《深度学习扩展之道：软硬件与数据协同构建可扩展大模型系统》

内容简介

《深度学习扩展之道：软硬件与数据协同构建可扩展大模型系统》是一本聚焦大模型规模化落地的深度学习工程实战指南，由澳籍学者苏妮塔・马尔撰写，精准破解当下大模型扩展中算力浪费、数据低效、软硬件适配脱节的行业痛点，填补了大模型系统工程领域的知识空白。

全书共 13 章，内容层层递进，分为基础、进阶、实战三大模块，跳出单纯的算法理论讲解，聚焦软硬件与数据协同的核心逻辑，搭建起大模型可扩展系统的完整知识框架。书籍开篇梳理深度学习核心基础，详解计算图、数据流、硬件架构等底层原理，搭配 Python、PyTorch 实操案例，帮助读者夯实模型开发与性能优化基础。

《深度学习扩展之道：软硬件与数据协同构建可扩展大模型系统》书中重点拆解分布式训练核心技术，系统讲解数据并行、模型并行、流水线并行等主流扩展方案，剖析多设备通信、算力调度、内存优化等关键工程问题。同时，聚焦大模型数据闭环，完整覆盖数据采集、清洗、增强、质量评估与合规治理全流程，阐明数据质量对模型规模化迭代的决定性作用。

区别于传统单一维度的 AI 书籍，本书核心亮点是打通算法、硬件、数据的壁垒，讲解如何通过三者协同适配，解决大模型训练算力不足、推理效率低、扩展成本高等难题。全书理论结合工程实战，案例详实、逻辑清晰，适合 AI 工程师、算法研发人员、人工智能研究者阅读，是入门大模型系统搭建、掌握规模化深度学习技术的优质工具书。

作者简介

👤 [澳] 苏妮塔・马尔（Suneeta Mall）

应用科学博士，计算机工程背景，现任 harrison.ai 人工智能工程部负责人，专注医疗领域大规模 AI 系统落地建设。曾任职 IBM、Expedia、悉尼大学、Nearmap 等机构，拥有丰富的分布式计算、大规模机器学习工程实战经验。

她是 O’Reilly 出版社签约技术作家，本书英文原版《Deep Learning at Scale》为其代表作，聚焦软硬件与数据协同的大模型工程实践，同时长期在技术社区输出机器学习工程、MLOps 相关博文与行业分享。曾获 Women in AI 2025 年度奖项，既深耕工业级大模型系统研发，也投身 AI 科普，还创作有儿童 STEM 系列读物，兼顾技术实践与知识传播Suneeta Ma…。擅长解决模型从原型到生产落地过程中的算力调度、分布式训练、数据质量治理等现实工程难题，对大模型规模化扩展有着一线实操洞察。