随着深度学习技术的发展、计算能力的提升和视觉数据的增加，计算机视觉技术在图像搜索、智能相册、人脸闸机、城市智能交通管理、智慧医疗等诸多领域都取得了令人瞩目的成绩。越来越多的人开始关注这个领域。计算机视觉包含多个分支，其中图像分类、目标检测、图像分割、目标跟踪等是计算机视觉领域最重要的几个研究课题。本书介绍的目标检测技术，本质上就是通过计算机运行特定的算法，检测图像中一些受关注的目标。当今时代，我们很容易在互联网上找到目标检测算法的开源代码，运行代码并不是什么难事，但理解其中的原理却有一定的难度。我们编写本书的目的就是由浅入深地向读者讲解目标检测技术，用相对通俗的语言来介绍算法的背景和原理，在读者“似懂非懂”时给出实战案例。实战案例的代码已全部通过线下验证，代码并不复杂，可以很好地帮助读者理解算法细节，希望读者在学习理论之后可以亲自动手实践。目标检测的理论和实践是相辅相成的，希望本书可以带领读者走进目标检测的世界。

本书的写作初衷是，从学者的角度，用一种通俗易懂的方式，将基于深度学习的目标检测的相关论文中的理论和方法呈现给读者，同时针对作者在深度学习教学过程中遇到的难点，进行深入的分析和讲解。 本书侧重对卷积神经网络的介绍，而深度学习的内容不止于此。所以，作者将深度学习分为有监督学习、无监督学习和强化学习三类，将图像分类、目标检测、人脸识别、语音识别、生成对抗网络和AlphaGo等应用场景归入不同的类别，并分别对其原理进行了概括性的讲解。

本书涵盖深度学习的专业基础理论知识，包括深度学习概述、机器学习基础、神经网络基础、卷积神经网络、循环神经网络、正则化与深度学习优化，以及比较流行的应用场景实践。本书配套70个示例源码及PPT课件。 本书共11章外加3个附录，系统讲解深度学习的基础知识与领域应用实践。本书内容包括深度学习概述、机器学习基础、神经网络基础、卷积神经网络和循环神经网络、正则化与深度学习优化、计算机视觉应用、目标检测应用、文本分析应用、深度强化学习应用、TensorFlow模型应用、Transformer模型应用等。附录中还给出机器学习和深度学习中用到的数学基础知识，包括线性代数、概率论和信息论等。 本书适合Python深度学习初学者、深度学习算法开发人员学习，也适合作为高等院校计算机技术、人工智能、大数据相关专业的教材或教学参考书。

本书介绍了深度学习在图像目标检测与识别领域的应用，主要包括基于UNet的图像去雾算法、基于特征融合GAN的图像增强算法、基于ESRGAN的图像超分辨率重建算法、基于嵌套UNet的图像分割算法、基于对抗迁移学习的水下大坝裂缝图像分割算法、基于改进Faster-RCNN的海洋生物检测算法、基于YOLOv4的目标检测算法、基于RetinaNet的密集目标检测算法、基于LSTM网络的视频图像目标实时检测、基于改进YOLOv4的嵌入式变电站仪表检测算法等。

本书介绍了深度学习在图像目标检测与识别领域的应用，主要包括基于UNet的图像去雾算法、基于特征融合GAN的图像增强算法、基于ESRGAN的图像超分辨率重建算法、基于嵌套UNet的图像分割算法、基于对抗迁移学习的水下大坝裂缝图像分割算法、基于改进Faster-RCNN的海洋生物检测算法、基于YOLOv4的目标检测算法、基于RetinaNet的密集目标检测算法、基于LSTM网络的视频图像目标实时检测、基于改进YOLOv4的嵌入式变电站仪表检测算法等。

