南京大学人工智能系列教材|原理 + 代码实战,一本书读懂深度学习主流架构!
- 2026-09-23 10:23:46
近些年，为了满足更复杂的神经网络运算需求，芯片不断发展，计算机算力持续增长，这也加速了神经网络向深度学习的方向发展。深度学习的研究已经在各个领域内取得了优异的成果，尤其是在自然语言处理与图像生成领域，深度学习已经成为领域内效果最好的方法。现阶段，GPT-4、DeepSeek 等一些基于深度学习 的项目，已经完成了从科研环境到工业环境的落地，并能够帮助人们完成各种各样的任务。
随着越来越多的科研工作者投入深度学习的研究，深度学习的新方法也层出不穷。南京大学人工智能学院申富饶教授编著的《理解深度学习》就是一本采用原理推导 + 代码实战的方式引导学生入门的教科书。
作者：申富饶
书号：9787111811077
南京大学人工智能学院教材
用原理推导 + 代码实战
系统介绍深度学习的核心概念、主流模型与实战方法
内容简介：
本书系统介绍深度学习的核心概念、主流模型与实战方法，内容涵盖神经网络基础、卷积神经网络、循环神经网络、图神经网络、生成对抗神经网络、Transformer、扩散模型、深度强化学习等前沿方向，详细阐述各类模型的数学原理、网络结构、训练流程与优化方法。全书以Python为主要编程语言，结合PyTorch框架提供丰富的代码示例与完整项目解析，同时每章配有“思考”模块与练习，帮助读者理解算法实现细节并巩固所学知识。本书适合高等学校人工智能及相关专业的本科生、研究生，以及相关工程技术人员学习参考。
主要特色：
书中设置了一些“思考”模块，它们可以作为课堂互动问题。在每一章的末尾配有练习，方便读者检验自己的学习成果，也可以作为作业和考试题，以及教师备课的参考。
使用代码与数学相结合的方式来帮助大家理解概念与实现。本书使用 Python 作为主要的编程语言，并使用 PyTorch 深度学习框架作为主要深度学习模型的搭建平台来进行代码编写。
本书涉及深度学习模型的搭建，因此部分深度模型的训练与部署在一定程度上依赖于 GPU 硬件辅助设备。倘若只是想要了解深度模型中部分模块的实现，可以单独实现这些模块，在普通计算机上即可进行测试验证。
本书作为入门书籍，尽力做到少用晦涩的数学公式，多用示例来完成知识的展示。在使用数学理论说明的部分，会对理论推导过程进行详细的说明，方便读者理解。
作者介绍：申富饶南京大学人工智能学院副院长，计算机软件新技术全国重点实验室教授、博导。先后在南京大学数学系获学士、硕士学位，在日本东京工业大学获博士学位。主要研究方向为神经网络、计算机视觉、机器人智能，主持多项国家级项目，在包括ICML、CVPR等顶级会议和IEEE TPAMI等期刊发表论文130余篇，出版教材、专著、译著10余部。
本书主要架构如下：
. 第 1 章对深度学习的历史和应用进行概述，也会讨论深度学习的基本构成、现阶段深度学习存在的一些争议以及传统机器学习与深度学习的区别。
. 第 2 ～ 8 章主要介绍现阶段深度学习中主流的学习方法和范式，也是目前深度学习的一些主要研究方向。每一章会详细介绍这些范式中的经典方法，包括输入和输出的结构、训练流程、优化方式等，并通过代码和样例帮助读者构建这些主流方法的深度学习模型。
. 第 9 章介绍相关深度学习工具的安装与使用方式。读者可以通过本书中提供的参考案例来学习与使用不同的深度学习工具。但是，目前很多深度学习工具仍然处在开发过程中，随着全世界新科研成果的产出，这些工具可能会不断进行升级和更新。
前言
主要符号表
第 1 章 绪论 1
1.1 深度学习的定义 2
1.1.1 深度神经网络 2
1.1.2 深度学习与神经科学 4
1.1.3 深度学习的争议 4
1.2 深度学习与传统机器学习方法的区别 6
1.3 人工智能和深度学习的发展历程 7
1.3.1 人工智能的历史发展 7
1.3.2 深度学习的历史变迁 8
1.4 本书结构 10
练习 10
第 2 章 卷积神经网络 12
2.1 卷积神经网络概述 12
2.1.1 引言 12
2.1.2 基本网络结构 13
2.1.3 卷积层 14
2.1.4 与全连接层的对等关系 17
2.1.5 池化层 21
2.1.6 卷积的变体 23
2.2 卷积神经网络的训练 28
2.2.1 前馈运算 29
2.2.2 反馈运算 29
2.3 经典的卷积神经网络模型 35
