深度学习是新一代人工智能所使用的主要技术。本书深入浅出地讲解了深度学习的相关技术，包括深度学习编程基础、目标分类、目标检测、图像分割、生成对抗网络等。对每种技术，本书均从原理和程序实现两个方面进行讲解。在原理方面，讲解算法和技术的相关背景、主要算法思想和原理；在程序实现方面，从数据准备、神经网络模型实现、损失函数实现、整体训练流程和效果展示五部分对算法的实现进行具体介绍，帮助读者深入了解算法的细节，积累相关实践经验。
本书是《深度学习与人工智能》的配套用书，适合深度学习领域的初学者，以及高校高年级本科生和研究生阅读学习。

张重生，1982年9月生，博士，教授，硕士生导师，河南大学大数据团队带头人。研究领域为大数据分析、深度学习、数据挖掘、数据库、实时数据分析。
博士毕业于INRlA，France(法国国家信息与自动化研究所)，获得优秀博士论文荣誉。2010年08月至2011年3月，在美国加州大学洛杉矶分校(UCLA)计算机系，师从Carlo Zaniolo教授进行流数据挖掘方面的研究。十多年来，一直从事数据库、数据挖掘、大数据分析相关的研究，发表SCI/EI论文20篇，含Information Sciences、Neurocornputinq、lEEE ICDM、PAKDD、SSDBM等著名国际期刊和会议论文。作为项目负责人主持4项科研项目，出版学术著作三部，作为第一发明人获得3项国家发明专利，指导硕士研究生12名。

前言
第1章 张量运算及图像处理基础
1.1 张量与张量运算
1.1.1 张量的概念
1.1.2 张量的基本属性
1.1.3 张量生成
1.1.4 张量维度和索引
1.1.5 张量之间的运算
1.2 图像处理的基础操作
1.2.1 PIL图像处理包简介
1.2.2 常见的图像处理操作
第2章 深度学习编程基础
2.1 卷积神经网络的基本概念和常用函数
2.1.1 卷积层
2.1.2 池化层
2.1.3 全连接层
2.1.4 激活函数
2.1.5 PyTorch中的神经网络结构/模型构建方法
2.2 PyTorch中的数据处理操作
2.2.1 PyTorch自带的数据集使用
2.2.2 自定义数据集的使用
2.2.3 PyTorch中的数据预处理模块transforms
2.3 PyTorch中的损失函数使用
2.4 PyTorch中的优化器使用
2.4.1 优化器
2.4.2 学习率调整
2.5 PyTorch中模型训练的整体流程
第3章 简单的卷积神经网络实现
3.1 LeNet-5卷积神经网络实现
3.1.1 数据准备
3.1.2 LeNet-5神经网络结构/模型定义
3.1.3 wandb可视化工具
3.1.4 整体训练流程
3.1.5 效果展示
3.2 AlexNet卷积神经网络实现
3.2.1 数据准备
3.2.2 AlexNet神经网络结构/模型定义
3.2.3 整体训练流程
3.2.4 效果展示
第4章 基于深度学习的简单目标识别
4.1 基于VGG骨干网络的目标分类
4.1.1 VGG介绍
4.1.2 VGG16网络实现
4.1.3 基于VGG16进行CIFAR数据集分类
4.2 基于ResNet骨干网络的目标分类
4.2.1 ResNet神经网络的设计原理
4.2.2 ResNet-18神经网络模型实现
4.2.3 基于ResNet-18的目标分类
第5章 基于深度学习的人脸表情识别
5.1 人脸表情数据准备
5.2 基于ResNet神经网络的人脸表情识别
5.2.1 网络定义
5.2.2 整体训练流程
第6章 孪生神经网络及人脸验证实战
6.1 孪生神经网络原理
6.2 基于孪生神经网络的人脸验证实战
6.2.1 数据准备
6.2.2 孪生神经网络实现
6.2.3 损失函数实现
6.2.4 整体训练流程
6.2.5 效果展示
第7章 CosFace损失函数原理及人脸识别实战
7.1 CosFace
7.2 基于CosFace的人脸识别实战
7.2.1 数据准备
7.2.2 损失计算
7.2.3 整体训练流程
7.2.4 效果展示
第8章 蒸馏学习原理及实战
8.1 知识蒸馏原理
8.1.1 蒸馏网络的神经网络结构
8.1.2 蒸馏学习过程
8.2 知识蒸馏实战
8.2.1 训练学生模型
8.2.2 训练教师模型
8.2.3 蒸馏学习的损失函数
8.2.4 蒸馏学习过程
8.2.5 效果展示
第9章 Faster R-CNN目标检测算法原理及实战
9.1 Faster R-CNN目标检测算法原理
9.1.1 Faster R-CNN的神经网络结构
9.1.2 Faster R-CNN的目标矩阵构造
9.1.3 Faster R-CNN的损失函数设计
9.1.4 Faster R-CNN的整体工作流程
9.2 Faster R-CNN目标检测实战
9.2.1 数据准备
9.2.2 损失定义
9.2.3 Faster R-CNN的神经网络模型实现
9.2.4 整体训练流程
9.2.5 效果展示
第10章 YOLO v3目标检测算法原理及实战
10.1 YOLO v3目标检测算法原理
10.1.1 YOLO v3神经网络结构
10.1.2 YOLO v3目标矩阵构造方法
10.1.3 YOLO v3损失函数设计
10.2 YOLO v3目标检测实战
10.2.1 数据准备
10.2.2 YOLO v3神经网络实现/模型定义
10.2.3 损失定义
10.2.4 整体训练流程
10.2.5 效果展示
第11章 FCN图像分割算法原理及实战
11.1 FCN图像分割算法原理
11.2 FCN图像分割实战
11.2.1 数据准备
11.2.2 FCN的神经网络结构/模型定义
11.2.3 整体训练流程
11.2.4 效果展示
第12章 U-Net图像分割算法原理及实战
12.1 U-Net图像分割算法原理
12.2 基于U-Net的图像分割实战
12.2.1 U-Net的模型定义/神经网络结构
12.2.2 U-Net的损失函数/Dice损失
12.2.3 整体训练流程
12.2.4 效果展示
第13章 DCGAN生成对抗网络原理及其图像生成实战
13.1 DCGAN生成对抗网络原理
13.1.1 DCGAN生成器模型
13.1.2 DCGAN的判别器模型
13.1.3 DCGAN的损失函数
13.1.4 DCGAN的训练过程
13.2 基于DCGAN的图像生成技术实战
13.2.1 定义判别器
13.2.2 定义生成器
13.2.3 定义损失函数
13.2.4 整体训练流程
13.2.5 效果展示
附录
附录A PyTorch开发环境配置
附录B 常用PyTorch函数速查手册