强调实际生产中深度学习技术的应用过程。
提供8个综合实践应用案例。
配套提供电子课件、实验和案例讲解视频、教学大纲、习题答案、模拟试题、程序代码、数据集。

本书分3个部分，分别为深度学习理论基础、深度学习实验和深度学习案例。这3个部分层层递进，介绍了机器学习的基础知识与常用方法，包括机器学习基本操作的原理和在深度学习框架下的实践步骤。第1部分通过7章来介绍深度学习的基础知识，包括深度学习在不同领域的应用，不同深度学习框架的对比，以及机器学习、神经网络等方面的内容。第2部分包括常用深度学习框架的基础讲解，以及计算机视觉、自然语言处理、强化学习和可视化技术领域的一些实验讲解。第3部分提供了8个案例，介绍深度学习在图像分类、目标检测、目标识别、图像分割、风格迁移、自然语言处理等方面的应用。本书将理论与实践紧密结合，能为读者提供有益的学习指导。
本书适合高等院校计算机科学和软件工程等相关专业的学生、深度学习初学者和机器学习算法分析从业人员阅读。

前言
第1部分深度学习理论基础
第1章深度学习简介
11计算机视觉
111定义
112基本任务
113传统方法
114仿生学与深度学习
115现代深度学习
116卷积神经网络
12自然语言处理
121自然语言处理的基本问题
122传统方法与神经网络方法的比较
123发展趋势
13强化学习
131什么是强化学习
132强化学习算法简介
133强化学习的应用
14本章小结
习题
第2章深度学习框架
21PyTorch
211什么是PyTorch
212PyTorch的特点
213PyTorch应用概述
22TensorFlow
221什么是TensorFlow
222数据流图
223TensorFlow的特点
224TensorFlow应用概述
23PaddlePaddle
231什么是PaddlePaddle
232PaddlePaddle的特点
233PaddlePaddle应用概述
24三者的比较
25本章小结
习题
第3章机器学习基础知识
31机器学习概述
311关键术语
312机器学习的分类
313机器学习的模型构造过程
32监督学习
321线性回归
322逻辑斯谛回归
323最小近邻法
324线性判别分析法
325朴素贝叶斯分类器
326决策树分类算法
327支持向量机分类算法
33无监督学习
331划分式聚类方法
332层次化聚类方法
333基于密度的聚类方法
34强化学习
341强化学习、监督学习和无监督学习
342强化学习问题描述
343强化学习问题分类
35神经网络和深度学习
351感知器模型
352前馈神经网络
353卷积神经网络
354其他类型结构的神经网络
36本章小结
习题
第4章回归模型
41线性回归模型
42Logistic回归模型
43用PyTorch实现Logistic回归
431数据准备
432线性方程
433激活函数
434损失函数
435优化算法
436模型可视化
44本章小结
习题
第5章神经网络基础
51基础概念
52感知器
521单层感知器
522多层感知器
53BP神经网络
531梯度下降
532反向传播
54Dropout正则化
55批标准化
551批标准化的实现方式
552批标准化的使用方法
56本章小结
习题
第6章卷积神经网络(CNN)与计算机视觉
61卷积神经网络的基本思想
62卷积操作
63池化层
64卷积神经网络
65经典网络结构
651VGG网络
652InceptionNet
653ResNet
654GAN
655Diffusion模型
66用PyTorch进行手写数字识别
67本章小结
习题
第7章神经网络与自然语言处理
71语言建模
72基于多层感知机的架构
73基于循环神经网络的架构
731循环单元
732通过时间反向传播
733带有门限的循环单元
734循环神经网络语言模型
735神经机器翻译
74基于卷积神经网络的架构
75基于Transformer的架构
751多头注意力
752非参位置编码
753编码器单元与解码器单元
76表示学习与预训练技术
761词向量
762加入上下文信息的特征表示
763网络预训练
77本章小结
习题
第2部分深度学习实验
第8章操作实践
81PyTorch操作实践
811PyTorch安装
812Tensor 对象及其运算
813Tensor 的索引和切片
814Tensor的变换、拼接和拆分
815PyTorch的Reduction操作
