目    录

第1章  人工智能、机器学习与深度学习简介 1

1.1  什么是人工智能 1

1.2  人工智能的本质 2

1.3  人工智能相关专业人才就业前景 4

1.4  机器学习和深度学习 5

1.4.1  什么是机器学习 5

1.4.2  深度学习独领风骚 6

1.4.3  机器学习和深度学习的关系和对比 7

1.5  小白如何学深度学习 10

1.5.1  关于两个“放弃” 10

1.5.2  关于三个“必须” 10

第2章  深度学习框架PyTorch开发环境搭建 12

2.1  PyCharm的安装和使用技巧 12

2.2  在Windows环境下安装CPU版的PyTorch 16

2.3  在Windows环境下安装GPU版的PyTorch 18

2.3.1  确认显卡是否支持CUDA 18

2.3.2  安装CUDA 19

2.3.3  安装cuDNN 20

2.3.4  安装GPU版PyTorch 22

第3章  Python数据科学库 24

3.1  张量、矩阵和向量的区别 24

3.2  数组和矩阵运算库NumPy 26

3.2.1  列表和数组的区别 26

3.2.2  创建数组的方式 27

3.2.3  NumPy的算术运算 28

3.2.4  数组变形 30

3.3  数据分析处理库Pandas 31

3.3.1  Pandas数据结构Series 31

3.3.2  Pandas数据结构DataFrame 32

3.3.3  Pandas处理CSV文件 34

3.3.4  Pandas数据清洗 36

3.4  数据可视化库Matplotlib介绍 40

第4章  深度学习的基本原理 44

4.1  神经网络原理阐述 44

4.1.1  神经元和感知器 44

4.1.2  激活函数 47

4.1.3  损失函数 49

4.1.4  梯度下降和学习率 49

4.1.5  过拟合和Dropout 50

4.1.6  神经网络反向传播法 52

4.2  卷积神经网络 52

4.2.1  什么是卷积神经网络 52

4.2.2  卷积神经网络详解 53

4.2.3  卷积神经网络是如何训练的 56

4.2.4  卷积神经网络为什么能称霸图像识别领域 57

4.3  卷积神经网络经典模型架构简介 58

4.3.1  LeNet-5 59

4.3.2  AlexNet 59

4.3.3  VGG 60

4.3.4  GoogLeNet 61

4.3.5  ResNet 62

4.4  常用的模型评估指标 65

第5章  深度学习框架PyTorch入门 71

5.1  Tensor 71

5.1.1  Tensor简介 71

5.1.2  使用特定数据创建张量 72

5.1.3  使用随机数创建张量 73

5.1.4  张量基本操作 75

5.2  使用GPU加速 76

5.3  自动求导 77

5.4  PyTorch神经网络 79

5.4.1  构建神经网络 79

5.4.2  数据的加载和处理 81

5.4.3  模型的保存和加载 82

5.5  PyTorch入门实战：CIFAR-10图像分类 82

第6章  迁移学习花朵识别项目实战 90

6.1  迁移学习简介 90

6.2  什么是预训练模型 91

6.3  如何使用预训练模型 92

6.4  使用迁移学习技术实现花朵识别 93

6.5  迁移学习总结 99

第7章  垃圾分类识别项目实战 100

7.1  垃圾分类识别项目背景 100

7.2  垃圾分类背后的技术 101

7.3  垃圾图片数据集介绍 101

7.4  MnasNet模型介绍 102

7.5  垃圾分类识别项目代码分析 103

第8章  短期电力负荷预测项目实战 109

8.1  电力负荷预测项目背景 109

8.2  电力负荷预测的意义 110

8.3  电力负荷数据的获取 110

8.4  一维卷积1D-CNN 112

8.5  项目代码分析 113

第9章  空气质量识别分类与预测项目实战 119

9.1  空气质量识别分类与预测项目背景 119

9.2  主成分分析 120

9.3  聚类分析（K-Means） 122

9.4  项目代码分析 123

第10章  手写数字识别项目实战 128

10.1  手写数字识别项目背景 128

10.2  手写数字数据集 128

10.3  LeNet5模型构建 129

10.4  模型训练和测试 131

10.4.1  损失函数 131

10.4.2  优化器 131

10.4.3  超参数设置 132

10.4.4  性能评估 132

10.5  项目完整代码介绍 133

10.6  项目总结 137

第11章  人脸识别及表情识别实战 138

11.1  人脸识别 138

11.1.1  什么是人脸识别 138

11.1.2  人脸识别过程 139

11.2  人脸识别项目实战 143

11.2.1  人脸检测 143

11.2.2  人脸识别 145

11.3  面部表情识别项目实战 151

第12章  图像风格迁移项目实战 157

12.1  图像风格迁移简介 157

12.2  使用预训练的VGG-16模型进行图像风格迁移 160

12.2.1  算法思想 160

12.2.2  算法细节 161

12.2.3  代码实现 163

第13章  基于GAN生成动漫人物图像项目实战 170

13.1  什么是生成式对抗网络 170

13.2  生成式对抗网络的算法细节 172

13.3  循环生成对抗网络CycleGAN 174

13.4  基于生成式对抗网络生成动漫人物图像 177

第14章  糖尿病预测项目实战 183

14.1  糖尿病预测项目背景 183

14.2  糖尿病数据集介绍 184

14.3  LSTM-CNN模型 187

14.4  实战项目代码分析 189

第15章  基于大语言模型的自然语言处理项目实战 194

15.1  自然语言处理Embedding层详解 194

15.2  Transformer模型简介 197

15.3  预训练语言模型GPT 199

15.3.1  什么是预训练语言模型 199

15.3.2  GPT-2模型介绍 200

15.3.3  PyTorch-Transformers库介绍 201

15.4  基于Transformer模型的谣言检测系统的实现 202

15.4.1  谣言检测系统项目背景 202

15.4.2  谣言检测系统代码实战 203

15.5  基于GPT2在新闻文本分类项目中的实现 211

15.5.1  新闻文本分类项目背景 211

15.5.2  新闻文本分类代码实战 212

第16章  猴痘病毒识别项目实战 218

16.1  猴痘病毒识别项目背景 218

16.2  ResNet101模型 219

16.2.1  残差块 219

16.2.2  ResNet101网络结构 220

16.3  实战项目代码分析 220

第17章  X光肺部感染识别项目实战 226

17.1  X光肺部感染识别项目背景 226

17.2  项目所用到的图像分类模型 227

17.3  实战项目代码分析 230

第18章  乐器声音音频识别项目实战 237

18.1  音频与声音数字化 237

18.2  音频深度学习 238

18.3  音频处理的应用场景 240

18.4  实战项目代码分析 242