学大模型最痛苦的事是什么？
要么是短视频碎片化知识点，越看越混乱，Transformer、自注意力、KV 缓存听过无数遍，一深究就卡壳；要么是动辄五六百页的厚重教材，公式堆砌、篇幅冗长，上班族、零基础学生根本抽不出完整时间啃完，翻开前两章就劝退。
今天给想搞懂大模型原理的开发者，分享一本超高效率学习好书，加拿大知名 AI 专家安德烈・布可夫（Andriy Burkov）的新作《百页大模型原理》（The Hundred-Page Language Models Book: hands-on with PyTorch）中文版，作者是机器学习和自然语言处理领域公认专家，拥有人工智能博士学位，是一名十分活跃的技术分享者，影响了全球数百万机器学习从业者和研究人员。全书仅 156 页，本书是大模型核心原理入门手册，Transformer 架构 PyTorch 实战，机器学习从业者快速上手参考指南。
百页大模型原理
这是一部条理清晰的佳作，帮我厘清了机器学习实际运行机制的诸多概念。书中的实例分析和代码应用为我提供了坚实的探索起点。即使您不打算从事机器学习相关职业，也能通过本书理解这些独特新工具的真正潜力。——“互联网之父” 温顿·瑟夫（Vint Cerf）
【权威作者阵容，行业大牛作序】本书由加拿大知名 AI 专家安德烈・布可夫撰写，word2vec、FastText 核心发明者 Tomáš Mikolov 亲自作序推荐，内容专业度经过行业权威认证，参考价值突出。
【内容凝练易懂，降低入门门槛】百页篇幅摒弃冗余信息，将复杂大模型技术化繁为简，从基础概念到核心原理循序渐进展开讲解，无需啃厚重技术专著，零基础也能轻松搭建大模型知识体系。
【理论实操结合，可落地性强】每个知识点采用 “原理讲解 + 可运行代码” 形式呈现，配套完整 PyTorch 代码示例，从数据处理到模型调试步骤清晰，读者边学边练就能快速掌握大模型实现方法。
【知识体系科学，兼顾基础与前沿】内容覆盖统计语言模型、循环神经网络、Transformer 架构等核心内容，还延伸讲解混合专家模型、模型压缩等前沿技术，帮读者搭建完整的大模型知识框架。
本书围绕大模型展开，共分为6章。首先介绍机器学习基础，包括人工智能、模型、神经网络等概念；接着阐述语言建模基础，涵盖统计语言模型及其评估技术；随后聚焦循环神经网络，讲解其实现与训练过程；继而深入解析Transformer架构，涉及自注意力机制等关键组件；然后探讨与大模型相关的议题，如微调预训练模型、减少幻觉现象等；最后总结全书并延伸介绍混合专家模型、模型压缩等前沿拓展内容。全书语言精练，配有实操代码示例。
本书适合软件开发者、数据科学家、机器学习工程师，以及对大模型感兴趣、具备一定编程经验（最好熟悉Python语言）和大学数学基础，希望理解大模型的数学基础、探究其运作原理、自行实现核心组件或学习高效运用大模型的方法的读者阅读。
全书结构
为帮助读者建立系统性认知并增加阅读深度，本书以大模型为核心框架，涵盖当今文献中常被忽视的传统方法。尽管目前基于Transformer的大模型已经占据主导地位，但统计、循环神经网络等传统方法对特定的任务仍然有效。
对初学者而言，从零开始理解Transformer架构的数学原理可能令人望而却步。为此，本书通过重新审视这些传统方法，希望能逐步建立读者的直觉认知与数学理解，使知识体系更新到如今Transformer架构的过程水到渠成，而非令人望而生畏的大跨越。
全书共分6章，内容由浅入深逐步展开：
第1章涵盖了机器学习的基础知识，包括人工智能、模型、神经网络和梯度下降等关键概念。即使读者很熟悉这些内容，为便于后续理解大模型，本章仍会提供核心内容以供参考。
第2章介绍了语言建模的基本原理，探讨了文本的表示方法，如词袋模型、词嵌入，以及统计语言模型和评估技术。
第3章聚焦于循环神经网络，详解其实现方式、训练过程和在语言模型中的应用。
第4章深入解析Transformer架构，包括自注意力机制、位置编码等关键组件和工程实现方法。
第5章探讨大模型，详述规模效应的重要性、微调技术、实际应用场景，以及幻觉、版权与伦理等关键议题。
第6章总结全书，并延伸至混合专家模型、模型压缩、偏好对齐、视觉大模型等进阶方向，为后续学习提供路径指引。
本书目标读者
本书献给那些与我一样，痴迷于挑战机器语言理解难题的人。大模型从本质上来说只是数学函数，但仅从理论上进行研究，是无法充分认识到它们真正潜力的。我们需要上手实操，才能感受到大模型的威力，见识到它们的能力如何随着规模的扩大而不断提升。这就是我决定将本书设计为实操型图书的原因。
本书适合软件开发者、数据科学家、机器学习工程师及任何对大模型感兴趣的读者。无论读者的目标是将现有模型集成到应用程序中，还是训练自己的模型，都能在本书中找到理论基础和实践指导。
样章试读：
作者的另一本书：《机器学习精讲》
本书用简短的篇幅、精炼的语言，讲授机器学习领域必备的知识和技能。
全书共11章和一个术语表，依次介绍了机器学习的基本概念、符号和定义、算法、基本实践方法、神经网络和深度学习、问题与解决方案、进阶操作、非监督学习以及其他学习方式等，涵盖了监督学习和非监督学习、支持向量机、神经网络、集成学习、梯度下降、聚类分析、维度降低、自编码器、迁移学习、强化学习、特征工程、超参数调试等众多核心概念和方法。全书最后给出了一个较为详尽的术语表。 本书能够帮助读者了解机器学习是如何工作的，为进一步理解该领域的复杂问题和进行深入研究打好基础。本书适合想要学习和掌握机器学习的软件从业人员、想要运用机器学习技术的数据科学家阅读，也适合想要了解机器学习的一般读者参考。
