深度学习基础与实践 / 职业教育人工智能领域系列教材
￥57.00定价
作者： 北京博海迪信息科技股份有限公司
出版时间：2025-03-18
出版社：机械工业出版社
- 机械工业出版社
- 9787111776000
- 1-1
- 547000
- 平装
- 2025-03-18
- 431
内容简介
本书基于开源深度学习框架PyTorch编写， 既有深度学习必备的理论知识， 又有深度学习所需的实践项
目， 利于编程基础能力的培养。本书内容包括深度学习的基本原理和常用算法、深度学习框架PyTorch的环
境搭建及基础编程方法、使用PyTorch实现手势识别、CNN图像分类、数据处理、国际航空乘客预测等项
目， 以及张量的应用、手写数字体识别、面部表情识别等拓展案例。本书每个单元都配备知识点微课， “任
务实施” 结合实践应用有序排列学习任务， 符合人才成长的特点和教学规律， 突出培养学生的专业数字化素
养， 实现理论与实践的统一。
本书通俗易懂、理论结合实践， 适合作为高职院校计算机类专业的理论与实践一体化教材， 也可作为人
工智能技术人才的岗前培训教材。
为方便教学， 本书配有电子课件等教学资源。凡选用本书作为授课教材的教师均可登录机械工业出版社
教育服务网（ｗｗｗ.ｃｍｐｅｄｕ.ｃｏｍ） 注册后免费下载。如有问题请致信ｃｍｐｇａｏｚｈｉ＠ ｓｉｎａ.ｃｏｍ， 或致电０１０ －
８８３７９３７５ 联系营销人员。
目， 利于编程基础能力的培养。本书内容包括深度学习的基本原理和常用算法、深度学习框架PyTorch的环
境搭建及基础编程方法、使用PyTorch实现手势识别、CNN图像分类、数据处理、国际航空乘客预测等项
目， 以及张量的应用、手写数字体识别、面部表情识别等拓展案例。本书每个单元都配备知识点微课， “任
务实施” 结合实践应用有序排列学习任务， 符合人才成长的特点和教学规律， 突出培养学生的专业数字化素
养， 实现理论与实践的统一。
本书通俗易懂、理论结合实践， 适合作为高职院校计算机类专业的理论与实践一体化教材， 也可作为人
工智能技术人才的岗前培训教材。
为方便教学， 本书配有电子课件等教学资源。凡选用本书作为授课教材的教师均可登录机械工业出版社
教育服务网（ｗｗｗ.ｃｍｐｅｄｕ.ｃｏｍ） 注册后免费下载。如有问题请致信ｃｍｐｇａｏｚｈｉ＠ ｓｉｎａ.ｃｏｍ， 或致电０１０ －
８８３７９３７５ 联系营销人员。
目录
目 录
前言
单元1
从机器学习到深度学习
1.1 学习情境描述 ００１
1.2 任务陈述 ００１
1.3 知识准备 ００２
１.３.１ 人工智能、机器学习和深度学习的关系 ００２
１.３.２ 神经元和感知器 ００７
１.３.３ 神经网络架构 ０１０
１.３.４ 深度学习的应用领域 ０１４
1.4 任务实施：深度学习体系梳理 ０１５
１.４.１ 任务书 ０１５
１.４.２ 任务分组 ０１５
１.４.３ 获取信息 ０１６
１.４.４ 工作实施 ０１７
１.４.５ 评价与反馈 ０１９
1.5 拓展案例：深度学习在推荐系统中的应用 ０２０
１.５.１ 问题描述 ０２０
１.５.２ 基础理论 ０２０
１.５.３ 实际应用 ０２０
１.５.４ 案例总结 ０２３
1.6 单元练习 ０２４
单元2
深度学习基础知识
2.1 学习情境描述 ０２５
2.2 任务陈述 ０２５
2.3 知识准备 ０２６
２.３.１ 模型拟合 ０２６
２.３.２ 损失函数和代价函数 ０３１
２.３.３ 最优化算法 ０３５
2.4 任务实施：常用代价函数实验 ０４０
２.４.１ 任务书 ０４０
２.４.２ 任务分组 ０４０
２.４.３ 获取信息 ０４１
２.４.４ 工作实施 ０４１
