深度学习是人工智能的核心技术之一，本书较系统地介绍了深度学习的基本内容，主要包括深度学习基础、前馈神经网络、卷积神经网络、循环神经网络、自编码器、Transformer模型、生成对抗网络、深度信念网络和强化学习模型等内容。本书注重基本概念、基本内容和基本方法的介绍，并通过应用实例来说明模型与算法，语言精练、逻辑层次清晰、内容先进实用，适合作为高等学校人工智能专业课程教材，也可作为人工智能应用、开发人员的参考书。

深度学习概念由Geoffrey Hinton等科学家在2006年提出，是基于机器学习延伸出来的一个新领域，以神经网络算法为起源，并伴随大数据和计算力的提高而产生的一系列新的算法。深度学习已成功应用在自然语言处理、语音识别、图像处理与计算机视觉等领域，并在以上领域取得了突破性的进展。
人工神经网络是基于生理学的智能仿真模型，通过调整其内部大量节点之间相互连接的关系，来达到处理信息的目的，并具有自学习和自适应的能力，是人工智能连接学派的典型代表。
统计学是机器学习重要学派之一，是通过大量的数据发现其所存在的规律。深度学习的出现基本上解决了一对一映射的问题，因此出现了AlexNet里程碑式的研究成果。但是，单一的深度学习不能解决序列决策问题，强化学习的出现使该问题得到了新的进展。
深度学习利用深度神经网络特有的感知能力对目标的特征进行提取与识别，从而完成对物体的分类和检测等。深度学习与强化学习融合产生了深度强化学习，深度强化学习结合了深度学习的感知能力和强化学习的决策能力，克服了强化学习只适用于状态为离散且低维的缺陷，可直接从高维原始数据学习控制策略。
本书所介绍的典型深度学习模型，包括曾在神经网络发展史上产生重大影响的前馈神经网络和卷积神经网络，也包括最近出现的信念网和Transformer模型。在神经网络发展的历史长河中，众多学者对深度学习的发展做出了卓越的贡献，推动了深度学习的发展。
全书共分9章，内容安排如下：
第1章主要包括深度学习的发展历程、机器学习基础、神经网络模型基础等内容。
第2章主要包括分类模型、感知器和BP神经网络等内容。
第3章主要包括卷积网络的产生、CNN结构、CNN训练、逆CNN、CNN应用等内容。
第4章主要包括循环神经网络概述、RNN的结构、RNN的I/O模式、长短期记忆模型、基于RNN的语言模型等内容。
第5章主要包括自编码器概述、常用的自编码器、深度自编码器、深度自编码器应用等内容。
第6章主要包括Transformer模型的特点与注意力机制、Transformer模型结构、Transformer工作过程与训练等内容。
第7章主要包括GAN概述、GAN算法流程、GAN训练、多种形式的GAN结构、GAN的优点和应用场景等内容。
第8章主要包括DBN的产生和发展、玻尔兹曼机与受限玻尔兹曼机、DBN的结构与构建、DBN训练等内容。
第9章主要包括强化学习原理、SARSA算法、QLearning算法、策略梯度算法、ActorCritic RL算法、强化学习模型与算法、RL的应用等内容。
本书在结构上为积木状，各章内容独立论述。对于每一种模型的介绍，都遵循以下模式：提出问题→设计模型的基本思想→构建数理模型与算法→拓展应用场景。本书适合作为高等学校人工智能专业课程教材，也可作为人工智能应用、开发人员的参考书。
由于编者水平有限，书中不足之处在所难免，敬请读者批评指正。

2025年2月

第1章概述111深度学习的发展历程2111深度学习的起源2112深度学习的发展3113深度学习的爆发312机器学习基础3121机器学习方式4122机器学习的主要流派与演化过程8123泛化能力与增强方法9124模型性能评价指标12125相似性的度量与误差计算1413神经网络模型基础19131神经网络模型特性20132学习方式与学习规则25133深度学习模型原理33小结37思考与练习37第2章前馈神经网络3821分类模型38211分类系统38212判别函数39213线性不可分的分类4122感知器42221离散感知器42222连续感知器4523BP神经网络46231多层感知器结构46232误差反向传播算法47233Dropout方法52234深度神经网络训练过程5223

陈明，国内计算机科学领域资深专家，曾任大连理工大学计算机科学与工程系教授、系主任，中国石油大学(北京)计算机科学与技术系教授、系主任。中国计算机学会理事、中国人工智能学会理事、中国人工智能学会智能信息网专委会副主任。全国高校计算机基础教育研究会常务理事、教育部IT&AT教育工程专家组成员。

本书在结构上为积木状，各章内容独立论述。对于每一种模型的介绍，都遵循以下模式：提出问题→设计模型的基本思想→构建数理模型与算法→拓展应用场景。