本书从杰出AI（Best AI）、可信AI（Trust AI）和超越 AI（Beyond AI）三方面系统地介绍了深度学习的高阶技术，并给出了基于MindSpore AI计算框架的实践。第1～3章从数据处理、网络构建、训练与推理性能优化三个维度介绍MindSpore的杰出AI技术；第4～7章介绍可信AI，就模型安全和隐私、模型可靠性、可解释AI和AI中的公平性展开深入的讨论；第8～10章介绍超越AI，讲述数据驱动AI建模、AI求解科学计算方程和AI加速科学方法。为便于读者学习，书中还给出了基于MindSpore实现的关于深度学习高阶技术的样例代码。本书在深度学习理论的基础上，结合MindSpore近期新开源技术和方向进行讲解，扩大了MindSpore使用范围，可以作为普通高等学校人工智能、智能科学与技术、计算机科学与技术、电子信息工程、自动化等专业的本科生及研究生教材，也适合作为从事深度学习相关工作的软件开发工程师与科研人员的参考用书。

本书系统介绍深度学习的高阶技术，并基于MindSporeAI计算框架进行实践。全书共分10章，内容涵盖数据处理、网络构建、训练与推理性能优化、模型安全与隐私、模型可靠性、可解释AI、AI中的公平性问题、数据驱动AI建模、AI求解科学计算方程、AI加速科学方法等内容。为便于读者学习，书中还给出了基于MindSpore实现的关于深度学习高阶技术的示例代码。本书在深度学习的理论基础上结合MindSpore近期新开源技术，扩大了MindSpore使用范围，可以作为普通高等学校人工智能、智能科学与技术、计算机科学与技术、电子信息工程、自动化等专业的本科生及研究生教材，也适合作为从事深度学习相关工作的软件开发工程师与科研人员学习的参考用书。

第1章数据处理
1.1转换数据集为MindRecord
1.1.1背景与现状
1.1.2MindRecord技术原理
1.1.3使用示例
1.2自动数据增强
1.2.1背景与现状
1.2.2自动数据增强技术原理
1.2.3使用示例
1.3轻量化数据处理
1.3.1背景与现状
1.3.2Eager模式原理
1.3.3使用示例
1.4单节点缓存加速
1.4.1背景与现状
1.4.2单节点缓存原理
1.4.3单节点预处理数据缓存功能的使用
1.4.4性能优势展示
1.5优化数据处理
1.5.1背景与现状
1.5.2数据处理优化途径
1.6本章小结
第2章网络构建
2.1自定义算子
2.1.1算子原语
2.1.2算子实现和算子信息注册
2.1.3使用自定义算子
2.1.4定义算子反向传播函数
2.1.5小结
2.2深度概率学习
2.2.1框架模块
2.2.2深度概率推断算法与概率模型
2.2.3贝叶斯神经网络
2.2.4贝叶斯应用工具箱
2.2.5小结
2.3高阶自动微分
2.3.1微分求解方法概述
2.3.2技术原理
2.3.3相关案例
2.4本章小结
第3章训练与推理性能优化
3.1千亿参数模型自动并行
3.1.1分布式训练基础
3.1.2关键问题
3.1.3整体流程
3.1.4流水线并行
3.1.5并行子图切分
3.1.6算子级并行
3.1.7优化器切分
3.1.8异构图切分
3.1.9重计算
3.1.10GPT-3超大规模分布式并行方案
3.1.11小结
3.2二阶优化
3.2.1优化器背景介绍
3.2.2THOR简介
3.2.3THOR的实践应用
3.2.4小结
3.3模型量化
3.3.1量化算法原理
3.3.2感知量化训练
3.3.3训练后量化
3.3.4小结
3.4类型推导
3.4.1静态分析技术背景
3.4.2静态分析设计
3.4.3静态分析模块设计
3.4.4小结
3.5图算融合
3.5.1技术原理
3.5.2MindSpore上的图算融合
3.5.3小结
3.6推理图优化
3.6.1算子融合
3.6.2算子替换
3.6.3常量折叠
3.6.4算子重排
3.6.5小结
3.7kernel优化
3.7.1硬件优化
3.7.2算法优化
3.7.3小结
3.8本章小结
第4章模型安全与隐私
4.1对抗攻防
4.1.1背景
4.1.2MindArmour的攻防能力
4.1.3使用示例
4.2差分隐私训练
4.2.1差分隐私
4.2.2使用示例
4.3AI Fuzzer测试模型安全性
4.3.1AI Fuzzer原理
4.3.2使用示例
4.4隐私泄露风险评估
4.4.1原理
4.4.2使用示例
4.5本章小结
第5章模型可靠性
5.1模型鲁棒性度量及提升
5.1.1技术现状
5.1.2推荐方案
5.1.3应用结果
5.1.4技术发展
5.1.5小结
5.2概念漂移检测
5.2.1问题背景
5.2.2业界现状
5.2.3常用检测算法
5.2.4小结
5.3基于故障注入的测试
5.3.1故障模式库
5.3.2故障注入测试
5.3.3小结
5.4本章小结
第6章可解释AI
6.1扰动类可解释AI算法的问题与改进
6.1.1扰动类可解释方法简介
6.1.2扰动类可解释方法的问题分析
6.1.3改进方法通用框架
6.1.4RISE+
6.1.5使用示例
6.1.6扩展分析
6.2基于层级遮掩的反事实解释
6.2.1技术原理
6.2.2使用示例
6.2.3小结
6.3基于塔桥网络模型的推荐解释
6.3.1发展现状
6.3.2技术原理
6.3.3推荐解释应用示例
6.3.4训练TB-Net网络
6.3.5小结
6.4本章小结
第7章AI中的公平性问题
7.1多样的公平性定义
7.1.1群体公平
7.1.2个体公平
7.1.3过程公平
7.2偏见消减
7.2.1数据预处理
7.2.2模型构建与训练
7.2.3后矫正
7.3AI公平性的应用场景
7.3.1内容生成与分类任务
7.3.2资源分配与决策任务
7.4本章小结
第8章数据驱动AI建模
8.1医药生物计算案例
8.1.1背景介绍
8.1.2发展现状
8.1.3相关案例
8.1.4小结
8.2天气预报案例
8.2.1背景介绍
8.2.2发展现状
8.2.3相关案例
8.2.4小结
8.3金属材料模拟
8.3.1背景介绍
8.3.2发展现状
8.3.3相关案例
8.3.4小结
8.4AI求解薛定谔方程
8.4.1背景介绍
8.4.2发展现状
8.4.3相关案例
8.4.4小结
8.5本章小结
第9章AI求解科学计算方程
9.1业界经典微分方程学术进展
9.1.1背景介绍
9.1.2物理信息神经网络
9.1.3傅里叶神经算子
9.1.4小结
9.2SimNet
9.2.1背景介绍
9.2.2框架介绍
9.2.3相关案例
9.3SciML
9.3.1框架介绍
9.3.2典型案例
9.3.3小结
9.4本章小结
第10章AI加速科学方法
10.1海洋模式背景介绍
10.2基于OpenArray的区域海洋模式GOMO
10.2.1OpenArray算子库
10.2.2区域海洋模式GOMO
10.3MindSpore加速GOMO求解
10.3.1算子抽象
10.3.2图算融合
10.3.3Halo区并行
10.4本章小结
参考文献