講解細(xì)致： 全書(shū)內(nèi)容由淺入深，詳細(xì)介紹機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)和應(yīng)用方法。

突出應(yīng)用： 以任務(wù)為驅(qū)動(dòng)，帶讀者學(xué)習(xí)經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其工作原理。

資源豐富：配備了程序源碼、微課視頻等教學(xué)資源，方便讀者學(xué)習(xí)使用。

前 言

人工智能作為一種新時(shí)代的智能化技術(shù)，已經(jīng)成為推動(dòng)社會(huì)進(jìn)步和創(chuàng)造價(jià)值的重要力量。它旨在通過(guò)對(duì)問(wèn)題的抽象和數(shù)據(jù)建模，讓機(jī)器或計(jì)算機(jī)系統(tǒng)能夠模擬人類智能去解決一系列問(wèn)題，包括語(yǔ)言理解、自然語(yǔ)言處理、決策制定、視覺(jué)感知等。

機(jī)器學(xué)習(xí)是人工智能領(lǐng)域的重要分支，它利用統(tǒng)計(jì)學(xué)習(xí)算法來(lái)使計(jì)算機(jī)系統(tǒng)從經(jīng)驗(yàn)中學(xué)習(xí)，從而改進(jìn)其性能，是一種實(shí)現(xiàn)人工智能的有效途徑；而深度學(xué)習(xí)則是屬于機(jī)器學(xué)習(xí)的一類算法，它采用深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可以自動(dòng)地從數(shù)據(jù)中提取特征和模式，并對(duì)任務(wù)進(jìn)行端到端的訓(xùn)練和優(yōu)化，是一種特定的機(jī)器學(xué)習(xí)實(shí)現(xiàn)方法，尤其在語(yǔ)音和圖像識(shí)別方面具有突出的表現(xiàn)。因而，學(xué)習(xí)深度學(xué)習(xí)需要具備一定的機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)，同時(shí)本書(shū)采用PyTorch框架進(jìn)行應(yīng)用開(kāi)發(fā)，要求學(xué)習(xí)者應(yīng)具備一定的Python語(yǔ)言編程能力。

黨的二十大報(bào)告提出，推動(dòng)戰(zhàn)略性新興產(chǎn)業(yè)融合集群發(fā)展，構(gòu)建新一代信息技術(shù)、人工智能、生物技術(shù)、新能源、新材料、高端裝備、綠色環(huán)保等一批新的增長(zhǎng)引擎。因此，為了促進(jìn)人工智能技術(shù)的應(yīng)用推廣，本書(shū)以使學(xué)習(xí)者理解人工智能領(lǐng)域中深度學(xué)習(xí)算法的基本原理和運(yùn)用經(jīng)典深度學(xué)習(xí)算法來(lái)解決問(wèn)題為目標(biāo)，采用任務(wù)驅(qū)動(dòng)教學(xué)方式，詳細(xì)介紹各種神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，以及結(jié)合PyTorch框架解決實(shí)際問(wèn)題的過(guò)程。

在體例安排上，本書(shū)分為9個(gè)項(xiàng)目，先介紹人工智能技術(shù)的發(fā)展背景及深度學(xué)習(xí)相關(guān)基礎(chǔ)知識(shí)，以激發(fā)學(xué)習(xí)者的興趣；再介紹PyTorch開(kāi)發(fā)環(huán)境的搭建和基礎(chǔ)知識(shí)，為算法的實(shí)現(xiàn)與應(yīng)用奠定基礎(chǔ)；繼而依次介紹機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)、人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、生成對(duì)抗網(wǎng)絡(luò)的結(jié)構(gòu)和目標(biāo)檢測(cè)網(wǎng)絡(luò)的結(jié)構(gòu)，同時(shí)配合項(xiàng)目應(yīng)用環(huán)節(jié)，以達(dá)到理解應(yīng)用算法的學(xué)習(xí)目標(biāo)。

本書(shū)的內(nèi)容結(jié)構(gòu)如下。

項(xiàng)目1：介紹深度學(xué)習(xí)基礎(chǔ)知識(shí)，包括深度學(xué)習(xí)的發(fā)展歷程，人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系，機(jī)器學(xué)習(xí)算法的分類，深度學(xué)習(xí)的應(yīng)用情況，以及深度學(xué)習(xí)的常用框架。

