123,123

本書內(nèi)容涵蓋深度學習的基礎(chǔ)理論及前沿技術(shù)，內(nèi)容循序漸進，旨在逐步提升學習者對深度學習技術(shù)的理解和應(yīng)用能力。本書共10章，主要內(nèi)容包括緒論、深度學習基礎(chǔ)理論及實踐、卷積神經(jīng)網(wǎng)絡(luò)理論及實踐、基于CNN的目標檢測算法及實踐、基于CNN的圖像分割算法及實踐、循環(huán)神經(jīng)網(wǎng)絡(luò)理論及實踐、注意力機制與Transformer、生成式網(wǎng)絡(luò)及實踐、強化學習理論及實踐、大模型技術(shù)及實踐等。本書緊密結(jié)合產(chǎn)教融合與科教融匯的理念，將機械、醫(yī)工、自動駕駛等領(lǐng)域的產(chǎn)業(yè)級工程項目和科研成果轉(zhuǎn)化為教學實踐項目，確保理論知識與實際應(yīng)用的無縫對接。本書可作為工科類專業(yè)研究生的教材，也可作為工科類專業(yè)高年級本科生的教材，還可作為有志于掌握深度學習知識的學習者的參考讀物。本書配有項目代碼講解視頻、部分習題參考答案，讀者可掃描書中的二維碼進行觀看；本書提供了部分教學案例和實踐項目的源代碼，讀者可打開書中所附鏈接運行或掃描內(nèi)封上的二維碼進行下載。本書還配有PPT課件、教學大綱等，免費贈送給采用本書作為教材的教師（可登錄www.cmpedu.com注冊下載）。首次使用二維碼的方法請見封底有關(guān)說明。

隨著人工智能技術(shù)的迅猛發(fā)展，深度學習已成為其核心推動力，深入滲透至各行各業(yè)，極大地促進了新質(zhì)生產(chǎn)力的發(fā)展。從圖像識別、語音識別到自然語言處理，深度學習技術(shù)正逐步賦予機器“理解”與“思考”的能力，為科技和社會的進步注入了新的活力。本書采用理論與實踐相結(jié)合的教學方法，全面、系統(tǒng)地闡述了深度學習的基本原理、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)、強化學習經(jīng)典模型以及豐富的實踐案例。同時，本書緊跟深度學習領(lǐng)域的新研究動態(tài)，介紹了大模型、注意力機制、生成式網(wǎng)絡(luò)等前沿技術(shù)，旨在幫助讀者把握深度學習的新發(fā)展趨勢。本書的特色與優(yōu)勢主要體現(xiàn)在以下幾個方面。1）全面性與前瞻性：本書內(nèi)容覆蓋了深度學習系統(tǒng)且全面的內(nèi)容，從基礎(chǔ)理論到經(jīng)典模型，再到實踐應(yīng)用，同時緊跟行業(yè)前沿，引入了新的研究成果，為讀者提供了一個既全面又具有前瞻性的學習體系。2）理論與實踐的深度融合：本書不僅注重理論知識的傳授，更通過大量的實踐項目，引導(dǎo)讀者將所學理論應(yīng)用于實際項目中，從而深化對知識的理解和應(yīng)用。3）項目驅(qū)動式學習：本書以項目為導(dǎo)向，每個章節(jié)都配備了多個實踐項目，這些項目旨在幫助讀者將理論知識轉(zhuǎn)化為解決實際問題的能力，提升學習的實用性和針對性。期望讀者通過對本書的學習，能夠快速掌握深度學習技術(shù)，并在實際項目中靈活運用，為未來的科研和職業(yè)發(fā)展打下堅實的基礎(chǔ)。本書由北京航空航天大學徐國艷擔任主編，王章宇、周帆擔任副主編，參加編寫的還有白浩杰、王愛增、趙雁雨、苑海濤。本書的編寫得到了北京航空航天大學研究生蔡捍、王闖、張佳瑩、劉星澤、劉明達、魏軒的幫助和支持，謹在此向他們表示深切的謝意。編者在編寫過程中參閱了大量教材、文件、網(wǎng)站資料及有關(guān)參考文獻，特別是一些論述和例文，部分參考書目附于文末以供參詳，但由于篇幅有限，還有一些參考書目未能一一列出，在此謹向相關(guān)作者表示謝忱和歉意。由于編者水平有限，書中不足之處在所難免，誠望廣大讀者不吝賜教，提出寶貴意見。編者

