講解細致： 全書內容由淺入深，詳細介紹機器學習的基礎知識和應用方法。

突出應用： 以任務為驅動，帶讀者學習經典的神經網絡結構及其工作原理。

資源豐富：配備了程序源碼、微課視頻等教學資源，方便讀者學習使用。

前 言

人工智能作為一種新時代的智能化技術，已經成為推動社會進步和創造價值的重要力量。它旨在通過對問題的抽象和數據建模，讓機器或計算機系統能夠模擬人類智能去解決一系列問題，包括語言理解、自然語言處理、決策制定、視覺感知等。

機器學習是人工智能領域的重要分支，它利用統計學習算法來使計算機系統從經驗中學習，從而改進其性能，是一種實現人工智能的有效途徑；而深度學習則是屬于機器學習的一類算法，它采用深度神經網絡結構，可以自動地從數據中提取特征和模式，并對任務進行端到端的訓練和優化，是一種特定的機器學習實現方法，尤其在語音和圖像識別方面具有突出的表現。因而，學習深度學習需要具備一定的機器學習基礎知識，同時本書采用PyTorch框架進行應用開發，要求學習者應具備一定的Python語言編程能力。

黨的二十大報告提出，推動戰略性新興產業融合集群發展，構建新一代信息技術、人工智能、生物技術、新能源、新材料、高端裝備、綠色環保等一批新的增長引擎。因此，為了促進人工智能技術的應用推廣，本書以使學習者理解人工智能領域中深度學習算法的基本原理和運用經典深度學習算法來解決問題為目標，采用任務驅動教學方式，詳細介紹各種神經網絡的結構，以及結合PyTorch框架解決實際問題的過程。

在體例安排上，本書分為9個項目，先介紹人工智能技術的發展背景及深度學習相關基礎知識，以激發學習者的興趣；再介紹PyTorch開發環境的搭建和基礎知識，為算法的實現與應用奠定基礎；繼而依次介紹機器學習基礎知識、人工神經網絡的結構、卷積神經網絡的結構、循環神經網絡的結構、生成對抗網絡的結構和目標檢測網絡的結構，同時配合項目應用環節，以達到理解應用算法的學習目標。

本書的內容結構如下。

項目1：介紹深度學習基礎知識，包括深度學習的發展歷程，人工智能、機器學習和深度學習的關系，機器學習算法的分類，深度學習的應用情況，以及深度學習的常用框架。

項目 2：介紹PyTorch環境配置與基本應用，包括PyTorch的核心功能和設計理念， PyTorch所需開發環境的搭建和開發工具的安裝，以及PyTorch基礎知識和應用。

項目3：介紹機器學習基礎知識及其典型應用，包括回歸和分類的概念，機器學習線性回歸、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現二分類預測。

項目4：介紹神經網絡基礎知識及其簡單應用，包括人工神經元，單層和多層感知機，深度學習的工作流程，以及利用神經網絡線性回歸模型實現房價預測。

項目5：介紹卷積神經網絡及其應用，包括卷積神經網絡的結構，經典的卷積神經網絡結構，欠擬合和過擬合，圖像增廣技術，以及利用卷積神經網絡實現圖像分類。

項目6：介紹循環神經網絡及其應用，包括時序數據，循環神經網絡的結構，循環神經網絡的建模，長短期記憶網絡，以及利用LSTM模型實現股票價格預測。

項目7：介紹生成對抗網絡及DCGAN應用，包括生成對抗網絡概述，生成對抗網絡的基本原理，經典的生成對抗網絡結構，隨機種子及其使用方法，以及利用DCGAN模型實現真假圖像識別。

項目8：介紹CycleGAN及其應用，包括CycleGAN網絡結構，圖像風格遷移的工作原理，以及利用CycleGAN模型實現圖像風格遷移。

項目9：介紹目標檢測算法及其應用，包括基于候選區域的目標檢測算法，基于回歸的目標檢測算法，目標檢測的預測框，以及利用Mask R-CNN模型實現目標檢測。

為方便讀者使用，本書免費配置了PPT、微課視頻、案例源碼和習題答案等課程教學資源，讀者可通過掃描二維碼或登錄出版社官方網站獲取。

本書由王明超、蘆婭云任主編，宮靜娜、李新萍、李峪、熊軍任副主編，王明超負責編寫項目1、2、4，蘆婭云負責編寫項目3、5、6，宮靜娜、李新萍、李峪和熊軍分別負責編寫項目7、8和9。由于編者水平有限，書中不妥或錯誤之處在所難免，懇請廣大讀者批評指正，一旦發現錯誤，可及時與編者聯系，以便盡快更正，編者將不勝感激。