項(xiàng)目 2：介紹PyTorch環(huán)境配置與基本應(yīng)用，包括PyTorch的核心功能和設(shè)計(jì)理念， PyTorch所需開(kāi)發(fā)環(huán)境的搭建和開(kāi)發(fā)工具的安裝，以及PyTorch基礎(chǔ)知識(shí)和應(yīng)用。

項(xiàng)目3：介紹機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)及其典型應(yīng)用，包括回歸和分類的概念，機(jī)器學(xué)習(xí)線性回歸、邏輯回歸和分類模型的工作原理，以及利用邏輯回歸模型如何實(shí)現(xiàn)二分類預(yù)測(cè)。

項(xiàng)目4：介紹神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識(shí)及其簡(jiǎn)單應(yīng)用，包括人工神經(jīng)元，單層和多層感知機(jī)，深度學(xué)習(xí)的工作流程，以及利用神經(jīng)網(wǎng)絡(luò)線性回歸模型實(shí)現(xiàn)房?jī)r(jià)預(yù)測(cè)。

項(xiàng)目5：介紹卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用，包括卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，欠擬合和過(guò)擬合，圖像增廣技術(shù)，以及利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像分類。

項(xiàng)目6：介紹循環(huán)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用，包括時(shí)序數(shù)據(jù)，循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，循環(huán)神經(jīng)網(wǎng)絡(luò)的建模，長(zhǎng)短期記憶網(wǎng)絡(luò)，以及利用LSTM模型實(shí)現(xiàn)股票價(jià)格預(yù)測(cè)。

項(xiàng)目7：介紹生成對(duì)抗網(wǎng)絡(luò)及DCGAN應(yīng)用，包括生成對(duì)抗網(wǎng)絡(luò)概述，生成對(duì)抗網(wǎng)絡(luò)的基本原理，經(jīng)典的生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)，隨機(jī)種子及其使用方法，以及利用DCGAN模型實(shí)現(xiàn)真假圖像識(shí)別。

項(xiàng)目8：介紹CycleGAN及其應(yīng)用，包括CycleGAN網(wǎng)絡(luò)結(jié)構(gòu)，圖像風(fēng)格遷移的工作原理，以及利用CycleGAN模型實(shí)現(xiàn)圖像風(fēng)格遷移。

項(xiàng)目9：介紹目標(biāo)檢測(cè)算法及其應(yīng)用，包括基于候選區(qū)域的目標(biāo)檢測(cè)算法，基于回歸的目標(biāo)檢測(cè)算法，目標(biāo)檢測(cè)的預(yù)測(cè)框，以及利用Mask R-CNN模型實(shí)現(xiàn)目標(biāo)檢測(cè)。

為方便讀者使用，本書(shū)免費(fèi)配置了PPT、微課視頻、案例源碼和習(xí)題答案等課程教學(xué)資源，讀者可通過(guò)掃描二維碼或登錄出版社官方網(wǎng)站獲取。

本書(shū)由王明超、蘆婭云任主編，宮靜娜、李新萍、李峪、熊軍任副主編，王明超負(fù)責(zé)編寫項(xiàng)目1、2、4，蘆婭云負(fù)責(zé)編寫項(xiàng)目3、5、6，宮靜娜、李新萍、李峪和熊軍分別負(fù)責(zé)編寫項(xiàng)目7、8和9。由于編者水平有限，書(shū)中不妥或錯(cuò)誤之處在所難免，懇請(qǐng)廣大讀者批評(píng)指正，一旦發(fā)現(xiàn)錯(cuò)誤，可及時(shí)與編者聯(lián)系，以便盡快更正，編者將不勝感激。

