本书系统介绍了神经网络和深度学习，并结合实际应用场景和综合案例，让读者深入了解深度学习。 全书共16章，分为4个部分。第1部分介绍了深度学习基础算法与应用，主要包括神经网络和深度学习的相关概念、多层神经网络的基本原理和具体应用、卷积神经网络的原理及项目案例实现、优化算法与模型管理。第2部分介绍了深度学习进阶算法与应用，主要包括经典的深度卷积神经网络，ResNet、DenseNet和MobileNet，目标检测的基本概念和常见算法，循环神经网络的基本概念和具体应用。第3部分介绍了时空数据模型与应用，主要包括CNN-LSTM混合模型的基本概念和具体应用，多元时间序列神经网络、注意力机制和Transformer的基本结构和具体应用。第4部分介绍了生成对抗网络及其应用，主要包括生成对抗网络的基本概念及其模型的结构和训练过程，使用检测模型、识别模型对车牌进行检测与识别。 本书适合对人工智能、机器学习、神经网络和深度学习等感兴趣的读者阅读，也适合作为本科院校和高等职业院校人工智能相关专业的教材。本书可以帮助有一定基础的读者查漏补缺，使其深入理解和掌握与深度学习相关的原理及方法，并能提高其解决实际问题的能力。

第1部分 深度学习基础算法与应用
第1章 单层神经网络
1.1 深度学习的基本概念
1.1.1 深度学习的概述
1.1.2 神经网络
1.2 深度学习框架
1.2.1 常见框架介绍
1.2.2 张量
1.3 单层神经网络的概述
1.3.1 回归模型
1.3.2 二分类模型
1.3.3 多分类模型
1.4 单层神经网络实现鸢尾花分类
1.4.1 使用TensorFlow实现鸢尾花分类
1.4.2 使用PyTorch实现鸢尾花分类
本章总结
作业与练习
第2章 多层神经网络
2.1 多层神经网络的概述
2.1.1 隐藏层的意义
2.1.2 激活函数
2.1.3 反向传播
2.1.4 异或处理代码实现
2.2 梯度下降算法
2.2.1 批量梯度下降算法
2.2.2 随机梯度下降算法
2.2.3 小批量梯度下降算法
2.3 正则化处理
2.3.1 L1正则化与L2正则化
2.3.2 Dropout正则化
2.3.3 提前停止
2.3.4 批量标准化
2.4 手写数字识别
2.4.1 MNIST数据集简介
2.4.2 使用TensorFlow实现MNIST手写数字分类
2.4.3 使用PyTorch实现MNIST手写数字分类
本章总结
作业与练习
第3章 卷积神经网络
3.1 图像基础原理
……
第2部分 深度学习进阶算法与应用
第3部分 时空数据模型与应用
第4部分 生成对抗网络及其应用