随着人工智能与各行各业的结合愈加紧密，人才的短缺将是一个长期挑战，未来需要越来越多的既懂AI技术又具备产业经验的复合型AI人才。一直以来，飞桨联合学术界和产业界，持续探索人工智能产教融合，形成了集人才培养、科技创新、学科建设为一体的综合性产学合作创新方案，培养了大量AI人才。本书即是产教融合的成果，其章节设计与邱锡鹏教授的著作《神经网络与深度学习》（蒲公英书）一一对应，案例代码基于飞桨平台，简洁易用，便于读者理解和动手实践。

邱锡鹏，复旦大学计算机科学技术学院教授、博士生导师，于复旦大学获得理学学士和博士学位。主要研究领域包括自然语言处理、机器学习、深度学习等，在相关领域的高水平国际期刊、会议上发表学术论文60余篇，获得自然语言处理领域顶级国际会议ACL 2017杰出论文奖、全国计算语言学会议CCL 2019最佳论文奖，作为项目负责人开发两个自然语言处理开源项目FudanNLP和FastNLP，获得学术界和产业界的广泛使用。2015年入选首届中国科协青年人才托举工程，2018年获得中国中文信息学会“钱伟长中文信息处理科学技术奖青年创新一等奖”，入选由清华—中国工程院知识智能联合研究中心和清华大学人工智能研究院联合发布的“2020年度AI 2000人工智能全球最具影响力提名学者”。目前担任中国中文信息学会青年工作委员会执行委员、计算语言学专委会委员、语言与知识计算专委会委员，中国人工智能学会青年工作委员会常务委员、自然语言理解专委会委员。

序
前言
第1章 实践基础
1.1 如何运行本书的代码
1.1.1 本地运行
1.1.2 代码下载与使用方法
1.1.3 在线运行
1.2 张量
1.2.1 创建张量
1.2.2 张量的属性
1.2.3 张量与Numpy数组转换
1.2.4 张量的访问
1.2.5 张量的运算
1.3 算子
1.3.1 算子定义
1.3.2 自动微分机制
1.3.3 预定义的算子
1.3.4 本书中实现的算子
1.3.5 本书中实现的优化器
1.4 本书中使用的数据集和实现的Dataset类
1.4.1 数据集
1.4.2 Dataset类
1.5 本书中实现的Runner类
1.6 小结
第2章 机器学习概述
2.1 机器学习实践五要素
2.1.1 数据
2.1.2 模型
2.1.3 学习准则
2.1.4 优化算法
2.1.5 评价指标
2.2 实现一个简单的线性回归模型
2.2.1 数据集构建
2.2.2 模型构建
2.2.3 损失函数
2.2.4 优化器
2.2.5 模型训练
2.2.6 模型评价
2.3 多项式回归
2.3.1 数据集构建：ToySin25
2.3.2 模型构建
2.3.3 模型训练
2.3.4 模型评价
2.3.5 通过引入正则化项来缓解过拟合
2.4 构建Runner类
2.5 实践：基于线性回归的波士顿房价预测
2.5.1 数据处理
2.5.2 模型构建
2.5.3 完善Runner类：RunnerV1
2.5.4 模型训练
2.5.5 模型评价
2.5.6 模型预测
2.6 小结
第3章 线性分类
3.1 基于Logistic回归的二分类任务
3.1.1 数据集构建
3.1.2 模型构建
3.1.3 损失函数
3.1.4 模型优化
3.1.5 评价指标
3.1.6 完善Runner类：RunnerV2
3.1.7 模型训练
3.1.8 模型评价
3.2 基于Softmax回归的多分类任务
3.2.1 数据集构建
3.2.2 模型构建
3.2.3 损失函数
第3章 线性分类
3.1 基于Logistic回归的二分类任务
3.1.1 数据集构建
3.1.2 模型构建
3.1.3 损失函数
3.1.4 模型优化
3.1.5 评价指标
3.1.6 完善Runner类：RunnerV2
3.1.7 模型训练
3.1.8 模型评价
3.2 基于Softmax回归的多分类任务
3.2.1 数据集构建
3.2.2 模型构建
3.2.3 损失函数
3.2.4 模型优化
3.2.5 模型训练
3.2.6 模型评价
3.3 实践：基于Softmax回归完成鸢尾花分类任务
3.3.1 数据处理
3.3.2 模型构建
3.3.3 模型训练
3.3.4 模型评价
3.3.5 模型预测
3.4 小结
第4章 前馈神经网络994.1神经元
4.1.1 净活性值
4.1.2 激活函数
4.2 基于前馈神经网络的二分类任务
4.2.1 数据集构建
4.2.2 模型构建
4.2.3 损失函数
4.2.4 模型优化
4.2.5 完善Runner类：RunnerV2
4.2.6 模型训练
4.2.7 模型评价
4.3 自动梯度计算和预定义算子
4.3.1 利用预定义算子重新实现前馈神经网络
4.3.2 完善Runner类：RunnerV2
4.3.3 模型训练
4.3.4 模型评价
4.4 优化问题
4.4.1 参数初始化
4.4.2 梯度消失问题
4.4.3 死亡ReLU问题
4.5 实践：基于前馈神经网络完成鸢尾花分类任务
4.5.1 小批量梯度下降法
4.5.2 数据处理
4.5.3 模型构建
4.5.4 完善Runner类：RunnerV3
4.5.5 模型训练
4.5.6 模型评价
4.5.7 模型预测
第5章 卷积神经网络
5.1 卷积
5.1.1 二维卷积运算
5.1.2 二维卷积算子
5.1.3 卷积的变种
5.1.4 带步长和零填充的二维卷积算子
5.1.5 使用卷积运算完成图像边缘检测任务
5.2 卷积神经网络的基础算子
5.2.1 卷积层算子
5.2.2 汇聚层算子
5.3 基于LeNet实现手写体数字识别任务
5.3.1 数据集构建
5.3.2 模型构建
5.3.3 模型训练
5.3.4 模型评价
5.3.5 模型预测
5.4 基于残差网络的手写体数字识别
5.4.1 模型构建
5.4.2 没有残差连接的ResNet18
5.4.3 带残差连接的ResNet18
5.5 实践：基于ResNet18网络完成图像分类任务
5.5.1 数据处理
5.5.2 模型构建
5.5.3 模型训练
5.5.4 模型评价
5.5.5 模型预测
5.6 小结
第6章 循环神经网络
6.1 循环神经网络的记忆能力实验
6.1.1 数据集构建
6.1.2 模型构建
6.1.3 模型训练
6.1.4 模型评价
6.2 梯度爆炸实验
6.2.1 梯度打印函数
6.2.2 复现梯度爆炸问题
6.2.3 使用梯度截断解决梯度爆炸问题
6.3 LSTM的记忆能力实验
6.3.1 模型构建
6.3.2 模型训练
6.3.3 模型评价
6.4 实践：基于双向LSTM模型完成文本分类任务
6.4.1 数据处理
6.4.2 模型构