編 者

2024年2月

目 錄
前言

項(xiàng)目1 深度學(xué)習(xí)概述 1
【項(xiàng)目導(dǎo)讀】 1
【項(xiàng)目基礎(chǔ)知識(shí)】 1
1.1 了解深度學(xué)習(xí) 1
1.1.1 深度學(xué)習(xí)的概念 1
1.1.2 深度學(xué)習(xí)的發(fā)展歷程 1
1.1.3 人工智能、機(jī)器學(xué)習(xí)和深度
學(xué)習(xí)的關(guān)系 3
1.2 機(jī)器學(xué)習(xí)算法的分類 4
1.2.1 監(jiān)督學(xué)習(xí) 4
1.2.2 無(wú)監(jiān)督學(xué)習(xí) 4
1.2.3 半監(jiān)督學(xué)習(xí) 5
1.2.4 強(qiáng)化學(xué)習(xí) 5
1.3 深度學(xué)習(xí)的應(yīng)用情況 5
1.3.1 計(jì)算機(jī)視覺(jué)領(lǐng)域應(yīng)用情況 5
1.3.2 自然語(yǔ)言處理領(lǐng)域應(yīng)用情況 5
1.3.3 其他領(lǐng)域應(yīng)用情況 6
1.4 常用框架對(duì)比 6
1.4.1 TensorFlow 6
1.4.2 Caffe 6
1.4.3 PyTorch 7
項(xiàng)目小結(jié) 7
課后練習(xí) 7
項(xiàng)目2 PyTorch環(huán)境配置與基本應(yīng)用 8
【項(xiàng)目導(dǎo)讀】 8
【項(xiàng)目基礎(chǔ)知識(shí)】 8
2.1 Anaconda包管理器和環(huán)境管理器 8
2.2 PyTorch深度學(xué)習(xí)框架 9
2.3 Tensor對(duì)象及其運(yùn)算 10
2.3.1 初識(shí)Tensor 10
2.3.2 Tensor的創(chuàng)建 11
2.3.3 Tensor的基本操作 12
2.4 自動(dòng)求導(dǎo)機(jī)制 16
【項(xiàng)目實(shí)施】 16
任務(wù)2.1 搭建虛擬環(huán)境和安裝開(kāi)發(fā)工具 16
任務(wù)2.2 Tensor的應(yīng)用 26
任務(wù)2.3 Autograd的應(yīng)用 28
項(xiàng)目小結(jié) 29
課后練習(xí) 30
項(xiàng)目3 基于機(jī)器學(xué)習(xí)邏輯回歸
實(shí)現(xiàn)分類預(yù)測(cè) 31
【項(xiàng)目導(dǎo)讀】 31
【項(xiàng)目基礎(chǔ)知識(shí)】 31
3.1 回歸與分類 31
3.2 回歸分析 31
3.2.1 線性回歸 32
3.2.2 非線性回歸 33
3.3 分類 34
【項(xiàng)目實(shí)施】 35
任務(wù) 機(jī)器學(xué)習(xí)經(jīng)典算法邏輯回歸應(yīng)用 35
項(xiàng)目小結(jié) 43
課后練習(xí) 43
項(xiàng)目4 基于神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)房?jī)r(jià)預(yù)測(cè) 44
【項(xiàng)目導(dǎo)讀】 44
【項(xiàng)目基礎(chǔ)知識(shí)】 44
4.1 基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 44
4.1.1 人工神經(jīng)元 44
4.1.2 單層感知機(jī) 45
4.1.3 多層感知機(jī) 46
4.2 深度學(xué)習(xí)的工作流程 47
4.2.1 數(shù)據(jù)加載 47
4.2.2 數(shù)據(jù)預(yù)處理 50
4.2.3 構(gòu)建神經(jīng)網(wǎng)絡(luò) 53
4.2.4 訓(xùn)練配置 53
4.2.5 訓(xùn)練網(wǎng)絡(luò) 55
4.2.6 模型評(píng)估 55
4.2.7 模型保存與調(diào)用 57
【項(xiàng)目實(shí)施】 57
任務(wù)4.1 數(shù)據(jù)準(zhǔn)備 57
任務(wù)4.2 神經(jīng)網(wǎng)絡(luò)的搭建與訓(xùn)練配置 67
任務(wù)4.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練和模型評(píng)估 69
項(xiàng)目小結(jié) 71
課后練習(xí) 72
項(xiàng)目5 基于LetNet-5實(shí)現(xiàn)圖像分類 73
【項(xiàng)目導(dǎo)讀】 73
【項(xiàng)目基礎(chǔ)知識(shí)】 73
5.1 了解卷積神經(jīng)網(wǎng)絡(luò) 73
5.1.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 73
5.1.2 卷積操作工作原理 75
5.1.3 池化層工作原理 78
5.2 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 78
5.2.1 LetNet-5 78
5.2.2 AlexNet 79
5.2.3 VGGNet 80