数据孤岛问题已经成为制约人工智能发展的主要阻碍。在此背景下，联邦学习（Federated Learning）作为一种新兴的机器学习技术范式，凭借其突出的隐私保护能力，展示出在诸多业务场景中的应用价值。本书从联邦学习的基础知识出发，深入浅出地介绍了中央服务器优化和联邦机器学习的算法体系，详细阐述了联邦学习中涉及的加密通信模块的相关知识，以定性和定量的双视角建立了联邦学习服务质量的评估维度、理论体系，还延伸介绍了提升联邦学习服务质量的方法，并对联邦学习的研究趋势进行了深入探讨与分析，可以对设计和选择算法提供工具式的参考和帮助。本书是高校、科研院所和业界相关学者研究联邦学习技术的理想读本，也适合大数据、人工智能行业的从业者和感兴趣的读者参考。

本书系统性地介绍了深度学习的原理、关键技术及相关应用，首先从基本概念、必备的线性代数、微积分、概率统计等数学知识等入手，这些预备知识可帮助读者更好地理解深度学习技术。接着对深度学习方法和技术进行了详细介绍，包括卷积神经网络、反馈神经网络、循环神经网络、生成对抗网络等，针对每个技术都力图用简单易懂的语言、详尽的公式推导说明和生动的图形展示知识点，并附上应用样例，便于读者将概念、原理、公式和应用融会贯通。本书还考虑到初学者尽快入门的需求，对深度学习开发工具和处理技巧进行了细致的梳理和总结。最后本书对深度学习应用前景、发展趋势、未来研究趋势等进行了分析，具有一定前瞻性。本书涵盖了大量深度学习的技术细节，适用于不同层次的读者。

本书系统性地介绍了深度学习的原理、关键技术及相关应用，首先从基本概念、必备的线性代数、微积分、概率统计等数学知识等入手，这些预备知识可帮助读者更好地理解深度学习技术。接着对深度学习方法和技术进行了详细介绍，包括卷积神经网络、反馈神经网络、循环神经网络、生成对抗网络等，针对每个技术都力图用简单易懂的语言、详尽的公式推导说明和生动的图形展示知识点，并附上应用样例，便于读者将概念、原理、公式和应用融会贯通。本书还考虑到初学者尽快入门的需求，对深度学习开发工具和处理技巧进行了细致的梳理和总结。最后本书对深度学习应用前景、发展趋势、未来研究趋势等进行了分析，具有一定前瞻性。本书涵盖了大量深度学习的技术细节，适用于不同层次的读者。

深度强化学习是人工智能和机器学习的重要分支领域，有着广泛应用，如AlphaGo和ChatGPT。本书作为该领域的入门教材，在内容上尽可能覆盖深度强化学习的基础知识和经典算法。全书共10章，大致分为4部分：第1部分（第1～2章）介绍深度强化学习背景（智能决策、人工智能和机器学习）；第2部分（第3～4章）介绍深度强化学习基础知识（深度学习和强化学习）；第3部分（第5～9章）介绍深度强化学习经典算法（DQN、AC、DDPG等）；第4部分（第10章）为总结和展望。每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步深入探索。 本书可作为高等院校计算机、智能金融及相关专业的本科生或研究生教材，也可供对深度强化学习感兴趣的研究人员和工程技术人员阅读参考。

本书是一本系统介绍深度学习技术及开源框架PyTorch的入门书。书中通过大量案例介绍了PyTorch的使用方法、神经网络的搭建、常用神经网络（如卷积神经网络、循环神经网络）的实现，以及实用的深度学习技术，包括迁移学习、对抗生成学习、深度强化学习、图神经网络等。读者通过阅读本书，可以学会构造一个图像识别器，生成逼真的图画，让机器理解单词与文本，让机器作曲，教会机器玩游戏，还可以实现一个简单的机器翻译系统。 第2版基于PyTorch 1.6.0，对全书代码进行了更新，同时增加了Transformer、BERT、图神经网络等热门深度学习技术的讲解，更具实用性和时效性。