前言第1章緒論111人工智能技術(shù)及其發(fā)展112深度學習的特點及進展313深度學習的框架與平臺7131國外深度學習框架與平臺7132國內(nèi)深度學習框架與平臺8習題9第2章深度學習基礎(chǔ)理論及實踐1121神經(jīng)網(wǎng)絡(luò)簡介11211神經(jīng)網(wǎng)絡(luò)基本概念11212單層感知機11213多層感知機1422深度學習數(shù)學理論15221信號前向傳播16222激活函數(shù)17223損失函數(shù)19224參數(shù)優(yōu)化方法20225誤差反向傳播22226計算圖2823全連接神經(jīng)網(wǎng)絡(luò)實踐項目30231基于MLP的車牌識別32232基于MLP的機械零件分類識別34233基于MLP的自動駕駛數(shù)據(jù)集分類識別35234基于MLP加速生物醫(yī)學成像中的圖像重建35習題36第3章卷積神經(jīng)網(wǎng)絡(luò)理論及實踐3831卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)38311卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)與特點38312卷積層41313池化層4432典型的卷積神經(jīng)網(wǎng)絡(luò)模型46321LeNet46322AlexNet47323VGGNet49324GoogLeNet51325ResNet5533卷積神經(jīng)網(wǎng)絡(luò)實踐項目57331基于CNN的斑馬線檢測57332基于多個典型CNN的眼疾數(shù)據(jù)集分類識別58333基于飛槳高層API的交通圖像分類識別58334基于殘差網(wǎng)絡(luò)的自動駕駛數(shù)據(jù)集分類識別59335基于殘差網(wǎng)絡(luò)的機械零件分類59習題60第4章基于CNN的目標檢測算法及實踐6141目標檢測概述61411目標檢測的基本介紹61412目標檢測算法的發(fā)展62413數(shù)據(jù)格式與評估指標6442兩階段目標檢測算法66421RCNN66422SPPNet和Fast RCNN68423Faster RCNN70424進階的兩階段目標檢測算法7243單階段目標檢測算法73431YOLO系列73432SSD80433RetinaNet8244Anchor Free目標檢測算法83441CornerNet83442FCOS和CenterNet8545目標檢測實踐項目86451基于PaddleHub預(yù)訓練模型的車輛目標檢測86452基于YOLOv3的自動駕駛數(shù)據(jù)集目標檢測87453基于YOLOv5的機械零件數(shù)據(jù)集目標檢測88習題89第5章基于CNN的圖像分割算法及實踐9151圖像分割概述91511圖像分割的分類91512圖像分割算法的發(fā)展91513數(shù)據(jù)格式與評估指標9452全卷積神經(jīng)網(wǎng)絡(luò)95521上采樣方法96522特征融合98523FCN總結(jié)9953UNet/SegNet99531UNet99532SegNet10054DeepLab系列101541DeepLab V1/V2102542DeepLab V3/V3+10555圖像分割實踐項目109551基于PaddleHub預(yù)訓練模型的人像分割109552基于DeepLab V3+的自動駕駛數(shù)據(jù)集圖像分割110553基于PaddleX的醫(yī)學影像視盤分割110554基于DeepLab V3+的機械零件數(shù)據(jù)集圖像分割112習題112第6章循環(huán)神經(jīng)網(wǎng)絡(luò)理論及實踐11461自然語言處理及其相關(guān)技術(shù)114611自然語言處理的發(fā)展歷程114612詞向量技術(shù)11562循環(huán)神經(jīng)網(wǎng)絡(luò)11763長短期記憶網(wǎng)絡(luò)和門控循環(huán)單元118631長短期記憶網(wǎng)絡(luò)118632門控循環(huán)單元12164深度循環(huán)神經(jīng)網(wǎng)絡(luò)122641堆疊循環(huán)神經(jīng)網(wǎng)絡(luò)123642深度雙向循環(huán)神經(jīng)網(wǎng)絡(luò)12365序列到序列模型12566循環(huán)神經(jīng)網(wǎng)絡(luò)實踐項目127661使用Gensim庫