編 者

2024年2月

目 錄
前言

項目1 深度學習概述 1
【項目導讀】 1
【項目基礎知識】 1
1.1 了解深度學習 1
1.1.1 深度學習的概念 1
1.1.2 深度學習的發展歷程 1
1.1.3 人工智能、機器學習和深度
學習的關系 3
1.2 機器學習算法的分類 4
1.2.1 監督學習 4
1.2.2 無監督學習 4
1.2.3 半監督學習 5
1.2.4 強化學習 5
1.3 深度學習的應用情況 5
1.3.1 計算機視覺領域應用情況 5
1.3.2 自然語言處理領域應用情況 5
1.3.3 其他領域應用情況 6
1.4 常用框架對比 6
1.4.1 TensorFlow 6
1.4.2 Caffe 6
1.4.3 PyTorch 7
項目小結 7
課后練習 7
項目2 PyTorch環境配置與基本應用 8
【項目導讀】 8
【項目基礎知識】 8
2.1 Anaconda包管理器和環境管理器 8
2.2 PyTorch深度學習框架 9
2.3 Tensor對象及其運算 10
2.3.1 初識Tensor 10
2.3.2 Tensor的創建 11
2.3.3 Tensor的基本操作 12
2.4 自動求導機制 16
【項目實施】 16
任務2.1 搭建虛擬環境和安裝開發工具 16
任務2.2 Tensor的應用 26
任務2.3 Autograd的應用 28
項目小結 29
課后練習 30
項目3 基于機器學習邏輯回歸
實現分類預測 31
【項目導讀】 31
【項目基礎知識】 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
【項目實施】 35
任務 機器學習經典算法邏輯回歸應用 35
項目小結 43
課后練習 43
項目4 基于神經網絡實現房價預測 44
【項目導讀】 44
【項目基礎知識】 44
4.1 基礎的神經網絡結構 44
4.1.1 人工神經元 44
4.1.2 單層感知機 45
4.1.3 多層感知機 46
4.2 深度學習的工作流程 47
4.2.1 數據加載 47
4.2.2 數據預處理 50
4.2.3 構建神經網絡 53
4.2.4 訓練配置 53
4.2.5 訓練網絡 55
4.2.6 模型評估 55
4.2.7 模型保存與調用 57
【項目實施】 57
任務4.1 數據準備 57
任務4.2 神經網絡的搭建與訓練配置 67
任務4.3 神經網絡訓練和模型評估 69
項目小結 71
課后練習 72
項目5 基于LetNet-5實現圖像分類 73
【項目導讀】 73
【項目基礎知識】 73
5.1 了解卷積神經網絡 73
5.1.1 卷積神經網絡的結構 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 經典卷積神經網絡結構 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 欠擬合和過擬合 83
5.3.1 欠擬合和過擬合的概念 83
5.3.2 欠擬合和過擬合的解決方法 84
5.4 圖像增廣 85
5.4.1 圖像增廣的意義 85
5.4.2 圖像增廣的實現 85
【項目實施】 88
任務5.1 數據準備 88
任務5.2　卷積神經網絡的搭建與訓練
配置 92
任務5.3　卷積神經網絡訓練和模型驗證 97
項目小結 103
課后練習 103
項目6 基于LSTM實現股票價格預測 104
【項目導讀】 104
【項目基礎知識】 104
6.1 循環神經網絡 104
6.1.1 時序數據 105
6.1.2 循環神經網絡的結構 106
6.1.3 循環神經網絡的建模 106
6.2 長短期記憶網絡 107
【項目實施】 110
任務6.1 數據準備 110
任務6.2 LSTM網絡的搭建與訓練配置 116
任務6.3 LSTM網絡訓練與模型評估 119
項目小結 124
課后練習 124
項目7 基于DCGAN實現真假圖像識別 125
【項目導讀】 125
【項目基礎知識】 125
7.1 生成對抗網絡 125
7.1.1 生成對抗網絡概述 125
7.1.2 生成對抗網絡的基本原理 126
7.1.3 經典的生成對抗網絡結構 126
7.2 隨機種子及其使用方法 128
7.2.1 隨機種子的意義 128
7.2.2 隨機種子的生成方法 129
7.2.3 CPU和GPU隨機種子的設置 129
【項目實施】 130
任務7.1 數據準備 130
任務7.2 DCGAN網絡的搭建與訓練
配置 132
任務7.3 DCGAN網絡訓練與模型評估 138
項目小結 143
課后練習 143
項目8 基于CycleGAN實現圖像
風格遷移 144
【項目導讀】 144
【項目基礎知識】 144
8.1 CycleGAN網絡結構 144
8.2 圖像風格遷移的工作原理 145
【項目實施】 147
任務8.1 數據準備 147
任務8.2 CycleGAN網絡的搭建
與訓練配置 150
任務8.3 CycleGAN網絡訓練
與模型評估 158
項目小結 165
課后練習 165
項目9 基于Mask R-CNN實現目標檢測 166
【項目導讀】 166
【項目基礎知識】 167
9.1 目標檢測算法 167
9.1.1 認識目標檢測 167
9.1.2 基于候選區域的目標檢測算法 167
9.1.3 基于回歸的目標檢測算法 170
9.2 目標檢測的預測框 171
【項目實施】 172
任務9.1 數據準備 172
任務9.2 Mask R-CNN模型的搭建
與訓練配置 182
任務9.3 Mask R-CNN網絡訓練
與模型評估 185
任務9.4 Mask R-CNN模型測試 192
項目小結 195
課后練習 195
參考文獻 196