２.４.５ 评价与反馈 ０４５
2.5 任务实施：梯度下降实验 ０４６
２.５.１ 任务书 ０４６
２.５.２ 任务分组 ０４７
２.５.３ 获取信息 ０４７
２.５.４ 工作实施 ０４７
２.５.５ 评价与反馈 ０４９
2.6 拓展案例：PyTorch 简单模型构建 ０５０
２.６.１ 问题描述 ０５０
２.６.２ 基础理论 ０５０
２.６.３ 解决步骤 ０５１
２.６.４ 案例总结 ０５３
2.7 单元练习 ０５３
单元3
PyTorch 深度学习框架
3.1 学习情境描述 ０５５
3.2 任务陈述 ０５５
3.3 知识准备 ０５６
３.３.１ 深度学习框架 ０５６
３.３.２ ＰｙＴｏｒｃｈ 环境搭建 ０６０
３.３.３ ＰｙＴｏｒｃｈ 的基本使用 ０６５
3.4 任务实施：PyTorch 环境的搭建和基本使用 ０６８
３.４.１ 任务书 ０６８
３.４.２ 任务分组 ０６９
３.４.３ 获取信息 ０６９
３.４.４ 工作实施 ０６９
３.４.５ 评价与反馈 ０７１
3.5 拓展案例：张量的应用 ０７２
３.５.１ 问题描述 ０７２
３.５.２ 思路描述 ０７２
３.５.３ 解决步骤 ０７３
３.５.４ 案例总结 ０７５
3.6 单元练习 ０７５
单元4
PyTorch 编程基础
4.1 学习情境描述 ０７６
4.2 任务陈述 ０７６
4.3 知识准备 ０７７
４.３.１ 张量的概念及应用 ０７７
４.３.２ 神经网络 ０８６
4.4 任务实施：PyTorch 常见操作及函数的使用 ０９４
４.４.１ 任务书 ０９４
４.４.２ 任务分组 ０９４
４.４.３ 获取信息 ０９４
４.４.４ 工作实施 ０９４
４.４.５ 评价与反馈 ０９６
4.5 任务实施：PyTorch 神经网络的搭建 ０９８
４.５.１ 任务书 ０９８
４.５.２ 任务分组 ０９８
４.５.３ 获取信息 ０９８
４.５.４ 工作实施 ０９９
４.５.５ 评价与反馈 １００
4.6 拓展案例：手写数字体识别 １０２
４.６.１ 问题描述 １０２
４.６.２ 思路描述 １０２
４.６.３ 解决步骤 １０２
４.６.４ 案例总结 １０７
4.7 单元练习 １０７
单元5
用PyTorch 实现深度网络
5.1 学习情境描述 １０８
5.2 任务陈述 １０８
5.3 知识准备 １０９
５.３.１ 使用ＰｙＴｏｒｃｈ 实现深度学习模型的基本流程 １０９
５.３.２ 数据集的预处理 １１３
５.３.３ 模型定义 １１６
５.３.４ 模型的优化与评估 １１７
5.4 任务实施：手势识别 １２２
５.４.１ 任务书 １２２
５.４.２ 任务分组 １２２
５.４.３ 获取信息 １２２
５.４.４ 工作实施 １２２
５.４.５ 评价与反馈 １２７
5.5 拓展案例：书法字体识别 １２８
５.５.１ 问题描述 １２８
５.５.２ 实际应用 １２９
５.５.３ 解决步骤 １２９
５.５.４ 案例总结 １３３
5.6 单元练习 １３３
单元6
基于CNN 的服装图像分类
6.1 学习情境描述 １３４
6.2 任务陈述 １３４
6.3 知识准备 １３５
６.３.１ ＣＮＮ 概述 １３５
６.３.２ 基于ＣＮＮ 的图像分类 １４０
6.4 任务实施：CNN 的Fashion?MINIST 分类实战 １４５
６.４.１ 任务书 １４５
６.４.２ 任务分组 １４５
６.４.３ 获取信息 １４５
６.４.４ 工作实施 １４５
６.４.５ 评价与反馈 １４９
6.5 拓展案例：基于卷积神经网络的面部表情识别 １５０
６.５.１ 问题描述 １５０
６.５.２ 基础理论 １５０
６.５.３ 解决步骤 １５１
６.５.４ 案例总结 １５８
6.6 单元练习 １５８
