深度学习及应用徐国艳新形态教材新工科一流本科_徐国艳_9787111789864

本书内容涵盖深度学习的基础理论及前沿技术，内容循序渐进，旨在逐步提升学习者对深度学习技术的理解和应用能力。本书共10章，主要内容包括绪论、深度学习基础理论及实践、卷积神经网络理论及实践、基于CNN的目标检测算法及实践、基于CNN的图像分割算法及实践、循环神经网络理论及实践、注意力机制与Transformer、生成式网络及实践、强化学习理论及实践、大模型技术及实践等。本书紧密结合产教融合与科教融汇的理念，将机械、医工、自动驾驶等领域的产业级工程项目和科研成果转化为教学实践项目，确保理论知识与实际应用的无缝对接。本书可作为工科类专业研究生的教材，也可作为工科类专业高年级本科生的教材，还可作为有志于掌握深度学习知识的学习者的参考读物。本书配有项目代码讲解视频、部分习题参考答案，读者可扫描书中的二维码进行观看；本书提供了部分教学案例和实践项目的源代码，读者可打开书中所附链接运行或扫描内封上的二维码进行下载。本书还配有PPT课件、教学大纲等，免费赠送给采用本书作为教材的教师（可登录www.cmpedu.com注册下载）。首次使用二维码的方法请见封底有关说明。

随着人工智能技术的迅猛发展，深度学习已成为其核心推动力，深入渗透至各行各业，极大地促进了新质生产力的发展。从图像识别、语音识别到自然语言处理，深度学习技术正逐步赋予机器“理解”与“思考”的能力，为科技和社会的进步注入了新的活力。本书采用理论与实践相结合的教学方法，全面、系统地阐述了深度学习的基本原理、卷积神经网络和循环神经网络、强化学习经典模型以及丰富的实践案例。同时，本书紧跟深度学习领域的新研究动态，介绍了大模型、注意力机制、生成式网络等前沿技术，旨在帮助读者把握深度学习的新发展趋势。本书的特色与优势主要体现在以下几个方面。1）全面性与前瞻性：本书内容覆盖了深度学习系统且全面的内容，从基础理论到经典模型，再到实践应用，同时紧跟行业前沿，引入了新的研究成果，为读者提供了一个既全面又具有前瞻性的学习体系。2）理论与实践的深度融合：本书不仅注重理论知识的传授，更通过大量的实践项目，引导读者将所学理论应用于实际项目中，从而深化对知识的理解和应用。3）项目驱动式学习：本书以项目为导向，每个章节都配备了多个实践项目，这些项目旨在帮助读者将理论知识转化为解决实际问题的能力，提升学习的实用性和针对性。期望读者通过对本书的学习，能够快速掌握深度学习技术，并在实际项目中灵活运用，为未来的科研和职业发展打下坚实的基础。本书由北京航空航天大学徐国艳担任主编，王章宇、周帆担任副主编，参加编写的还有白浩杰、王爱增、赵雁雨、苑海涛。本书的编写得到了北京航空航天大学研究生蔡捍、王闯、张佳莹、刘星泽、刘明达、魏轩的帮助和支持，谨在此向他们表示深切的谢意。编者在编写过程中参阅了大量教材、文件、网站资料及有关参考文献，特别是一些论述和例文，部分参考书目附于文末以供参详，但由于篇幅有限，还有一些参考书目未能一一列出，在此谨向相关作者表示谢忱和歉意。由于编者水平有限，书中不足之处在所难免，诚望广大读者不吝赐教，提出宝贵意见。编者

