本书是“‘十五五’普通高等教育人工智能专业系列教材”之一，系统性地讲解了深度学习与大规模预训练模型的核心理论与工程实践，内容涵盖机器学习基础、人工神经网络、卷积网络、循环网络、生成对抗网络、强化学习等经典架构，并深入探讨大模型的微调优化与部署应用。通过 PyTorch 框架，结合 Windows 环境下的 GPU 加速配置，详细解析从算法原理到工业落地的全流程。在理论层面，重点剖析网络结构设计、训练优化方法及模型压缩技术；在实践层面，提供 10余个典型实战案例, 包括图像分类、文本分析、大模型本地部署，以及 API 服务部署等工程化内容。

本书适合高等院校计算机科学与技术、人工智能、软件工程、数据科学与大数据技术等专业的本科生与研究生使用，也适合相关行业工程师和自学者使用。

       随着人工智能技术在各行各业中的广泛应用，深度学习与大模型已经成为推动科技进步的重要动力。本书旨在帮助读者由浅入深地掌握深度学习与大模型的核心知识，同时注重理论与实践的紧密结合，强化工程实战能力，为科研和产业应用奠定坚实基础。
       本书编写紧跟前沿技术趋势，坚持理论与实践并重的理念，注重内容的系统性和层次性，力求做到理论讲解深入浅出、实践案例详实可操作，并充分融合编者在相关领域的科研成果和已正式发表的论文。与同类教材相比，本书不仅覆盖了传统机器学习和深度学习的基础理论，还重点介绍了大模型的构建、调优及部署等前沿技术，体现了鲜明的创新特色和工程实用性。
       全书共分九章，内容从机器学习与人工智能概述、神经网络与深度学习基础，到深度学习环境配置、卷积神经网络、循环神经网络、生成对抗网络，再到 Transformer 模型、大模型微调及其部署应用, 涵盖面很广。本书既有对基础理论的系统讲解, 也有大量实战案例演示，力求帮助读者打牢理论基础、提升实践能力，实现知识的高效迁移与应用。
       本书采用理论授课和项目实践相结合的方式进行教学，每个知识单元均配有对应的实践活动和编程任务，以确保学生在动手过程中巩固所学知识。
       本书由张永忠任主编，董亮、韩飞腾、时妙文、吉鹏硕任副主编。其中，第1章由吉鹏硕编写，第2章由时妙文编写，第3章、 第6章和第8章由董亮编写，第4章由韩飞腾编写, 第5章、第7章和第9章由张永忠编写。各位编者在编写过程中充分交流、互相审核，确保全书内容严谨、前沿，并具有实践指导意义。
       本书适合高等院校计算机科学与技术、人工智能、软件工程、数据科学与大数据技术等专业的本科生与研究生使用，也适合行业工程师和自学者使用。配套的视频、示例代码及教学资源可到中国铁道出版社教育资源数字化平台 ( https:∥www. tdpress. com/51eds) 下载，也可联系作者( zhangyongzhong@ bcu. edu. cn)，以便及时获取最新学习资料。
       最后，衷心感谢各位参与审核及实验测试的同仁和专家对本书提供的宝贵意见与支持。尽管我们力求完美，但在教学内容和案例设计上仍可能存在不足，诚邀各位读者和业界朋友批评指正，共同促进我国深度学习与大模型领域的教学与研究发展。

       编 者
       2025年3月

第1章 机器学习与人工智能基础  1 
1.1 机器学习与人工智能的基本概念  2 
1.2 机器学习的分类 13 
1.3 机器学习的常见算法 17 
1.4 机器学习的基本流程 21 
1.5 项目实践——实现线性回归模型 25 
本章小结  28 
思考与练习  28 

第2章 人工神经网络与深度学习基础  30 
2.1 神经网络的基本概念 31 
2.2 前向传播与反向传播 35 
2.3 激活函数及其选择 39 
2.4 深度学习与传统机器学习的对比 42 
2.5 深度学习的应用场景 44 
2.6 项目实践——实现简单的多层感知机 45 
本章小结  50 
思考与练习  50 