单元7
图像数据处理
7.1 学习情境描述 １５９
7.2 任务陈述 １５９
7.3 知识准备 １６０
７.３.１ 数字图像的概念和图像处理方法 １６０
７.３.２ 图像编／ 解码、标准化处理和添加标注框 １６９
7.4 任务实施：图像数据处理 １７５
７.４.１ 任务书 １７５
７.４.２ 任务分组 １７５
７.４.３ 获取信息 １７５
７.４.４ 工作实施 １７６
７.４.５ 评价与反馈 １７９
7.5 拓展案例：基于神经网络的图像风格迁移 １８０
７.５.１ 问题描述 １８０
７.５.２ 基础理论 １８０
７.５.３ 解决步骤 １８３
７.５.４ 案例总结 １８７
7.6 单元练习 １８７
单元8
基于LSTM 的数据预测
8.1 学习情境描述 １８８
8.2 任务陈述 １８８
8.3 知识准备 １８９
８.３.１ 数据预测概述 １８９
８.３.２ 时间序列预测方法 １９０
８.３.３ ＬＳＴＭ 神经网络 １９３
8.4 任务实施：国际航空乘客预测 １９８
８.４.１ 任务书 １９８
８.４.２ 任务分组 １９８
８.４.３ 获取信息 １９８
８.４.４ 工作实施 １９９
８.４.５ 评价与反馈 ２０２
8.5 拓展案例：使用PyTorch 进行LSTM 时间序列预测 ２０３
８.５.１ 问题描述 ２０３
８.５.２ 思路描述 ２０３
８.５.３ 解决步骤 ２０４
８.５.４ 案例总结 ２０８
8.6 单元练习 ２０９
单元9
基于AlexNet 的图像分类
9.1 学习情境描述 ２１０
9.2 任务陈述 ２１０
9.3 知识准备 ２１１
９.３.１ ＡｌｅｘＮｅｔ 神经网络 ２１１
９.３.２ 基于ＡｌｅｘＮｅｔ 的图像分类概述 ２１５
9.4 任务实施：基于AlexNet 的CIFAR - 100 分类实战 ２２３
９.４.１ 任务书 ２２３
９.４.２ 任务分组 ２２３
９.４.３ 获取信息 ２２３
９.４.４ 工作实施 ２２４
９.４.５ 评价与反馈 ２２７
9.5 拓展案例：基于深度学习和迁移学习的遥感
图像场景分类实战 ２２８
９.５.１ 问题描述 ２２８
９.５.２ 思路描述 ２２８
９.５.３ 解决步骤 ２２８
９.５.４ 案例总结 ２３１
9.6 单元练习 ２３１
单元10
基于ResNet 的行人重识别
10.1 学习情境描述 ２３３
10.2 任务陈述 ２３３
10.3 知识准备 ２３４
１０.３.１ ＲｅｓＮｅｔ 概述 ２３４
１０.３.２ 行人重识别 ２４４
10.4 任务实施：基于ResNet 的行人重识别实战 ２５５
１０.４.１ 任务书 ２５５
１０.４.２ 任务分组 ２５５
１０.４.３ 获取信息 ２５５
１０.４.４ 工作实施 ２５６
１０.４.５ 评价与反馈 ２６１
10.5 拓展案例：基于骨架提取和人体关键点
估计的行为识别 ２６２
１０.５.１ 问题描述 ２６２
１０.５.２ 思路描述 ２６２
１０.５.３ 解决步骤 ２６２
１０.５.４ 案例总结 ２６４
10.6 单元练习 ２６４
参考文献 ２６５
前言
单元1
从机器学习到深度学习
1.1 学习情境描述 ００１
1.2 任务陈述 ００１
1.3 知识准备 ００２
１.３.１ 人工智能、机器学习和深度学习的关系 ００２
１.３.２ 神经元和感知器 ００７
１.３.３ 神经网络架构 ０１０
１.３.４ 深度学习的应用领域 ０１４
1.4 任务实施：深度学习体系梳理 ０１５
１.４.１ 任务书 ０１５
１.４.２ 任务分组 ０１５
１.４.３ 获取信息 ０１６
１.４.４ 工作实施 ０１７
１.４.５ 评价与反馈 ０１９
1.5 拓展案例：深度学习在推荐系统中的应用 ０２０