1. Java Web項目化設計實踐教程 [邱云 曾陳萍]
2. 民航客艙服務實用英語教程 [主編 田靜 徐亞玲]
3. Python數據分析 [主編　馮志輝　趙磊　李放]
4. 大學信息技術 [曾翰穎 編著]
5. 創新創業訓練實踐教程 [主編 王日華 陳武 黃喆誠]
6. 實用運籌學 [主編　邢育紅　于晉臣]
7. 電子技術（第二版） [主編 覃愛娜 李飛]
8. 工程數學 [主編 郭立娟 王海]
9. 語音識別理論與實踐 [主編　莫宏偉]
10. 武術基礎教程 [主編 李代勇 謝志民]
11. 計算機網絡實訓教程 [主編 張浩軍 趙玉娟]
12. 電工電子技術基礎 [主編 劉 軍 楊國龍 劉天成]
13. MySQL數據庫項目式教程 [陳亞峰]
14. 機械設計基礎（第二版） [主編 田亞平 李愛姣]
15. 畫法幾何與機械制圖 [主編 趙軍]
16. C語言程序設計習題與實驗指導（第二版） [主編 甄增榮 張賓]
17. C語言程序設計（第二版） [主編 甄增榮 田云霞]
18. Unity3D虛擬現實應用開發實踐 [主 編 劉龍]
19. 智能化技術基礎（第三版） [鄧文達　李禮]
20. 面向對象程序設計 [主編 張勇 張平華 趙小龍]
21. 網絡營銷 [主編 夏薇薇 劉婷 尚潔]
22. Python機器學習技術與應用 [主 編 王路漫 齊惠穎]
23. 電視節目策劃與制作（微課版） [主　編　黃滴滴]
24. 數據庫技術與應用實踐教程（SQL Server 2019） [主 編 嚴暉 周肆清]
25. 深入機器學習 []
26. 大學應用數學 [主編 郭立娟]
27. 軟件定義網絡技術與實踐 [主編　但唐仁]
28. 工業機器人拆裝與調試 [主編 胡月霞 向艷芳 朱奇]
29. 信號與系統（第二版） [主編 張宇]
30. 信息技術基礎 [主編 唐倩 邵銳]