第3章 深度学习环境配置  51 
3.1 深度学习环境概述 52 
3.2 安装CUDA与驱动程序  55 
3.3 安装Anaconda与PyTorch  61 
3.4 配置PyTorch的GPU加速  69 
3.5 测试与排错 71 
3.6 项目实践——搭建GPU加速的PyTorch环境并测试运行 72 
本章小结  75 
思考与练习  75 

第4章 卷积神经网络与计算机视觉  76 
4.1 卷积神经网络的基本概念 77 
4.2 卷积神经网络在图像分类中的应用 81 
4.3 迁移学习与预训练模型 86 
4.4 卷积神经网络的优化 94 
4.5 项目实践——使用YOLO进行目标检测任务 97 
本章小结  99 
思考与练习  99 

第5章 循环神经网络与自然语言处理  101 
5.1 循环神经网络的原理  102 
5.2 长短期记忆和门控循环单元  112 
5.3 文本生成与情感分析  116 
5.4 词向量与嵌入层  119 
5.5 序列到序列模型与机器翻译  122 
5.6 项目实践——构建LSTM模型进行文本情感分析  125 
本章小结 129 
思考与练习 130 

第6章 生成对抗网络与深度生成模型  131 
6.1 生成对抗网络  132 
6.2 深度卷积生成对抗网络  137 
6.3 条件生成对抗网络  141 
6.4 深度生成模型应用  143 
6.5 项目实践——基于DCGAN生成手写数字图像  145 
本章小结 150 
思考与练习 150 

第7章 大模型概述  151 
7.1 Transformer 模型的基本结构  152 
7.2 编码器-解码器结构与模型应用  156 
7.3 自监督学习与预训练任务  160 
7.4 大模型的构建与参数规模的影响  162 
7.5 常见大模型实例：BERT与GPT  164 
7.6 大模型的应用场景与优势分析  166 
7.7 项目实践——基于BERT进行文本分类  169 
本章小结 173 
思考与练习  174 

第8章 大模型微调  175 
8.1 大模型微调基础  176 
8.2 大模型微调分类  179 
8.3 微调实践案例  189 
8.4 项目实践——通过微调BERT模型进行文本分类  190 
本章小结 199 
思考与练习 199 

第9章 大模型的部署与应用  200 
9.1 大模型的部署  201 
9.2 部署中的大模型调优方法  212 
9.3 数据集构建方法  214 
9.4 ONNX与TensorRT优化  218 
9.5 RAG与本地知识库部署  219 
9.6 项目实践——将训练好的模型通过ONNX格式部署至Web服务 226 
本章小结 230 
思考与练习 230

张永忠，高级工程师，北京城市学院，硕士研究生导师。毕业于哈尔滨工业大学，现任北京城市学院智能电子制造研究中心主任，北京电子学会智能制造委员会委员、人工智能工作组组长，北京市科学技术、中关村科技园区管理委员会科技项目评审专家、中国航天科工集团第二研究院工艺专家组特邀专家，曾任中国机械制造工艺协会电子分会理事、顺义区科学技术协会第二届委员会委员、中国航天科工集团第二研究院七〇六所第六届科学技术委员会委员。主持参与863、核高基、国家995高新工程二期等国家级项目8项、省部级项目2项；各类市区级、企业横向课题50余项。发表学术论文10余篇，其中SCI、EI论文5篇，授权发明专利、软件著作权10余项，获得各类荣誉、奖项20余项。将图像处理技术、机器人运动控制技术、增强现实研究成果转化为数据包采集系统、智能化搪锡系统、增强现实仿真系统3个产品，已经推向市场，其中智能搪锡系统为行业首个工程化应用系统。将人工智能、图像处理等技术应用于教育教学领域，取得了智慧课程学习平台、虚拟讲师授课、学习行为有效性分析等研究成果。

（1）内容全面。不仅包含机器学习的内容，还包含深度学习、大模型等内容。

（2）理论与实践相结合。不仅讲解理论知识，还通过大量实战案例帮助读者理解和应用。

（3）注重可操作性。提供详细的操作步骤和代码示例，方便读者学习和实践。

（4）紧跟前沿技术。介绍深度学习领域的最新进展，如大模型、AGI、强化学习等。