"本书是一部系统阐述深度学习理论、方法与实践的专业教材，为读者构建了一套完整的深度学 习知识体系。全书共14 章，分为四篇：第一篇为深度学习相关的基本概念与理论（第1~2 章）， 梳理了深度学习的发展历程、前沿与趋势，介绍了机器学习任务类型、评价指标、过拟合与欠拟合、 偏差与方差、**似然估计、贝叶斯决策、损失函数设计等；第二篇介绍典型神经网络（第3~7 章）， 包括多层感知机、卷积神经网络、循环神经网络、Transformer 和图神经网络；第三篇为深度学习前 沿方向，包括深度生成模型、深度神经网络的优化方法、正则化方法、自监督学习、强化学习及深 度神经网络的高效计算方法。第四篇为深度学习实战，以PyTorch 框架为例介绍张量操作、自动求 导和神经网络层构建，同时结合图像分类、文本分类的实战案例展示深度学习模型的实现流程。此 外，附录部分补充了本书所需的线性代数、微积分、概率统计等数学基础知识。 本书适合作为高校人工智能及相关专业深度学习课程教材，也可以作为广大深度学习技术使用 者的自学参考用书。 "

前言 当前，人工智能已成为引领新一轮科技革命与产业变革的战略性技术，深刻改变着人 类的生产和生活方式。作为人工智能领域的核心技术，深度学习凭借其出色的表征学习能 力，在计算机视觉、自然语言处理、智能决策等多个方向取得突破性进展，并广泛应用于工 业、医疗、金融、教育等行业。近年来，备受关注的大模型、生成式人工智能、具身智能等 研究方向，也都离不开深度学习技术的支撑。在此背景下，国内众多高校的人工智能及相 关专业（如自动化、计算机、电子等）均已面向高年级本科生和研究生开设深度学习课程。 本书基于作者在清华大学讲授“模式识别与机器学习”本科生课程的多年教学实践，以 及长期在深度学习领域的一线科研经验，立足国内高校人工智能及相关专业教学的实际需 求，系统梳理了深度学习的知识体系，从多层感知机等经典神经网络入手，逐步深入剖析 深度卷积网络、循环神经网络、Transformer 等核心模型与算法，同时介绍了自监督学习、 生成式模型、高效计算方法等前沿与面向实践的内容。由于深度学习仍处于快速发展阶段， 涵盖范围广泛，本书适当省略了一些较为专用或理论过深的内容，而聚焦于最具代表性的 神经网络模型与算法，以帮助初学者迅速把握其核心知识与体系框架。本书特别注重厘清 深度学习的发展脉络，阐明各类模型与算法提出的背景及其演进关系，这对读者系统认识 该领域并逐步形成创新能力具有重要意义。同时，深度学习也是一门高度重视实践的学科。 为此，本书基于常用的PyTorch 深度学习框架，提供了典型的实践指导与代码示例，以帮 助读者将理论学习与动手实操相结合。 通过学习本书，学...