"本书循序渐进地介绍了深度学习的基础知识与常用方法，全面细致地提供了深度学习操作的原理和在深度学习框架下的实践步骤。本书共分为三部分，理论基础、实验和案例。第一部分理论基础，包括第1~7章，主要介绍深度学习的基础知识、深度学习在不同领域的应用、不同深度学习框架的对比以及机器学习、神经网络等内容； 第二部分实验，包括第8~9章，主要讲解常用深度学习框架的基础以及计算机视觉、自然语言处理、强化学习和可视化技术领域的一些实验讲解。第三部分案例包括第10~17章，通过8个案例介绍深度学习在图像分类、目标检测、目标识别、图像分割、生成对抗、自然语言处理等方面的应用。 本书适合Python深度学习初学者、机器学习算法分析从业人员以及高等学校计算机科学、软件工程等相关专业的师生阅读。 "

前言 随着技术的发展，深度学习已经成为各个领域的热门话题。深度学习是人工智能领域中的重要分支，其地位越来越受到重视。深度学习具有优秀的自动特征提取能力和高精度的预测和分类能力，已经在图像识别、语音识别、自然语言处理、机器翻译等领域取得了很好的成果。而随着技术的不断发展和应用场景的不断拓展，深度学习在各个领域内的影响力越来越大，已经成为现代科技发展的重要推动力量，而且未来的影响力和作用也会越来越广泛，将成为人类社会进步的重要驱动力之一。 本书主要内容 本书是一本以深度学习为主题的书，目的是让读者尽可能深入地理解深度学习的技术。此外，本书强调将理论与实践结合，简明的案例不仅能加深读者对于理论知识的理解，还能让读者直观感受到实际生产中深度学习技术应用的过程。 全书共分为三大部分，共17章。 第一部分深度学习理论基础，包括第1~7章。第1章深度学习简介，包括计算机视觉、自然语言处理、强化学习； 第2章深度学习框架及其对比，包括PyTorch、TensorFlow、PaddlePaddle，以及三者的比较； 第3章机器学习基础知识，包括机器学习概述、监督学习、无监督学习、强化学习、神经网络和深度学习，以及一个案例； 第4章回归模型，包括线性回归、Logistic回归、用PyTorch实现Logistic回归； 第5章神经网络基础，包括基础概念、感知器、BP神经网络、Dropout正则化、批标准化； 第6章卷积神经网络与计算机视觉，包括卷积神经网络的基本思想、卷积操作、池化层、卷积神经网络、经典网络结构、用PyTorch进行手写数字识别； 第7章神经...