１.５.１ 问题描述 ０２０
１.５.２ 基础理论 ０２０
１.５.３ 实际应用 ０２０
１.５.４ 案例总结 ０２３
1.6 单元练习 ０２４
单元2
深度学习基础知识
2.1 学习情境描述 ０２５
2.2 任务陈述 ０２５
2.3 知识准备 ０２６
２.３.１ 模型拟合 ０２６
２.３.２ 损失函数和代价函数 ０３１
２.３.３ 最优化算法 ０３５
2.4 任务实施：常用代价函数实验 ０４０
２.４.１ 任务书 ０４０
２.４.２ 任务分组 ０４０
２.４.３ 获取信息 ０４１
２.４.４ 工作实施 ０４１
２.４.５ 评价与反馈 ０４５
2.5 任务实施：梯度下降实验 ０４６
２.５.１ 任务书 ０４６
２.５.２ 任务分组 ０４７
２.５.３ 获取信息 ０４７
２.５.４ 工作实施 ０４７
２.５.５ 评价与反馈 ０４９
2.6 拓展案例：PyTorch 简单模型构建 ０５０
２.６.１ 问题描述 ０５０
２.６.２ 基础理论 ０５０
２.６.３ 解决步骤 ０５１
２.６.４ 案例总结 ０５３
2.7 单元练习 ０５３
单元3
PyTorch 深度学习框架
3.1 学习情境描述 ０５５
3.2 任务陈述 ０５５
3.3 知识准备 ０５６
３.３.１ 深度学习框架 ０５６
３.３.２ ＰｙＴｏｒｃｈ 环境搭建 ０６０
３.３.３ ＰｙＴｏｒｃｈ 的基本使用 ０６５
3.4 任务实施：PyTorch 环境的搭建和基本使用 ０６８
３.４.１ 任务书 ０６８
３.４.２ 任务分组 ０６９
３.４.３ 获取信息 ０６９
３.４.４ 工作实施 ０６９
３.４.５ 评价与反馈 ０７１
3.5 拓展案例：张量的应用 ０７２
３.５.１ 问题描述 ０７２
３.５.２ 思路描述 ０７２
３.５.３ 解决步骤 ０７３
３.５.４ 案例总结 ０７５
3.6 单元练习 ０７５
单元4
PyTorch 编程基础
4.1 学习情境描述 ０７６
4.2 任务陈述 ０７６
4.3 知识准备 ０７７
４.３.１ 张量的概念及应用 ０７７
４.３.２ 神经网络 ０８６
4.4 任务实施：PyTorch 常见操作及函数的使用 ０９４
４.４.１ 任务书 ０９４
４.４.２ 任务分组 ０９４
４.４.３ 获取信息 ０９４
４.４.４ 工作实施 ０９４
４.４.５ 评价与反馈 ０９６
4.5 任务实施：PyTorch 神经网络的搭建 ０９８
４.５.１ 任务书 ０９８
４.５.２ 任务分组 ０９８
４.５.３ 获取信息 ０９８
４.５.４ 工作实施 ０９９
４.５.５ 评价与反馈 １００
4.6 拓展案例：手写数字体识别 １０２
４.６.１ 问题描述 １０２
４.６.２ 思路描述 １０２
４.６.３ 解决步骤 １０２
４.６.４ 案例总结 １０７
4.7 单元练习 １０７
单元5
用PyTorch 实现深度网络
5.1 学习情境描述 １０８
5.2 任务陈述 １０８
5.3 知识准备 １０９
５.３.１ 使用ＰｙＴｏｒｃｈ 实现深度学习模型的基本流程 １０９
５.３.２ 数据集的预处理 １１３
５.３.３ 模型定义 １１６
５.３.４ 模型的优化与评估 １１７
5.4 任务实施：手势识别 １２２
５.４.１ 任务书 １２２
５.４.２ 任务分组 １２２
５.４.３ 获取信息 １２２
５.４.４ 工作实施 １２２
５.４.５ 评价与反馈 １２７
5.5 拓展案例：书法字体识别 １２８
５.５.１ 问题描述 １２８
５.５.２ 实际应用 １２９
５.５.３ 解决步骤 １２９
５.５.４ 案例总结 １３３
5.6 单元练习 １３３
单元6
基于CNN 的服装图像分类
6.1 学习情境描述 １３４
6.2 任务陈述 １３４