2.3.1 LeNet 35
2.3.2 AlexNet 372.3.3 U-Net 39
2.3.4 VGG 40
2.3.5 ResNet 41
2.4 项目示例和代码解析 44
2.4.1 准备工作 44
2.4.2 数据准备 44
2.4.3 模型构建 47
2.4.4 训练与测试 48
2.4.5 结果可视化 50
2.4.6 拓展：ResNet 可视化 52
2.5 小结 57
练习 57
第 3 章 循环神经网络 60
3.1 循环神经网络概述 60
3.1.1 引言 60
3.1.2 循环神经网络的结构与数学表示 62
3.2 循环神经网络的训练方法 65
3.2.1 随时间反向传播算法 65
3.2.2 实时循环学习算法 69
3.3 经典的循环神经网络模型 70
3.3.1 针对梯度问题的循环神经网络改进 71
3.3.2 循环神经网络变体 75
3.4 项目示例和代码解析 81
3.4.1 数据准备 81
3.4.2 数据预处理 83
3.4.3 模型构建 86
3.5 小结 90
练习 90
第 4 章 图神经网络 92
4.1 图神经网络概述 92
4.1.1 引言 92
4.1.2 图的表示方法 944.1.3 图神经网络的基本任务 95
4.2 图神经网络的训练方法 96
4.2.1 图信号与图卷积 97
4.2.2 空域图卷积 99
4.2.3 谱域图神经网络的训练 100
4.2.4 空域图神经网络的训练 102
4.3 经典的图神经网络模型 106
4.3.1 GCN 106
4.3.2 GraphSAGE 108
4.3.3 GAT 110
4.3.4 R-GCN 112
4.4 项目示例和代码解析 114
4.4.1 PyTorch 工具简介 114
4.4.2 问题描述 114
4.4.3 数据简介 115
4.4.4 数据处理 116
4.4.5 模型构建 118
4.5 小结 121
练习 121
第 5 章 生成对抗神经网络 123
5.1 生成对抗神经网络概述 123
5.1.1 引言 123
5.1.2 从概率到模型 124
5.1.3 基本结构 125
5.2 生成对抗神经网络的训练方法 126
5.2.1 GAN 的优化问题 126
5.2.2 GAN 的训练流程 128
5.2.3 GAN 中的梯度消失问题 130
5.2.4 评估指标设计 131
5.3 经典的生成对抗神经网络模型 133
5.3.1 CGAN 133
5.3.2 CycleGAN 1355.3.3 StyleGAN 136
5.4 项目示例和代码解析 139
5.4.1 项目简介 139
5.4.2 数据处理 139
5.4.3 模型构建 140
5.4.4 训练过程 141
5.4.5 结果展示 144
5.5 小结 145
练习 146
第 6 章 Transformer 148
6.1 Transformer 概述 148
6.1.1 引言 148
6.1.2 Transformer 模型结构 149
6.2 Transformer 关键技术 153
6.2.1 编码方式 153
6.2.2 注意力机制 154
6.2.3 前馈网络 159
6.2.4 残差连接与归一化 159
6.3 Transformer 的训练和推理 160
6.4 Vision Transformer 161
6.4.1 图像分块与嵌入 162
6.4.2 位置编码与类标记 162
6.4.3 Transformer 编码与分类 162
6.4.4 ViT 的优势与挑战 163
6.5 自监督预训练与大语言模型 163
6.5.1 BERT 164
6.5.2 GPT 165
6.5.3 BART 166
6.5.4 商用大语言模型 166
6.6 项目示例和代码解析 167
6.6.1 项目简介 167
6.6.2 项目代码 1676.7 小结 183
练习 183
第 7 章 扩散模型 185
7.1 扩散模型概述 185
7.1.1 引言 185
7.1.2 变分自编码器 186
7.1.3 扩散模型网络结构 187
7.2 扩散模型的训练与推理 188
7.2.1 去噪扩散概率模型 188
7.2.2 扩散模型的训练过程 192
7.2.3 扩散模型的推理过程 193
7.3 经典的扩散模型 193
7.3.1 类别标签条件 193
7.3.2 图片条件 195