5.2.4 GoogLeNet 81
5.2.5 ResNet 82
5.3 欠擬合和過(guò)擬合 83
5.3.1 欠擬合和過(guò)擬合的概念 83
5.3.2 欠擬合和過(guò)擬合的解決方法 84
5.4 圖像增廣 85
5.4.1 圖像增廣的意義 85
5.4.2 圖像增廣的實(shí)現(xiàn) 85
【項(xiàng)目實(shí)施】 88
任務(wù)5.1 數(shù)據(jù)準(zhǔn)備 88
任務(wù)5.2　卷積神經(jīng)網(wǎng)絡(luò)的搭建與訓(xùn)練
配置 92
任務(wù)5.3　卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練和模型驗(yàn)證 97
項(xiàng)目小結(jié) 103
課后練習(xí) 103
項(xiàng)目6 基于LSTM實(shí)現(xiàn)股票價(jià)格預(yù)測(cè) 104
【項(xiàng)目導(dǎo)讀】 104
【項(xiàng)目基礎(chǔ)知識(shí)】 104
6.1 循環(huán)神經(jīng)網(wǎng)絡(luò) 104
6.1.1 時(shí)序數(shù)據(jù) 105
6.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 106
6.1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的建模 106
6.2 長(zhǎng)短期記憶網(wǎng)絡(luò) 107
【項(xiàng)目實(shí)施】 110
任務(wù)6.1 數(shù)據(jù)準(zhǔn)備 110
任務(wù)6.2 LSTM網(wǎng)絡(luò)的搭建與訓(xùn)練配置 116
任務(wù)6.3 LSTM網(wǎng)絡(luò)訓(xùn)練與模型評(píng)估 119
項(xiàng)目小結(jié) 124
課后練習(xí) 124
項(xiàng)目7 基于DCGAN實(shí)現(xiàn)真假圖像識(shí)別 125
【項(xiàng)目導(dǎo)讀】 125
【項(xiàng)目基礎(chǔ)知識(shí)】 125
7.1 生成對(duì)抗網(wǎng)絡(luò) 125
7.1.1 生成對(duì)抗網(wǎng)絡(luò)概述 125
7.1.2 生成對(duì)抗網(wǎng)絡(luò)的基本原理 126
7.1.3 經(jīng)典的生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu) 126
7.2 隨機(jī)種子及其使用方法 128
7.2.1 隨機(jī)種子的意義 128
7.2.2 隨機(jī)種子的生成方法 129
7.2.3 CPU和GPU隨機(jī)種子的設(shè)置 129
【項(xiàng)目實(shí)施】 130
任務(wù)7.1 數(shù)據(jù)準(zhǔn)備 130
任務(wù)7.2 DCGAN網(wǎng)絡(luò)的搭建與訓(xùn)練
配置 132
任務(wù)7.3 DCGAN網(wǎng)絡(luò)訓(xùn)練與模型評(píng)估 138
項(xiàng)目小結(jié) 143
課后練習(xí) 143
項(xiàng)目8 基于CycleGAN實(shí)現(xiàn)圖像
風(fēng)格遷移 144
【項(xiàng)目導(dǎo)讀】 144
【項(xiàng)目基礎(chǔ)知識(shí)】 144
8.1 CycleGAN網(wǎng)絡(luò)結(jié)構(gòu) 144
8.2 圖像風(fēng)格遷移的工作原理 145
【項(xiàng)目實(shí)施】 147
任務(wù)8.1 數(shù)據(jù)準(zhǔn)備 147
任務(wù)8.2 CycleGAN網(wǎng)絡(luò)的搭建
與訓(xùn)練配置 150
任務(wù)8.3 CycleGAN網(wǎng)絡(luò)訓(xùn)練
與模型評(píng)估 158
項(xiàng)目小結(jié) 165
課后練習(xí) 165
項(xiàng)目9 基于Mask R-CNN實(shí)現(xiàn)目標(biāo)檢測(cè) 166
【項(xiàng)目導(dǎo)讀】 166
【項(xiàng)目基礎(chǔ)知識(shí)】 167
9.1 目標(biāo)檢測(cè)算法 167
9.1.1 認(rèn)識(shí)目標(biāo)檢測(cè) 167
9.1.2 基于候選區(qū)域的目標(biāo)檢測(cè)算法 167
9.1.3 基于回歸的目標(biāo)檢測(cè)算法 170
9.2 目標(biāo)檢測(cè)的預(yù)測(cè)框 171
【項(xiàng)目實(shí)施】 172
任務(wù)9.1 數(shù)據(jù)準(zhǔn)備 172
任務(wù)9.2 Mask R-CNN模型的搭建
與訓(xùn)練配置 182
任務(wù)9.3 Mask R-CNN網(wǎng)絡(luò)訓(xùn)練
與模型評(píng)估 185
任務(wù)9.4 Mask R-CNN模型測(cè)試 192
項(xiàng)目小結(jié) 195
課后練習(xí) 195
參考文獻(xiàn) 196

