本書是一本由淺入深地介紹深度學習的理論原理及PyTorch深度學習框架的入門書籍，全書通過圖文并茂的方式對重點知識進行講解，注重實踐，詳細地介紹了PyTorch的基本使用、神經網絡的構建和訓練技巧、卷積神經網絡和循環神經網絡的實現，以及前沿的深度生成模型的應用。通過學習本書，讀者不僅可以了解深度學習，而且可以輕松實現機器作詩、自動樂曲生成、機器翻譯、圖像去噪等有趣的應用。全書配有注釋詳細的代碼，方便讀者學習與實踐。本書適用于對人工智能感興趣的讀者，也適合作為深度學習領域的入門教材。
周 靜，北京大學光華管理學院博士，中國人民大學統計學院副教授、博士生導師，中國人民大學應用統計科學研究中心研究員，研究方向為社交網絡數據建模、人工智能在肺癌診療中的應用等。在Journal of Business & Economic Statistics，Statistic Sinica，Computational Statistics & Data Analysis，Neurocomputing，《管理科學》及《營銷科學學報》等國內外權威期刊發表論文20余篇，著有《社交網絡數據：理論與實踐》和《深度學習：從入門到精通》，參與編寫《數據思維：從數據分析到商業價值》《數據思維實踐：從零經驗到數據英才》等。主持完成多項國家自然科學基金項目、北京市社會科學基金項目、國家統計局重點項目。
魯 偉，深度學習算法工程師，著有《深度學習筆記》和《機器學習：公式推導與代碼實現》，有多個醫學影像深度學習項目的管理、研發和落地經驗。
第1章 導 論
1.1 人工智能
1.1.1 人工智能的發展歷史
1.1.2 人工智能的流派
1.2 機器學習
1.3 深度學習
1.3.1 深度學習的概念
1.3.2 深度學習與機器學習、人工智能的關系
1.3.3 深度學習的歷史溯源
1.3.4 深度學習與回歸分析
1.4 深度學習適用的領域
1.4.1 圖像識別
1.4.2 語音識別
1.4.3 自然語言處理
1.4.4 棋牌競技
1.5 常用的深度學習框架
1.5.1 Caffe
1.5.2 TensorFlow
1.5.3 PyTorch
1.5.4 MXNet
1.5.5 Keras
1.6 本書使用的數據和代碼說明
第2章 神經網絡的張量與數學基礎
2.1 張 量
2.1.1 張量的定義
2.1.2 張量的數據類型
2.1.3 張量的創建方式
2.1.4 應用：圖像數據轉張量
2.2 張量的操作
2.2.1 獲取和改變張量形狀
2.2.2 提取張量中的元素
2.2.3 張量的拼接與拆分
2.3 張量的運算
2.3.1 基本運算
2.3.2 統計相關運算
2.3.3 矩陣運算
2.4 深度學習的導數基礎
2.4.1 單變量函數和導數
2.4.2 多變量函數和偏導數
2.4.3 復合函數和鏈式求導法則
2.5 梯度下降算法的含義與公式
2.6 本章小結
第3章 前饋神經網絡
3.1 前饋神經網絡的基本結構和常見激活函數
3.1.1 神經元
3.1.2 Sigmoid函數
3.1.3 Tanh函數
3.1.4 ReLU函數
3.1.5 前饋神經網絡的構成
3.2 損失函數的設置
3.3 梯度下降算法
3.3.1 梯度下降算法的直觀理解與定義
3.3.2 小批量梯度下降算法
3.3.3 動量梯度下降算法
3.3.4 Nesterov梯度加速算法
3.3.5 自適應梯度算法
3.3.6 AdaDelta算法
3.3.7 均方根加速算法
3.3.8 自適應矩估計算法
3.4 反向傳播算法
3.4.1 單個神經元的反向傳播算法示例
3.4.2 兩層神經網絡的反向傳播算法示例
3.5 過擬合
3.5.1 偏差-方差分解
3.5.2 正則化
3.5.3 權重衰減
3.5.4 丟棄法