816PyTorch的自动微分
82TensorFlow操作实践
821TensorFlow安装
822Tensor 对象及其运算
823Tensor 的索引和切片
824Tensor 的变换、拼接和拆分
825TensorFlow的Reduction操作
826TensorFlow 的自动微分
83PaddlePaddle操作实践
831PaddlePaddle安装
832Tensor 的创建和初始化
833Tensor的常见基础操作
834自动微分
84本章小结
第9章人工智能热门研究领域实验
91计算机视觉
911一个通用的图像分类模型
912两阶段目标检测和语义分割
913人物图像处理
914调用远程服务
915动漫图像生成
92自然语言处理
921垃圾邮件分类
922词嵌入技术
923文本生成与多轮对话
924语音识别
93强化学习：一个会玩平衡摆的智能体
94可视化技术
941使用TensorBoard可视化训练过程
942卷积核可视化
943注意力机制可视化
95本章小结
第3部分深度学习案例
第10章案例：花卉图片分类
101环境与数据准备
1011环境安装
1012数据集简介
1013数据集下载与处理
102模型创建、训练和测试
1021模型创建与训练
1022测试与结果
103本章小结
第11章案例：人脸关键点检测
111数据准备
1111人脸裁剪与缩放
1112数据归一化处理
1113整体代码
112模型搭建与训练
1121特征图生成
1122模型搭建
1123模型训练
113模型评价
114本章小结
第12章案例：街景门牌字符识别
121背景介绍
122算法介绍
1221YOLOv4
1222算法流程
123模型优化
1231数据增强
1232模型融合
124结果展示
125本章小结
第13章案例：对抗攻击
131对抗攻击简介
1311对抗攻击的分类和主要难点
1312快速梯度符号法的基本原理
1313对抗贴图攻击
132基于PyTorch的对抗攻击实现
1321环境配置
1322数据集和目标模型
1323运行目标检测器SSD
1324在指定位置生成对抗贴图
1325解决梯度回传问题
133本章小结
第14章案例：车牌识别
141车牌识别简介
1411车牌识别应用及发展史
1412基于深度学习的车牌识别技术
142基于 PaddleOCR 的车牌识别实现
1421PaddleOCR简介与环境准备
1422CCPD 数据集介绍
1423数据集准备与预处理
1424模型选择与训练
143本章小结
第15章案例：小度熊图片的实例分割
151实例分割应用场景
152基于PaddleX的实例分割实现
1521PaddleX简介与环境准备
1522数据集介绍
1523模型介绍与训练
1524模型评估与预测
153本章小结
第16章案例：照片风格迁移
161数据集介绍
162模型介绍与构建
1621CycleGAN简介
1622模型结构
163模型实现
164细节分析
1641标准化（Normalization）
1642PatchGAN
1643损失函数（Loss Function）
1644ReplayBuffer
165结果展示
166可视化验证
167本章小结
第17章案例：IMDb评论情感判断
171数据的读取和预处理
1711数据读取
1712数据预处理
1713数据存储
172模型训练
1721模型和数据集加载
1722优化器和参数设置
1723模型训练过程
173结果检验
174本章小结
第18章基于Transformer的片段抽取式机器阅读理解
181模型介绍
1811Transformer
1812Self-Attention Layer
1813Layer Normalization
1814BERT
1815RoBERTa
182数据集和评估指标
183本章小结
第19章基于Stable Diffusion的图像生成
191Stable Diffusion技术基础
1911什么是Stable Diffusion
1912Stable Diffusion模型组成
1913Stable Diffusion Web UI界面
1914Diffusers库
192文本生成图像
1921环境准备
1922基于Diffusers的代码实现
1923文生图实现原理
193本章小结
附录深度学习的数学基础
附录A线性代数
附录B概率论
参考文献