6.3 知识准备 １３５
６.３.１ ＣＮＮ 概述 １３５
６.３.２ 基于ＣＮＮ 的图像分类 １４０
6.4 任务实施：CNN 的Fashion?MINIST 分类实战 １４５
６.４.１ 任务书 １４５
６.４.２ 任务分组 １４５
６.４.３ 获取信息 １４５
６.４.４ 工作实施 １４５
６.４.５ 评价与反馈 １４９
6.5 拓展案例：基于卷积神经网络的面部表情识别 １５０
６.５.１ 问题描述 １５０
６.５.２ 基础理论 １５０
６.５.３ 解决步骤 １５１
６.５.４ 案例总结 １５８
6.6 单元练习 １５８
单元7
图像数据处理
7.1 学习情境描述 １５９
7.2 任务陈述 １５９
7.3 知识准备 １６０
７.３.１ 数字图像的概念和图像处理方法 １６０
７.３.２ 图像编／ 解码、标准化处理和添加标注框 １６９
7.4 任务实施：图像数据处理 １７５
７.４.１ 任务书 １７５
７.４.２ 任务分组 １７５
７.４.３ 获取信息 １７５
７.４.４ 工作实施 １７６
７.４.５ 评价与反馈 １７９
7.5 拓展案例：基于神经网络的图像风格迁移 １８０
７.５.１ 问题描述 １８０
７.５.２ 基础理论 １８０
７.５.３ 解决步骤 １８３
７.５.４ 案例总结 １８７
7.6 单元练习 １８７
单元8
基于LSTM 的数据预测
8.1 学习情境描述 １８８
8.2 任务陈述 １８８
8.3 知识准备 １８９
８.３.１ 数据预测概述 １８９
８.３.２ 时间序列预测方法 １９０
８.３.３ ＬＳＴＭ 神经网络 １９３
8.4 任务实施：国际航空乘客预测 １９８
８.４.１ 任务书 １９８
８.４.２ 任务分组 １９８
８.４.３ 获取信息 １９８
８.４.４ 工作实施 １９９
８.４.５ 评价与反馈 ２０２
8.5 拓展案例：使用PyTorch 进行LSTM 时间序列预测 ２０３
８.５.１ 问题描述 ２０３
８.５.２ 思路描述 ２０３
８.５.３ 解决步骤 ２０４
８.５.４ 案例总结 ２０８
8.6 单元练习 ２０９
单元9
基于AlexNet 的图像分类
9.1 学习情境描述 ２１０
9.2 任务陈述 ２１０
9.3 知识准备 ２１１
９.３.１ ＡｌｅｘＮｅｔ 神经网络 ２１１
９.３.２ 基于ＡｌｅｘＮｅｔ 的图像分类概述 ２１５
9.4 任务实施：基于AlexNet 的CIFAR - 100 分类实战 ２２３
９.４.１ 任务书 ２２３
９.４.２ 任务分组 ２２３
９.４.３ 获取信息 ２２３
９.４.４ 工作实施 ２２４
９.４.５ 评价与反馈 ２２７
9.5 拓展案例：基于深度学习和迁移学习的遥感
图像场景分类实战 ２２８
９.５.１ 问题描述 ２２８
９.５.２ 思路描述 ２２８
９.５.３ 解决步骤 ２２８
９.５.４ 案例总结 ２３１
9.6 单元练习 ２３１
单元10
基于ResNet 的行人重识别
10.1 学习情境描述 ２３３
10.2 任务陈述 ２３３
10.3 知识准备 ２３４
１０.３.１ ＲｅｓＮｅｔ 概述 ２３４
１０.３.２ 行人重识别 ２４４
10.4 任务实施：基于ResNet 的行人重识别实战 ２５５
１０.４.１ 任务书 ２５５
１０.４.２ 任务分组 ２５５
１０.４.３ 获取信息 ２５５
１０.４.４ 工作实施 ２５６
１０.４.５ 评价与反馈 ２６１
10.5 拓展案例：基于骨架提取和人体关键点
估计的行为识别 ２６２
１０.５.１ 问题描述 ２６２
１０.５.２ 思路描述 ２６２
１０.５.３ 解决步骤 ２６２
１０.５.４ 案例总结 ２６４
10.6 单元练习 ２６４
参考文献 ２６５
