"深度学习是人工智能中的核心问题之一，本书较系统地介绍了深度学习的基本内容，共15章，分别为概述、前馈神经网络、卷积神经网络、循环神经网络、深度残差神经网络、Transformer模型、生成对抗网络、深度信念网络、胶囊神经网络、自编码器、强化学习、脉冲神经网络、迁移学习、元学习和大语言模型。 本书注重基本概念、基本方法、基本模型和基本应用的介绍，并通过应用实例来说明深度学习模型与算法，语言精练，逻辑层次清晰，内容先进实用，可以作为大学“深度学习”课程的教材，也可以作为应用深度学习的科技人员的参考书。 "

陈明，教授，博士生导师 。研究领域为分布计算、计算智能、大数据技术等。中国石油大学（北京）计算机科学与技术系创始系主任。获北京市教学名师奖。中国工程教育认证专家。

前言 深度学习由著名计算机科学家Geoffrey Hinton等在2006年提出，是基于机器学习延伸出来的一个新领域。它是以神经网络算法为起源，伴随大数据的出现和计算机算力的提升而产生的一系列新的模型与算法。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，并在研究与应用上取得了突破性的进展。 人工神经网络是基于生理学的仿真模型，它通过调整其内部大量节点之间的相互连接来达到信息处理的目的，并具有自学习和自适应的能力，是连接主义学派的典型代表。 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，强化学习的出现使序列决策问题的解决取得了新的进展。 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，其卷积核等同于滤波器，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而且低维的缺陷，可直接从高维原始数据学习控制策略。但是，深度强化学习过度依赖巨量的训练，并且需要精确的奖赏。然而对于现实世界的很多问题，并没有好的奖赏，也没办法无限量训练，而是需要快速学习的方法。 为了降低深度神经网络模型训练所需的数据量，引入了迁移学习的思想，从而诞生了深度迁移学习技术。深度迁移学习是指利用数据、任务或模型之间的相似性，将在源领域学习过的模型，应用于新领域的一种学习过程。通过将训练好的模型迁移到类似场景，实现只需少量的训练数据就可以达到较好的效果。 元...