[中英对照] 实用深度学习（第二版）：基于 Python 的

入门指南（中英对照版电子书） 全书结构清晰，共分为五个主要部分，辅以环境配置与数学基础章节，形成完整的学习体系。开篇的 “环境与数学预备知识” 章节，详细指导读者搭建基于 Ubuntu 系统的 Python 深度学习环境，介绍 NumPy、scikit-learn、TensorFlow（含 Keras 接口）等核心工具库的安装与基础用法，同时梳理线性代数（向量、矩阵及运算）、统计与概率（描述统计、概率分布、统计检验）等关键数学知识，为后续学习扫清技术与知识障碍，且明确说明无需 GPU 即可完成书中案例训练，降低入门硬件门槛。 第一部分 “数据至上” 是深度学习的基础铺垫，强调数据在模型训练中的核心地位。第一章围绕数据集构建的关键要素展开，讲解类与标签的定义、特征与特征向量的类型（浮点型、区间值、序数、分类值）及处理方法，深入分析特征选择与维度灾难的关系，阐述优质数据集需具备的特性（代表性、覆盖完整分布、合理类概率、包含干扰样本等），同时介绍数据预处理技巧（特征缩放、缺失值处理）与数据集划分（训练集、验证集、测试集）及 k 折交叉验证方法。第二章则通过鸢尾花、乳腺癌、MNIST 手写数字、CIFAR-10 四个经典数据集，演示数据集构建流程，包括数据获取、清洗、格式转换，还重点讲解数据增强技术，如基于主成分分析（PCA）的特征向量增强与针对图像的旋转、翻转、随机裁剪等增强方法，解决小数据集训练难题。 第二部分 “经典机器学习” 衔接传统机器学习与深度学习，帮助读者理解深度学习的技术源流。第三章系统介绍六种经典机器学习模型的核心原理：最近质心分类器通过计算类中心距离实现简单分类；k 近邻（k-NN）利用训练数据本身进行投票分类；朴素贝叶斯基于贝叶斯定理与特征独立假设构建分类模型；决策树通过递归生成决策规则实现分类，随机森林则通过集成多棵决策树降低过拟合风险；支持向量机（SVM）通过寻找最大间隔超平面实现分类，并引入核函数处理非线性问题。第四章通过实验对比不同经典模型在鸢尾花、乳腺癌、MNIST 数据集上的性能，分析模型优缺点与适用场景，如 k-NN 无需训练但分类速度慢，随机森林鲁棒性强但可解释性弱，为后续深度学习模型性能对比提供基准。 第三部分 “神经网络” 是深度学习的核心基础，详解传统神经网络的原理与训练方法。第五章介绍神经网络的基本结构，包括神经元的构成（输入、权重、偏置、激活函数）、常用激活函数（sigmoid、tanh、ReLU）、网络架构（输入层、隐藏层、输出层）及权重与偏置的矩阵表示，通过鸢尾花数据集分类案例，演示神经网络的构建、训练与测试流程。第六章深入神经网络训练的关键技术，包括梯度下降算法（随机梯度下降、小批量梯度下降）、反向传播算法原理、损失函数（绝对损失、均方误差损失、交叉熵损失）、权重初始化方法（Glorot 初始化、He 初始化）及正则化技术（L2 正则化、Dropout），解决模型过拟合问题，同时讲解学习率、动量等超参数对训练效果的影响。第七章通过 MNIST 数据集实验，探究网络架构、激活函数、批量大小、学习率等参数对模型性能的影响，帮助读者建立参数调优的直观认知。第八章聚焦模型评估，突破仅依赖准确率的局限，引入混淆矩阵及衍生 metrics（精确率、召回率、F1 分数、ROC 曲线等），指导读者全面评估模型性能，尤其适用于类别不平衡数据集的模型评价。 第四部分 “卷积神经网络” 聚焦深度学习在计算机视觉领域的核心应用。第九章介绍卷积神经网络（CNN）的基本原理，包括卷积操作（卷积核扫描、特征提取）、网络结构（卷积层、池化层、全连接层）及各层的作用，解释 CNN 为何能有效处理图像数据。第十章以 MNIST 数据集为基础，演示使用 Keras 构建 CNN 的流程，包括数据加载、模型搭建、训练与评估，分析网络架构、优化器、批量大小等参数对模型性能的影响。第十一章通过 CIFAR-10 数据集（含 10 类 32×32 彩色图像），进一步验证 CNN 在复杂图像分类任务中的性能，对比不同数据增强方法的效果。第十二章以音频样本分类为案例，完整演示从数据集构建、数据增强、预处理到使用经典模型、传统神经网络、CNN 及集成模型进行分类的全流程，综合运用前序章节知识，提升读者实战能力。 第五部分 “高级网络与生成式 AI” 覆盖深度学习前沿技术。第十三章介绍先进 CNN 架构，如 VGG、ResNet、MobileNet，讲解批量归一化、深度可分离卷积等技术原理，演示使用 Keras 函数式 API 构建与测试这些架构的方法。第十四章探讨微调与迁移学习，说明如何利用预训练模型（如 VGG16、MobileNet）的特征提取能力，降低模型训练的数据需求与计算成本，包括特征提取、异常检测、图像检索等应用场景。第十五章从分类拓展到定位任务，介绍目标检测、语义分割、多标签分类技术，通过 MNIST 数据集检测实验与 U-Net 语义分割案例，展示如何实现从 “识别类别” 到 “定位目标 / 标注像素” 的进阶应用。第十六章讲解自监督学习，解决标签数据稀缺问题，介绍旋转预测、孪生网络等自监督预训练方法，演示如何利用无标签数据提升模型性能。第十七章聚焦生成对抗网络（GAN），包括无条件 GAN、条件 GAN 的构建与训练，探索潜在空间插值等技术，揭示生成式 AI 生成图像的基本原理。第十八章介绍大型语言模型（LLM），讲解 Transformer 层、tokenization 与嵌入技术，演示本地运行 LLM、利用 LLM 进行语义搜索、情感分析、图像描述等任务，分析 LLM 的创造性与温度参数对生成结果的影响。 本书的核心特色在于 “实用导向”，所有理论均结合 Python 代码案例展开，配套代码可在 GitHub 仓库获取，读者能通过复现实验深化理解。同时，作者注重直觉构建，将复杂数学公式（如梯度下降、反向传播）以通俗语言与可视化方式解释，避免读者陷入纯理论困境。此外，书中多次强调数据质量的重要性，从数据集构建、预处理到增强，形成完整的数据处理方法论，为后续模型训练奠定坚实基础。无论是想入门深度学习的编程爱好者，还是希望将深度学习技术应用于实际项目的工程师，都能从本书中获得系统的知识与实用的技能。