練器
7．1．3  準備與整理訓練數據集
7．1．4  使用WD標簽器標註數據
7．1．5  設置底模文件和數據集路徑
7．2 使用Stable Diffusion測試模型效果
7．2．1  部署訓練好的LoRA模型
7．2．2  使用LoRA模型實現文生圖
本章小結
課後實訓
第8章  語音模型訓練：智能聲音克隆與處理
8．1 使用weights訓練語音模型
8．1．1  認識與登錄weights平臺
8．1．2  設置模型的詳細信息
8．1．3  上傳音頻數據集並訓練模型
8．2 使用AI模型克隆聲音制作音樂MV
8．2．1  克隆聲音唱歌
8．2．2  剪輯音頻與視頻素材
8．2．3  智能識別歌詞
本章小結
課後實訓
第3篇  商業應用
第9章  政務與教育：AI賦能治理與教學創新實踐
9．1 政務與教育領域的AI模型訓練要點
9．1．1  數據隱私防護
9．1．2  多模態融合
9．1．3  數據動態脫敏
9．2 政務領域的AI模型訓練商業應用場景
9．2．1  公共服務優化
9．2．2  政務決策支持
9．2．3  城市治理升級
9．3 教育領域的AI模型訓練商業應用場景
9．3．1  個性化學習支持
9．3．2  教學效能提升
9．3．3  教育硬件賦能
本章小結
課後實訓
第10章  交通與智駕：構建安全高效出行解決方案
10．1 交通與智駕領域的AI模型訓練要點
10．1．1  數據安全與合規
10．1．2  模型魯棒性強化
10．1．3  實時性保障方案
10．2 交通領域的AI模型訓練商業應用場景
10．2．1  智能交通管理
10．2．2  智慧出行服務
10．2．3  主動安全防控
10．3 智駕領域的AI模型訓練商業應用場景
10．3．1  感知系統升級
10．3．2  決策規劃突破
10．3．3  仿真測試革新
本章小結
課後實訓
第11章  醫療與法律：重塑精準診療與服務流程
11．1 醫療與法律領域的AI模型訓練要點
11．1．1  數據安全與隱私保護
11．1．2  持續學習機制
11．1．3  邊緣部署優化
11．2 醫療領域的AI模型訓練商業應用場景
11．2．1  臨床診療升級
11．2．2  健康管理創新
11．2．3  醫院管理優化
11．3 法律領域的AI模型訓練商業應用場景
11．3．1  法律文本智能處理
11．3．2  法律研究賦能
11．3．3  企業合規管理
本章小結
課後實訓
第12章  金融與農業：驅動智能決策與產業升級
12．1 金融與農業領域的AI模型訓練要點
12．1．1  數據治理
12．1．2  模型部署與監控
12．1．3  可解釋性突破
12．2 金融領域的AI模型訓練商業應用場景
12．2．1  投資決策智能化
12．2．2  風險管控升級
12．2．3  運營效能提升
12．3 農業領域的AI模型訓練商業應用場景
12．3．1  智能經營管理
12．3．2  資源利用優化
12．3．3  供應鏈創新
本章小結
課後實訓