3.6 本章小結
第4章 神經網絡的PyTorch實現
4.1 線性回歸案例：顏值打分
4.1.1 線性回歸基礎
4.1.2 案例：顏值打分
4.2 邏輯回歸案例：性別識別
4.2.1 邏輯回歸基礎
4.2.2 案例：性別識別
4.3 softmax回歸案例：Fashion-MNIST數據集分類
4.3.1 softmax回歸基礎
4.3.2 案例：Fashion-MNIST數據集分類
4.4 本章小結
第5章 卷積神經網絡基礎
5.1 卷積神經網絡的基本結構
5.2 卷積與池化的通俗理解
5.2.1 卷積的通俗理解
5.2.2 池化的通俗理解
5.3 卷積操作
5.3.1 卷積的定義
5.3.2 填充與步長
5.3.3 多通道卷積
5.4 池化操作
5.4.1 單通道池化
5.4.2 多通道池化
5.5 CNN模型實戰：手寫數字識別
5.5.1 數據準備
5.5.2 構建數據讀取器
5.5.3 LeNet-5網絡構建及代碼實現
5.5.4 模型訓練
5.5.5 第一層卷積核與特征圖的可視化
5.5.6 第二層卷積核與特征圖的可視化
5.6 本章小結
第6章 經典CNN模型介紹
6.1 AlexNet模型原理與實現
6.1.1 AlexNet網絡結構
6.1.2 AlexNet創新點
6.1.3 案例：AlexNet用于CIFAR10數據集的圖片分類
6.1.4 AlexNet網絡構建及代碼實現
6.1.5 模型訓練
6.2 VGG模型原理與實現
6.2.1 VGG網絡結構
6.2.2 案例：VGG16用于CIFAR10數據集的圖片分類
6.2.3 VGG網絡構建及代碼實現
6.2.4 模型訓練
6.3 Inception V1模型原理與實現
6.3.1 Inception V1網絡結構
6.3.2 Inception V1創新點
6.3.3 Inception V1網絡構建及代碼實現
6.3.4 模型訓練
6.4 ResNet模型原理與實現
6.4.1 ResNet網絡結構
6.4.2 ResNet網絡構建及代碼實現
6.4.3 模型訓練
6.5 批量歸一化
6.5.1 批量歸一化的提出動機
6.5.2 批量歸一化的主要思想
6.5.3 案例：帶有批量歸一化的模型用于貓狗數據集圖片分類
6.6 數據增強
6.6.1 數據增強的核心思想
6.6.2 案例：帶有數據增強的模型用于貓狗數據集圖片分類
6.7 遷移學習
6.7.1 遷移學習的由來
6.7.2 遷移學習原理
6.7.3 經典案例：遷移學習如何精準定位貧困地區
6.7.4 PyTorch案例：遷移學習用于貓狗數據集圖片分類
6.8 本章小結
第7章 序列模型
7.1 詞向量
7.1.1 詞匯表征與語義相關性
7.1.2 Word2Vec原理概述
7.1.3 Word2Vec代碼實現
7.2 RNN模型
7.2.1 RNN的源起：序列預測問題
7.2.2 RNN模型原理
7.2.3 RNN模型實例：機器作詩
7.3 LSTM模型
7.3.1 RNN模型的改進：增加長期狀態變量
7.3.2 LSTM模型簡介
7.3.3 LSTM模型實例：自動樂曲生成
7.4 機器翻譯
7.4.1 初級機器翻譯技術
7.4.2 回歸分析視角
7.4.3 encoder-decoder模型
7.4.4 機器翻譯實例：中英文翻譯
7.5 本章小結
第8章 深度生成模型
8.1 自編碼器
8.1.1 自編碼器簡介
8.1.2 自編碼器的應用案例：圖像去噪
8.2 變分自編碼器
8.2.1 生成模型與分布變換
8.2.2 VAE的基本原理
8.2.3 VAE圖像生成示例
8.3 生成式對抗網絡
8.3.1 GAN原理簡介
8.3.2 GAN示例：訓練DCGAN
8.4 本章小結
新書資訊