本书紧密围绕深度学习及加速技术的基础理论与应用案例展开叙述，实现了深度学习算法设计与硬件加速技术的有机统一，是一本基础理论与实践案例相结合的实用图书。其具体内容涉及人工智能基本概念，神经网络数学基础、神经网络基本结构与学习策略、反向传播算法数学原理与训练机制等神经网络基础理论，以及一些高级主题和实践。本书可作为从事人工智能领域算法研究、架构设计与应用实现等工作的科研人员、工程师以及高等院校师生的参考书籍。

"《PyTorch深度学习入门与技术实践》介绍如何学习和使用流行的PyTorch框架开发深度学习应用，主要内容包括PyTorch中的计算图，用三阶多项式拟合函数，实现手写数字识别，神经网络基础，卷积神经网络，PyTorch基础知识，transformer架构，文本分类应用开发，聊天机器人应用开发，用Wav2Vec2进行语音识别，机器翻译应用开发，分布式PyTorch等。 《PyTorch深度学习入门与技术实践》适合作为高等院校计算机、软件工程专业本科生、研究生的参考书目，同时也适用于对PyTorch深度学习领域感兴趣的人士。 "

"《PyTorch深度学习入门与技术实践》介绍如何学习和使用流行的PyTorch框架开发深度学习应用，主要内容包括PyTorch中的计算图，用三阶多项式拟合函数，实现手写数字识别，神经网络基础，卷积神经网络，PyTorch基础知识，transformer架构，文本分类应用开发，聊天机器人应用开发，用Wav2Vec2进行语音识别，机器翻译应用开发，分布式PyTorch等。 《PyTorch深度学习入门与技术实践》适合作为高等院校计算机、软件工程专业本科生、研究生的参考书目，同时也适用于对PyTorch深度学习领域感兴趣的人士。 "

大约在一百年前，电气化改变了交通运输行业、制造业、医疗行业、通信行业，如今AI带来了同样巨大的改变。AI的各个分支中发展最为迅速的方向之一就是深度学习。 本书主要涉及以下内容：第1部分是神经网络的基础，学习如何建立神经网络，以及如何在数据上面训练它们。第2部分进行深度学习方面的实践，学习如何构建神经网络与超参数调试、正则化以及一些高级优化算法。第3部分学习卷积神经网络(CNN)，以及如何搭建模型、有哪些经典模型。它经常被用于图像领域，此外目标检测、风格迁移等应用也将涉及。最后在第4部分学习序列模型，以及如何将它们应用于自然语言处理等任务。序列模型讲到的算法有循环神经网络（RNN）、长短期记忆网络（LSTM）、注意力机制。 通过以上内容的学习，读者可以入门深度学习领域并打下扎实基础，为后续了解和探索人工智能前沿科技做知识储备。 本书配有电子课件，需要配套资源的教师可登录机械工业出版社教育服务网www.cmpedu.com免费注册后下载。

SaltStack是开源的系统自动化配置和管理工具，用于管理基础设置的轻量级工具，容易搭建，为远程管理服务器提供一种更好、更快速、更有扩展性的解决方案，部署轻松，在几分钟内可运行起来，扩展性好，很容易管理上万台服务器，速度够快，服务器之间秒级通讯。 本书系统介绍SaltStack的配置、部署与二次开发方法。本书先介绍为何使用SaltStack，让读者对SaltStack有一个基本的认识，接着介绍SaltStack的基本原理以及概念，然后从系统、配置、包、进程&服务, 对salt的使用进行全方位的解析，并从一个简单负载的例子对SaltStack进行演示，再用1-2个比较变态的需求来展示SaltStack的强大功能。最后介绍SaltStack的拓展功能，以及与监控相关的示例，还介绍SaltStack二次开发，以及综合实例。本书深入浅出地讲解了SaltSt...(展开全部)

《深度学习原理与TensorFlow实践》主要介绍了深度学习的基础原理和TensorFlow系统基本使用方法。TensorFlow是目前机器学习、深度学习领域最优秀的计算系统之一，《深度学习原理与TensorFlow实践》结合实例介绍了使用TensorFlow开发机器学习应用的详细方法和步骤。同时，《深度学习原理与TensorFlow实践》着重讲解了用于图像识别的卷积神经网络和用于自然语言处理的循环神经网络的理论知识及其TensorFlow实现方法，并结合实际场景和例子描述了深度学习技术的应用范围与效果。 《深度学习原理与TensorFlow实践》非常适合对机器学习、深度学习感兴趣的读者，或是对深度学习理论有所了解，希望尝试更多工程实践的读者，抑或是对工程产品有较多经验，希望学习深度学习理论的读者。

深度学习与大数据是当今最流行和最受关注的两大计算机技术方向。本书旨在成为国内第一本深度学习原著。本书将全面、系统地介绍深度学习相关的技术，包括人工神经网络，卷积神经网络，深度学习平台及源代码分析，深度学习入门与进阶，深度学习高级实践，所有章节均附有源程序，所有实验读者均可重现，具有高度的可操作性和实用性。 通过本书，研究人员、深度学习爱好者，能够在2-3个月内，系统掌握深度学习相关的理论和技术。

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。

本书共分8章，内容包括深度学习基础、深度学习框架PyTorch的安装、PyTorch基础、线性回归和逻辑回归、全连接神经网络、卷积神经网络、循环神经网络及生成式对抗网络。本书首先从深度学习基础知识入手，引领读者动手搭建深度学习框架PyTorch，然后在PyTorch框架下实现深度学习中常用的网络模型。通过本书，读者可对深度学习有一个清晰的认识。本书中的程序均可在Windows系统中运行，不受是否具备GPU的限制。本书提供电子课件、源代码，读者可登录“华信教育资源网”（www.hxedu.com.cn）免费下载。书中每章都配有习题和实验，最后还附有参考答案。本书可作为高等学校本科数据科学与大数据、人工智能、机器人工程等专业深度学习相关课程的教材，也适合广大对深度学习有兴趣的读者自学使用。

本书用浅显易懂的语言，图文并貌地讲解了深度学习的基础知识，从如何挑选硬件到神经网络的初步搭建，再到实现图片识别、文本翻译、强化学习、生成对抗网络等多个目前最流行的深度学习应用。书中基于目前流行的PyTorch框架，运用Python语言实现了各种深度学习的应用程序，让理论和实践紧密结合。