本书共9章，内容包括深度学习基础、深度学习框架PyTorch的安装、PyTorch基础、线性回归和逻辑回归、全连接神经网络、卷积神经网络、循环神经网络、生成式对抗网络及大模型浅析。本书首先从深度学习的基础知识入手，引领读者动手搭建深度学习框架PyTorch，然后在PyTorch框架下实现深度学习中常用的网络模型。通过本书，读者可对深度学习有一个清晰的认识。 本书中的程序均可在Windows系统中运行，不受是否具备GPU的限制。本书提供思政版电子教案、电子课件、大量习题及答案、实验及源代码、书中用到的数据集、实验指导书和部分课程的教学视频，读者可登录“华信教育资源网”免费下载。 本书可作为高等学校人工智能相关专业本科生、研究生的教材，也适合广大对深度学习有兴趣的读者自学使用。

吴微，工学博士，教授，硕士生导师。主讲《Linux操作系统》等3门课程，曾获得沈阳大学教学名师、沈阳大学我最喜爱的教师等荣誉称号。2013年、2015年分别获沈阳大学青年教师教学基本功竞赛二等奖。2022年、2023年获得辽宁省高校教师教学创新大赛二等奖、三等奖。2024年获得辽宁省普通高等学校本科教学名师。2020年指导学生获得中国大学生程序设计大赛二等奖，2021年获得辽宁省互联网+大赛银奖。主编、参编教材12部。

目 录
第1章 深度学习基础 1
1.1 人工智能、机器学习与深度学习 1
1.1.1 人工智能简介 1
1.1.2 机器学习简介 2
1.1.3 深度学习简介 3
1.2 深度学习的三大核心要素 4
1.3 神经元与深度神经网络 6
1.4 神经网络中常用的激励函数 8
1.5 深度学习的优势 12
1.6 常用的深度学习框架 13
本章小结 14
课程思政 14
习题 16
第2章 深度学习框架PyTorch的安装 18
2.1 PyTorch介绍 18
2.2 Windows系统中PyTorch的配置 19
2.2.1 安装Python 19
2.2.2 CPU支持下的PyTorch环境简单搭建 20
2.2.3 GPU支持下的PyTorch环境的搭建 22
2.2.4 下载、安装、配置Anaconda 26
2.2.5 创建和使用虚拟环境 29
2.2.6 安装、设置 PyCharm 31
2.3 Linux系统中的PyTorch配置 36
2.3.1 安装虚拟机 36
2.3.2 Python环境配置 37
2.3.3 PyTorch环境搭建 38
本章小结 38
课程思政 39
习题 39
实验 40
第3章 PyTorch基础 41
3.1 Tensor的定义 41
3.2 Tensor的创建 42
3.3 Tensor的形状调整 44
3.4 Tensor的简单运算 45
3.5 Tensor的比较 46
3.6 Tensor的数理统计 47
3.7 Tensor与NumPy的互相转换 48
3.8 Tensor的降维和增维 49
3.9 Tensor的裁剪 51
3.10 Tensor的索引 51
3.11 把Tensor移到GPU上 53
本章小结 54
课程思政 54
习题 54
实验 55
第4章 线性回归和逻辑回归 59
4.1 回归 59
4.2 线性回归 60
4.3 一元线性回归的代码实现 62
4.4 梯度及梯度下降法 66
4.4.1 梯度 66
4.4.2 梯度下降法 66
4.5 多元线性回归的代码实现 67
4.6 逻辑回归概述 69
4.6.1 逻辑回归 69
4.6.2 逻辑回归中的损失函数 70
4.6.3 逻辑回归的代码实现 70
本章小结 73
课程思政 73
习题 73
实验 74
第5章 全连接神经网络 76
5.1 全连接神经网络概述 76
5.2 多分类问题 76
5.3 Softmax()函数与交叉熵 78
5.4 反向传播算法 80
5.4.1 链式求导法则 80
5.4.2 反向传播算法实例 80
5.4.3 Sigmoid()函数实例 81
5.5 计算机视觉工具包torchvision 82
5.6 全连接神经网络实现多分类 84
5.6.1 定义全连接神经网络 84
5.6.2 全连接神经网络识别MNIST手写数字 85
本章小结 88
课程思政 88
习题 89
实验 91
第6章 卷积神经网络 92
6.1 前馈神经网络 92
6.2 卷积神经网络的原理 93
6.2.1 卷积层 95
6.2.2 池化层 97
6.3 卷积神经网络的代码实现 99
6.4 LeNet-5模型 102
6.4.1 LeNet-5模型的架构 102
6.4.2 CIFAR 10数据集 104
6.4.3 LeNet-5模型的代码实现 104
6.5 VGGNet模型 108
6.5.1 VGGNet模型简介 108
6.5.2 VGGNet模型的代码实现 109
6.6 ResNet模型 114
6.6.1 ResNet模型简介 114
6.6.2 ResNet模型残差学习单元的代码实现 115
本章小结 116
课程思政 116
习题 117
实验 118
第7章 循环神经网络 122
7.1 循环神经网络概述 122
7.2 循环神经网络的原理 123
7.3 长短时记忆神经网络 125
7.3.1 长短时记忆神经网络的原理 125
7.3.2 长短时记忆神经网络实例1 128
7.3.3 长短时记忆神经网络实例2 132
本章小结 138
课程思政 138
习题 139
实验 140
第8章 生成式对抗网络 141
8.1 生成式对抗网络概述 141
8.1.1 生成式对抗网络的原理 141
8.1.2 生成式对抗网络的代码实现 145
8.2 条件生成式对抗网络 155
8.3 最小二乘生成式对抗网络 156
本章小结 157
课程思政 157
习题 157
实验 158
第9章 大模型浅析 159
9.1 大模型的定义与特征 159
9.2 大模型的核心原理 160
9.3 大模型的工作流程 163
9.4 大模型的能力评估 165
9.5 大模型与AIGC：开启内容创作新时代 167
9.6 大模型的应用案例 169
9.7 发展挑战与未来展望 171
本章小结 172
课程思政 172
习题 173
实验 174
附录A 部分习题与实验参考答案 175
A.1 第1章习题与实验参考答案 175
A.2 第2章习题与实验参考答案 177
A.2.1 习题参考答案 177
A.2.2 实验参考答案 178
A.3 第3章习题与实验参考答案 178
A.3.1 习题参考答案 178
A.3.2 实验参考答案 178
A.4 第4章习题与实验参考答案 188
A.4.1 习题参考答案 188
A.4.2 实验参考答案 188
A.5 第5章习题与实验参考答案 195
A.5.1 习题参考答案 195
A.5.2 实验参考答案 196
A.6 第6章习题与实验参考答案 198
A.6.1 习题参考答案 198
A.6.2 实验参考答案 199
A.7 第7章习题与实验参考答案 211
A.7.1 习题参考答案 211
A.7.2 实验参考答案 212
A.8 第8章习题与实验参考答案 214
A.8.1 习题参考答案 214
A.8.2 实验参考答案 215
A.9 第9章习题与实验参考答案 227
A.9.1 习题参考答案 227
A.9.2 实验参考答案 228
参考文献 229