吴微，中国科学院沈阳自动化研究所博士后，副教授，美国普渡大学访问学者；参与编写《跨越软件设计师推荐训练》、《跨越软考精讲精练》系列考试培训教程，共计100万字；2016年起承担本校"深度学习算法及应用”本科课程的教学工作，具有丰富的深度学习教学经验。

章 深度学习基础\t1
1.1 人工智能、机器学习与深度学习\t1
1.1.1 人工智能简介\t1
1.1.2 机器学习简介\t2
1.1.3 深度学习简介\t3
1.2 深度学习的三大核心要素\t4
1.3 神经元与深度神经网络\t7
1.4 神经网络中常用的激励函数\t9
1.5 深度学习的优势\t13
1.6 常用的深度学习框架\t15
本章小结\t16
习题\t16
第2章 深度学习框架PyTorch的安装\t19
2.1 PyTorch介绍\t19
2.2 Windows系统中PyTorch的配置\t20
2.2.1 安装Python\t20
2.2.2 PyTorch环境搭建\t21
2.3 Linux系统中PyTorch的配置\t22
2.3.1 安装虚拟机\t23
2.3.2 Python环境配置\t25
2.3.3 PyTorch环境搭建\t25
2.4 PyTorch开发工具\t26
2.4.1 IDLE\t26
2.4.2 PyCharm\t27
本章小结\t34
习题\t34
实验\t35
第3章 PyTorch基础\t36
3.1 Tensor的定义\t36
3.2 Tensor的创建\t37
3.3 Tensor的形状调整\t39
3.4 Tensor的简单运算\t40
3.5 Tensor的比较\t41
3.6 Tensor的数理统计\t42
3.7 Tensor与NumPy的互相转换\t43
3.8 Tensor的降维和增维\t44
3.9 Tensor的裁剪\t46
3.10 Tensor的索引\t46
3.11 把Tensor移到GPU上\t48
本章小结\t49
习题\t49
实验\t50
第4章 线性回归和逻辑回归\t54
4.1 回归\t54
4.2 线性回归\t55
4.3 一元线性回归的代码实现\t58
4.4 梯度及梯度下降法\t62
4.4.1 梯度\t62
4.4.2 梯度下降法\t62
4.5 多元线性回归的代码实现\t63
4.6 逻辑回归\t65
4.6.1 逻辑回归\t65
4.6.2 逻辑回归中的损失函数\t66
4.6.3 逻辑回归的代码实现\t66
本章小结\t69
习题\t69
实验\t70
第5章 全连接神经网络\t72
5.1 全连接神经网络概述\t72
5.2 多分类问题\t73
5.3 Softmax函数与交叉熵\t74
5.4 反向传播算法\t76
5.4.1 链式求导法则\t76
5.4.2 反向传播算法实例\t77
5.4.3 Sigmoid函数实例\t77
5.5 计算机视觉工具包torchvision\t78
5.6 全连接神经网络实现多分类\t80
5.6.1 定义全连接神经网络\t80
5.6.2 全连接神经网络识别MNIST手写数字\t81
本章小结\t85
习题\t85
实验\t87
第6章 卷积神经网络\t88
6.1 前馈神经网络\t88
6.2 卷积神经网络的原理\t89
6.2.1 卷积层\t91
6.2.2 池化层\t94
6.3 卷积神经网络的代码实现\t96
6.4 LeNet-5模型\t99
6.4.1 LeNet-5模型的架构\t99
6.4.2 CIFAR 10数据集\t101
6.4.3 LeNet-5模型的代码实现\t101
6.5 VGGNet模型\t106
6.5.1 VGGNet模型简介\t106
6.5.2 VGGNet模型的代码实现\t107
6.6 ResNet模型\t112
6.6.1 ResNet模型简介\t112
6.6.2 ResNet模型残差学习单元的代码实现\t113
本章小结\t114
习题\t114
实验\t115
第7章 循环神经网络\t119
7.1 循环神经网络概述\t119
7.2 循环神经网络的原理\t120
7.3 长短时记忆神经网络\t122
7.3.1 长短时记忆神经网络的原理\t122
7.3.2 长短时记忆神经网络实例1\t125
7.3.3 长短时记忆神经网络实例2\t129
本章小结\t136
习题\t136
实验\t137
第8章 生成式对抗网络\t138
8.1 生成式对抗网络概述\t138
8.1.1 生成式对抗网络的原理\t138
8.1.2 生成式对抗网络的代码实现\t142
8.2 条件生成式对抗网络\t150
8.3 最小二乘生成式对抗网络\t151
本章小结\t151
习题\t151
实验\t152
附录A 部分习题与实验参考答案\t153
A.1 章习题与实验参考答案\t153
A.2 第2章习题与实验参考答案\t155
A.2.1 习题参考答案\t155
A.2.2 实验参考答案\t156
A.3 第3章习题与实验参考答案\t156
A.3.1 习题参考答案\t156
A.3.2 实验参考答案\t156
A.4 第4章习题与实验参考答案\t166
A.4.1 习题参考答案\t166
A.4.2 实验参考答案\t167
A.5 第5章习题与实验参考答案\t175
A.5.1 习题参考答案\t175
A.5.2 实验参考答案\t175
A.6 第6章习题与实验参考答案\t178
A.6.1 习题参考答案\t178
A.6.2 实验参考答案\t179
A.7 第7章习题与实验参考答案\t192
A.7.1 习题参考答案\t192
A.7.2 实验参考答案\t193
A.8 第8章习题与实验参考答案\t196
A.8.1 习题参考答案\t196
A.8.2 实验参考答案\t197
参考文献\t212

本书共分8章，内容包括深度学习基础、深度学习框架PyTorch的安装、PyTorch基础、线性回归和逻辑回归、全连接神经网络、卷积神经网络、循环神经网络及生成式对抗网络。本书首先从深度学习基础知识入手，引领读者动手搭建深度学习框架PyTorch，然后在PyTorch框架下实现深度学习中常用的网络模型。通过本书，读者可对深度学习有一个清晰的认识。本书中的程序均可在Windows系统中运行，不受是否具备GPU的。本书提供电子课件、源代码，读者可登录“华信教育资源网”（www.hxedu.com.cn）免费下载。书中每章都配有习题和实验，很后还附有参考答案。本书可作为高等学校本科数据科学与大数据、人工智能、机器人工程等专业深度学习相关课程的教材，也适合广大对深度学习有兴趣的读者自学使用。