正版新书]深度学习及应用徐国艳 著9787111789864

前言
第1章绪论1
11人工智能技术及其发展1
12深度学习的特点及进展3
13深度学习的框架与平台7
131国外深度学习框架与平台7
1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11
21神经网络简介11
211神经网络基本概念11
212单层感知机11
213多层感知机14
22深度学习数学理论15
221信号前向传播16
222激活函数17
223损失函数19
224参数优化方法20
225误差反向传播22
226计算图28
23全连接神经网络实践项目30
231基于MLP的车牌识别32
232基于MLP的机械零件分类识别34
233基于MLP的自动驾驶数据集分类识别35
2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38
31卷积神经网络理论基础38
311卷积神经网络的基本结构与特点38
312卷积层41
313池化层44
32典型的卷积神经网络模型46
321LeNet46
322AlexNet47
323VGGNet49
324GoogLeNet51
325ResNet55
33卷积神经网络实践项目57
331基于CNN的斑马线检测57
332基于多个典型CNN的眼疾数据集分类识别58
333基于飞桨高层API的交通图像分类识别58
334基于残差网络的自动驾驶数据集分类识别59
3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61
41目标检测概述61
411目标检测的基本介绍61
412目标检测算法的发展62
413数据格式与评估指标64
42两阶段目标检测算法66
421RCNN66
422SPPNet和Fast RCNN68
423Faster RCNN70
424进阶的两阶段目标检测算法72
43单阶段目标检测算法73
431YOLO系列73
432SSD80
433RetinaNet82
44Anchor Free目标检测算法83
441CornerNet83
442FCOS和CenterNet85
45目标检测实践项目86
451基于PaddleHub预训练模型的车辆目标检测86
452基于YOLOv3的自动驾驶数据集目标检测87
4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91
51图像分割概述91
511图像分割的分类91
512图像分割算法的发展91
513数据格式与评估指标94
52全卷积神经网络95
521上采样方法96
522特征融合98
523FCN总结99
53UNet/SegNet99
531UNet99
532SegNet100
54DeepLab系列101
541DeepLab V1/V2102
542DeepLab V3/V3+105
55图像分割实践项目109
551基于PaddleHub预训练模型的人像分割109
552基于DeepLab V3+的自动驾驶数据集图像分割110
553基于PaddleX的医学影像视盘分割110
5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114
61自然语言处理及其相关技术114
611自然语言处理的发展历程114
612词向量技术115
62循环神经网络117
63长短期记忆网络和门控循环单元118
631长短期记忆网络118
632门控循环单元121
64深度循环神经网络122
641堆叠循环神经网络123
642深度双向循环神经网络123
65序列到序列模型125
66循环神经网络实践项目127
661使用Gensim库进行词向量
生成127
662基于LSTM的文本情感分析128
6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Transformer131
71从RNN到Transformer的演进131
711循环架构的链式衰减问题131
712时序依赖与并行计算的博弈132
713编码器解码器架构的演进132
714Transformer的里程碑意义134
72注意力机制基础134
721注意力机制的核心思想134
722传统注意力机制135
723自注意力机制136
73Transformer模型架构137
731Transformer整体架构概述137
732编码器138
733解码器141
734位置编码142
735Transformer的输入和输出143
74Transformer模型训练144
75Vision Transformer模型145
751Vision Transformer简介145
752Vision Transformer的整体结构146
76实践项目149
761Transformer注意力机制及其扩展技术实现149
762基于Transformer的文本情感分析149
763基于ViT的车辆图片分类149
7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154
81生成式网络概述154
82变分自编码器155
83生成对抗网络155
831生成对抗网络机理155
832生成对抗网络变体架构159
84生成扩散模型162
85基于Transformer的生成模型163
86生成式网络实践项目164
861基于生成式网络的手写数字图片生成164
862基于生成式网络的城市驾驶场景数据生成164
863基于变分自编码器的图像生成166
8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169
91强化学习概述169
911强化学习简介169
912强化学习分类170
92强化学习基础理论171
921马尔可夫决策过程171
922强化学习算法原理172
93表格型强化学习方法174
931Qlearning174
932SARSA176
94值函数强化学习方法178
941DQN178
942DDQN180
943DRQN181
95策略梯度强化学习方法182
951策略梯度计算182
952演员评论家算法183
953近端策略优化算法185
954深度确定性策略梯度算法188
955双延迟深度确定性策略梯度算法189
956SAC191
96强化学习实践项目194
961基于Qlearning的智能体配送路径规划194
962基于DQN的智能体配送路径规划194
963基于PPO小车爬坡195
习题196
第10章大模型技术及实践198
101大模型技术概述198
1011大模型的定义和分类198
1012大模型技术研究进展概述200
1013大模型发展中的伦理考量202
102大模型生成技术原理203
1021自回归生成机制203
1022检索增强生成204
1023知识处理技术206
103大模型部署优化技术207
1031模型压缩207
1032稀疏架构208
1033部署框架209
104大模型提示词工程211
105大模型训练213
106MCP模型上下文协议215
107大模型智能体218
1071LLM Agent定义与能力218
1072LLM Agent的类型与能力划分218
1073智能体系统的构建流程与运行机制218
1074典型智能体框架与工具生态219
108大模型实践项目220
1081大模型调用基础——文本与图像的生成方法220
1082文心大模型ERNIE45VL多模态应用实践221
1083文心大模型ERNIE45监督微调文本生成实践221
10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221
1085基于DeepSeek检索增强的智能问答系统222
1086基于LangChain自动驾驶决策智能体构建223
10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

高等院校教师

本书遵循教育部教指委相关指导文件和高等院校学生学习规律编写而成。践行四新理念，融入思政元素，注重理论与实践相结合。