進行詞向量生成127662基于LSTM的文本情感分析128663基于循環(huán)神經(jīng)網(wǎng)絡(luò)（GRU/LSTM）的車輛軌跡預(yù)測128習題129第7章注意力機制與Transformer13171從RNN到Transformer的演進131711循環(huán)架構(gòu)的鏈式衰減問題131712時序依賴與并行計算的博弈132713編碼器解碼器架構(gòu)的演進132714Transformer的里程碑意義13472注意力機制基礎(chǔ)134721注意力機制的核心思想134722傳統(tǒng)注意力機制135723自注意力機制13673Transformer模型架構(gòu)137731Transformer整體架構(gòu)概述137732編碼器138733解碼器141734位置編碼142735Transformer的輸入和輸出14374Transformer模型訓練14475Vision Transformer模型145751Vision Transformer簡介145752Vision Transformer的整體結(jié)構(gòu)14676實踐項目149761Transformer注意力機制及其擴展技術(shù)實現(xiàn)149762基于Transformer的文本情感分析149763基于ViT的車輛圖片分類149764基于ViT的醫(yī)學數(shù)字病理圖像制片缺陷分類150習題152第8章生成式網(wǎng)絡(luò)及實踐15481生成式網(wǎng)絡(luò)概述15482變分自編碼器15583生成對抗網(wǎng)絡(luò)155831生成對抗網(wǎng)絡(luò)機理155832生成對抗網(wǎng)絡(luò)變體架構(gòu)15984生成擴散模型16285基于Transformer的生成模型16386生成式網(wǎng)絡(luò)實踐項目164861基于生成式網(wǎng)絡(luò)的手寫數(shù)字圖片生成164862基于生成式網(wǎng)絡(luò)的城市駕駛場景數(shù)據(jù)生成164863基于變分自編碼器的圖像生成166864基于擴散模型的車輛圖像生成167習題167第9章強化學習理論及實踐16991強化學習概述169911強化學習簡介169912強化學習分類17092強化學習基礎(chǔ)理論171921馬爾可夫決策過程171922強化學習算法原理17293表格型強化學習方法174931Qlearning174932SARSA17694值函數(shù)強化學習方法178941DQN178942DDQN180943DRQN18195策略梯度強化學習方法182951策略梯度計算182952演員評論家算法183953近端策略優(yōu)化算法185954深度確定性策略梯度算法188955雙延遲深度確定性策略梯度算法189956SAC19196強化學習實踐項目194961基于Qlearning的智能體配送路徑規(guī)劃194962基于DQN的智能體配送路徑規(guī)劃194963基于PPO小車爬坡195習題196第10章大模型技術(shù)及實踐198101大模型技術(shù)概述1981011大模型的定義和分類1981012大模型技術(shù)研究進展概述2001013大模型發(fā)展中的倫理考量202102大模型生成技術(shù)原理2031021自回歸生成機制2031022檢索增強生成2041023知識處理技術(shù)206103大模型部署優(yōu)化技術(shù)2071031模型壓縮2071032稀疏架構(gòu)2081033部署框架209104大模型提示詞工程211105大模型訓練213106MCP模型上下文協(xié)議215107大模型智能體2181071LLM Agent定義與能力2181072LLM Agent的類型與能力劃分2181073智能體系統(tǒng)的構(gòu)建流程與運行機制2181074典型智能體框架與工具生態(tài)219108大模型實踐項目2201081大模型調(diào)用基礎(chǔ)——文本與圖像的生成方法2201082文心大模型ERNIE45VL多模態(tài)應(yīng)用實踐2211083文心大模型ERNIE45監(jiān)督微調(diào)文本生成實踐2211084基于計算機視覺和大語言模型的智能停車場管理系統(tǒng)2211085基于DeepSeek檢索增強的智能問答系統(tǒng)2221086基于LangChain自動駕駛決策智能體構(gòu)建2231087基于大視覺語言模型的汽車駕駛場景描述226習題234參考文獻236

你還可能感興趣

我要評論