1. 嵌入式人工智能技術(shù)應(yīng)用（數(shù)字教材） [主編 胡娜 楊國(guó)勇 晏廷榮]
2. Java Web項(xiàng)目化設(shè)計(jì)實(shí)踐教程 [邱云 曾陳萍]
3. 民航客艙服務(wù)實(shí)用英語(yǔ)教程 [主編 田靜 徐亞玲]
4. Python數(shù)據(jù)分析 [主編　馮志輝　趙磊　李放]
5. 大學(xué)信息技術(shù) [曾翰穎 編著]
6. 創(chuàng)新創(chuàng)業(yè)訓(xùn)練實(shí)踐教程 [主編 王日華 陳武 黃喆誠(chéng)]
7. 實(shí)用運(yùn)籌學(xué) [主編　邢育紅　于晉臣]
8. 電子技術(shù)（第二版） [主編 覃愛(ài)娜 李飛]
9. 工程數(shù)學(xué) [主編 郭立娟 王海]
10. 語(yǔ)音識(shí)別理論與實(shí)踐 [主編　莫宏偉]
11. 武術(shù)基礎(chǔ)教程 [主編 李代勇 謝志民]
12. 計(jì)算機(jī)網(wǎng)絡(luò)實(shí)訓(xùn)教程 [主編 張浩軍 趙玉娟]
13. 電工電子技術(shù)基礎(chǔ) [主編 劉 軍 楊國(guó)龍 劉天成]
14. MySQL數(shù)據(jù)庫(kù)項(xiàng)目式教程 [陳亞峰]
15. 機(jī)械設(shè)計(jì)基礎(chǔ)（第二版） [主編 田亞平 李愛(ài)姣]
16. 畫(huà)法幾何與機(jī)械制圖 [主編 趙軍]
17. C語(yǔ)言程序設(shè)計(jì)習(xí)題與實(shí)驗(yàn)指導(dǎo)（第二版） [主編 甄增榮 張賓]
18. C語(yǔ)言程序設(shè)計(jì)（第二版） [主編 甄增榮 田云霞]
19. Unity3D虛擬現(xiàn)實(shí)應(yīng)用開(kāi)發(fā)實(shí)踐 [主 編 劉龍]
20. 智能化技術(shù)基礎(chǔ)（第三版） [鄧文達(dá)　李禮]
21. 面向?qū)ο蟪绦蛟O(shè)計(jì) [主編 張勇 張平華 趙小龍]
22. 網(wǎng)絡(luò)營(yíng)銷 [主編 夏薇薇 劉婷 尚潔]
23. Python機(jī)器學(xué)習(xí)技術(shù)與應(yīng)用 [主 編 王路漫 齊惠穎]
24. 電視節(jié)目策劃與制作（微課版） [主　編　黃滴滴]
25. 數(shù)據(jù)庫(kù)技術(shù)與應(yīng)用實(shí)踐教程（SQL Server 2019） [主 編 嚴(yán)暉 周肆清]
26. 深入機(jī)器學(xué)習(xí) []
27. 大學(xué)應(yīng)用數(shù)學(xué) [主編 郭立娟]
28. 軟件定義網(wǎng)絡(luò)技術(shù)與實(shí)踐 [主編　但唐仁]
29. 工業(yè)機(jī)器人拆裝與調(diào)試 [主編 胡月霞 向艷芳 朱奇]
30. 信號(hào)與系統(tǒng)（第二版） [主編 張宇]