前言第1章绪论111人工智能技术及其发展112深度学习的特点及进展313深度学习的框架与平台7131国外深度学习框架与平台7132国内深度学习框架与平台8习题9第2章深度学习基础理论及实践1121神经网络简介11211神经网络基本概念11212单层感知机11213多层感知机1422深度学习数学理论15221信号前向传播16222激活函数17223损失函数19224参数优化方法20225误差反向传播22226计算图2823全连接神经网络实践项目30231基于MLP的车牌识别32232基于MLP的机械零件分类识别34233基于MLP的自动驾驶数据集分类识别35234基于MLP加速生物医学成像中的图像重建35习题36第3章卷积神经网络理论及实践3831卷积神经网络理论基础38311卷积神经网络的基本结构与特点38312卷积层41313池化层4432典型的卷积神经网络模型46321LeNet46322AlexNet47323VGGNet49324GoogLeNet51325ResNet5533卷积神经网络实践项目57331基于CNN的斑马线检测57332基于多个典型CNN的眼疾数据集分类识别58333基于飞桨高层API的交通图像分类识别58334基于残差网络的自动驾驶数据集分类识别59335基于残差网络的机械零件分类59习题60第4章基于CNN的目标检测算法及实践6141目标检测概述61411目标检测的基本介绍61412目标检测算法的发展62413数据格式与评估指标6442两阶段目标检测算法66421RCNN66422SPPNet和Fast RCNN68423Faster RCNN70424进阶的两阶段目标检测算法7243单阶段目标检测算法73431YOLO系列73432SSD80433RetinaNet8244Anchor Free目标检测算法83441CornerNet83442FCOS和CenterNet8545目标检测实践项目86451基于PaddleHub预训练模型的车辆目标检测86452基于YOLOv3的自动驾驶数据集目标检测87453基于YOLOv5的机械零件数据集目标检测88习题89第5章基于CNN的图像分割算法及实践9151图像分割概述91511图像分割的分类91512图像分割算法的发展91513数据格式与评估指标9452全卷积神经网络95521上采样方法96522特征融合98523FCN总结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图像分割实践项目109551基于PaddleHub预训练模型的人像分割109552基于DeepLab V3+的自动驾驶数据集图像分割110553基于PaddleX的医学影像视盘分割110554基于DeepLab V3+的机械零件数据集图像分割112习题112第6章循环神经网络理论及实践11461自然语言处理及其相关技术114611自然语言处理的发展历程114612词向量技术11562循环神经网络11763长短期记忆网络和门控循环单元118631长短期记忆网络118632门控循环单元12164深度循环神经网络122641堆叠循环神经网络123642深度双向循环神经网络12365序列到序列模型12566循环神经网络实践项目127661使用Gensim库进行词向量生成127662基于LSTM的文本情感分析128663基于循环神经网络（GRU/LSTM）的车辆轨迹预测128习题129第7章注意力机制与Transformer13171从RNN到Transformer的演进131711循环架构的链式衰减问题131712时序依赖与并行计算的博弈132713编码器解码器架构的演进132714Transformer的里程碑意义13472注意力机制基础134721注意力机制的核心思想134722传统注意力机制135723自注意力机制13673Transformer模型架构137731Transformer整体架构概述137732编码器138733解码器141734位置编码142735Transformer的输入和输出14374Transformer模型训练14475Vision Transformer模型145751Vision Transformer简介145752Vision Transformer的整体结构14676实践项目149761Transformer注意力机制及其扩展技术实现149762基于Transformer的文本情感分析149763基于ViT的车辆图片分类149764基于ViT的医学数字病理图像制片缺陷分类150习题152第8章生成式网络及实践15481生成式网络概述15482变分自编码器15583生成对抗网络155831生成对抗网络机理155832生成对抗网络变体架构15984生成扩散模型16285基于Transformer的生成模型16386生成式网络实践项目164861基于生成式网络的手写数字图片生成164862基于生成式网络的城市驾驶场景数据生成164863基于变分自编码器的图像生成166864基于扩散模型的车辆图像生成167习题167第9章强化学习理论及实践16991强化学习概述169911强化学习简介169912强化学习分类17092强化学习基础理论171921马尔可夫决策过程171922强化学习算法原理17293表格型强化学习方法174931Qlearning174932SARSA17694值函数强化学习方法178941DQN178942DDQN180943DRQN18195策略梯度强化学习方法182951策略梯度计算182952演员评论家算法183953近端策略优化算法185954深度确定性策略梯度算法188955双延迟深度确定性策略梯度算法189956SAC19196强化学习实践项目194961基于Qlearning的智能体配送路径规划194962基于DQN的智能体配送路径规划194963基于PPO小车爬坡195习题196第10章大模型技术及实践198101大模型技术概述1981011大模型的定义和分类1981012大模型技术研究进展概述2001013大模型发展中的伦理考量202102大模型生成技术原理2031021自回归生成机制2031022检索增强生成2041023知识处理技术206103大模型部署优化技术2071031模型压缩2071032稀疏架构2081033部署框架209104大模型提示词工程211105大模型训练213106MCP模型上下文协议215107大模型智能体2181071LLM Agent定义与能力2181072LLM Agent的类型与能力划分2181073智能体系统的构建流程与运行机制2181074典型智能体框架与工具生态219108大模型实践项目2201081大模型调用基础——文本与图像的生成方法2201082文心大模型ERNIE45VL多模态应用实践2211083文心大模型ERNIE45监督微调文本生成实践2211084基于计算机视觉和大语言模型的智能停车场管理系统2211085基于DeepSeek检索增强的智能问答系统2221086基于LangChain自动驾驶决策智能体构建2231087基于大视觉语言模型的汽车驾驶场景描述226习题234参考文献236

你还可能感兴趣

我要评论