智能机器人发展日新月异，相关的机器学习技术受到广泛关注。本书以其中关键的深度学习理论与实践为主线，系统介绍了机器智能、机器学习和神经网络的概念与算法；机器学习的参数及其拟合和欠拟合的问题；神经网络等数学模型；卷积神经网络模型；循环神经网络；注意力机制以及深度学习的算法；基于深度学习的人机协作识别、动作抓取、平面检测等应用知识。
本书适宜从事机械、自动控制等智能机器人相关专业的技术人员参考，也可作为相关专业的本科教材。

俞建峰，江南大学机械工程学院教授，博导；主要研究方向：超细微纳米化技术，智能化机电检测技术和微流控检测技术。2011年入选无锡检验检疫局金字塔领军人才；2007年与2011年两次入选江苏检验检疫局学科带头人培养对象；先后获得江苏省科技进步三等奖2项（均排名第三）；国家质检总局“科技兴检”二等奖1项（排名第三）；江苏出入境检验检疫局“科技兴检”三等奖1项。在植物蛋白细胞破壁及分离提纯系统；用于淀粉分离的干法粉碎分级系统；基于搅拌介质磨的超细微纳化湿法球磨机；基于光机电一体化技术的安全锁性能在线自动检测系统等方向取得多项成果。

第一章 绪论
1.1 自然智能与机器智能
1.1.1 自然智能
1.1.2 机器智能
1.2 机器获取知识的途径：机器学习
1.2.1 机器学习的概念
1.2.2 基本机器学习模型
1.3 机器认知智能的实现途径：神经网络
1.3.1 生物神经网络
1.3.2 人工神经网络与神经元模型
1.4 深度学习的前沿发展及其应用
1.4.1 深度学习
1.4.2 大语言模型
1.4.3 ChatGPT：智能对话机器人
1.4.4 OpenAI Codex：代码生成与辅助编程
1.5 深度学习与智能机器人
1.5.1 智能机器人的定义与目标
1.5.2 智能机器人与工业机器人的区别
1.5.3 智能机器人的环境多模态感知
1.6 本章小结
第二章 机器学习的数学基础
2.1 标量、向量、矩阵和张量
2.2 矩阵和向量相乘
2.2.1 矩阵和向量相乘的规则
2.2.2 矩阵和向量相乘的性质
2.2.3 矩阵乘法的计算方法
2.2.4 矩阵乘法在神经网络中的应用
2.3 导数
2.3.1 一般运算法则
2.3.2 链式求导法则
2.4 度量标准
2.4.1 误差
2.4.2 距离
2.4.3 相似度
2.5 概率分布
2.5.1 二项分布
2.5.2 正态分布
2.6 本章小结
第三章 机器学习的构成及理论基础
3.1 机器学习基础概念
3.1.1 人类学习与机器学习
3.1.2 机器学习的研究内容
3.1.3 机器学习系统的基本构成
3.2 机器学习的分类
3.2.1 监督学习
3.2.2 半监督学习
3.2.3 无监督学习
3.2.4 强化学习
3.3 机器学习的重要参数
3.3.1 学习率
3.3.2 动量系数
3.3.3 偏置项
3.4 拟合问题
3.4.1 过拟合问题
3.4.2 欠拟合问题
3.5 交叉验证
3.5.1 数据类型与选择方法
3.5.2 留一交叉验证
3.5.3 K折交叉验证
3.6 回归分析
3.6.1 线性回归
3.6.2 逻辑回归
3.7 评价指标
3.8 本章小结
第四章 神经网络构成及理论基础
4.1 神经网络概述
4.1.1 深度学习和神经网络间的关系
4.1.2 神经网络的深度和宽度
4.2 常见的神经网络类型
4.2.1 全连接神经网络
4.2.2 卷积神经网络
4.2.3 循环神经网络
4.3 神经网络设计的核心问题
4.3.1 定义神经网络结构
4.3.2 选择损失函数
4.3.3 选择激活函数
4.4 神经网络最优化过程
4.4.1 梯度下降算法
4.4.2 正向传播算法
4.4.3 反向传播算法
4.4.4 BP神经网络
4.5 其他神经网络与深度学习
4.5.1 生成对抗网络
4.5.2 深度信念网络
4.5.3 迁移学习
4.6 PyTorch和PaddlePaddle简介
4.6.1 PyTorch
4.6.2 PaddlePaddle
4.7 本章小结
第五章 卷积神经网络
5.1 卷积神经网络概述
5.1.1 发展历程和实际应用
5.1.2 基本组成
5.2 卷积神经网络的特征
5.2.1 连接稀疏性
5.2.2 参数共享机制
5.3 卷积神经网络中的反向传播算法
5.4 其他卷积方式
5.4.1 转置卷积
5.4.2 空洞卷积
5.4.3 分组卷积和深度分离卷积
5.5 卷积神经网络的典型模型
5.5.1 LeNet-5
5.5.2 AlexNet
5.5.3 VGGNet
5.5.4 GoogLeNet
5.5.5 ResNet
5.5.6 MobileNet和ShuffleNet
5.5.7 MMDetection框架搭建并实现训练与测试
5.6 本章小结
第六章 循环神经网络
6.1 循环神经网络概述
6.1.1 背景
6.1.2 概念
6.1.3 基本结构
6.2 循环神经网络分类
6.2.1 单向循环神经网络
6.2.2 双向循环神经网络
6.2.3 深度循环神经网络
6.3 模型训练与优化
6.3.1 随时间反向传播算法
6.3.2 实时循环学习算法
6.4 长短时记忆网络
6.4.1 原理讲解
6.4.2 代码讲解
6.5 递归神经网络
6.5.1 原理讲解
6.5.2 代码讲解
6.6 门控循环单元网络
6.6.1 原理讲解
6.6.2 代码
6.7 本章小结
第七章 注意力机制与外部记忆
7.1 认知神经学中的注意力
7.2 注意力机制
7.2.1 注意力机制原理
7.2.2 注意力机制的变体
7.3 自注意力机制
7.3.1 自注意力机制原理
7.3.2 Transformer
7.4 人脑中的记忆
7.5 记忆增强神经网络
7.5.1 外部记忆
7.5.2 端到端记忆网络
7.5.3 神经图灵机
7.6 计算机视觉中的注意力机制
7.6.1 计算机视觉中的注意力机制发展历程
7.6.2 通道注意力机制
7.6.3 空间注意力机制
7.6.4 时间注意力机制
7.6.5 分支注意力机制
7.6.6 通道和空间注意力机制
7.6.7 时空注意力机制
7.6.8 注意力模块添加的案例介绍
7.7 本章小结
第八章 深度学习调优方法
8.1 数