7.3.3 文本条件 196
7.4 项目示例和代码解析 198
7.4.1 搭建 U-Net 网络 198
7.4.2 实现 DDPM 算法 202
7.4.3 训练与推理代码 204
7.5 小结 205
练习 205
第 8 章 深度强化学习 207
8.1 强化学习概述 207
8.1.1 引言 207
8.1.2 强化学习的基本概念 208
8.1.3 马尔可夫决策过程 208
8.2 基本强化学习算法 212
8.2.1 有模型学习 212
8.2.2 无模型学习 214
8.3 深度强化学习算法 218
8.3.1 基于值函数的方法 218
8.3.2 基于策略梯度的方法 2208.3.3 Actor-Critic 223
8.4 项目示例和代码解析 225
8.4.1 Gym 简介 225
8.4.2 算法构建 226
8.4.3 训练与测试 230
8.4.4 结果展示 232
8.5 小结 232
练习 232
第 9 章 深度学习工具 234
9.1 深度学习框架概述 234
9.1.1 发展背景 234
9.1.2 基础概念和操作 235
9.2 TensorFlow 及其应用 244
9.2.1 简介 244
9.2.2 安装和初步设置 245
9.2.3 深度学习应用 246
9.3 PyTorch 及其应用 253
9.3.1 简介 253
9.3.2 安装和初步设置 255
9.3.3 深度学习应用 257
9.4 飞桨及其应用 261
9.4.1 简介 261
9.4.2 安装和初步设置 263
9.4.3 深度学习应用 264
9.5 框架选择建议 269
9.6 小结 270
练习 271
▲
上下滑动查看本书目录
🎯本书适合如下读者：
▪ 高校计算机、人工智能、电子信息本科 / 研究生，课程配套教材
▪ AI 方向考研、准备进课题组做科研，想要补齐深度学习底层原理
▪ 算法开发、工程人员，不想只会调包，希望读懂模型底层逻辑
▪ 想要从传统深度学习平滑过渡到大模型时代的学习者
结语：
很多 AI 教材要么堆砌公式晦涩难懂；要么只讲调用 API，跳过底层推导。 《理解深度学习》力求平衡：数学推导详尽，每一个核心模型，都配有可运行的代码工程示例，实现知其然，更知其所以然。南京大学人工智能学院
系列教材
1
《机器学习理论导引》
作者：周志华 王魏 高尉 张利军
书号：9787111654247
梳理出机器学习理论中的“七种武器”
推荐理由：
本书梳理出机器学习理论中的七个重要概念或理论工具, 即: 可学习性, (假设空间)复杂度, 泛化界, 稳定性, 一致性, 收敛率, 遗憾界。每章聚焦其一, 除介绍基本概念外, 还给出若干分析实例, 如显示出不同理论工具如何应用于支持向量机这种常见机器学习技术。读者今后对具体机器学习问题或技术作分析时, 可根据条件选择适用的工具。
本书旨在为有志于机器学习理论学习和研究的读者提供一个入门导引。 在预备知识之后，全书各章分别聚焦于：可学性、（假设空间）复杂度、泛化界、稳定性、一致性、收敛率、遗憾界. 除介绍基本概念外，还给出若干分析实例，如显示如何将不同理论工具应用于支持向量机这种常见机器学习技术。
本书可作为高等院校人工智能、计算机、自动化等相关专业机器学习理论课程的教材，也可供对机器学习理论感兴趣的研究人员阅读参考。
2
《机器学习》习题参考
作者：叶翰嘉 詹德川
书号：9787111767145
西瓜书”《机器学习》官方配套习题集
周志华教授撰文推荐
推荐理由：
作为人工智能领域（AI）中文教材扛鼎之作，南京大学周志华教授所著的《机器学习》帮助无数AI从业者理清了机器学习的基本原理，本书配套周志华教授所著《机器学习》的教学及自学的辅助参考书。
本书是“西瓜书”《机器学习》的教学或自学的辅助参考书，包含142道习题，题型分为简答题、计算题和编程题，对“西瓜书”中关于基本概念和常用算法的第1～10章内容进行考查，习题涵盖不同难度级别，尽可能兼顾不同读者的学习需求。 本书分为两部分，共16章。第一部分为“基础考评篇”，对应“西瓜书”前10章内容，对书中知识点进行循序渐进地探究。第二部分为“综合应用篇”，考查对“西瓜书”前10章知识点融会贯通的能力。 书中习题均具有详细解答， 给出了出题的主要思路、所考查的知识要点、其他可能的解法，以及相关知识点的关联和拓展，并对以往授课过程中发现的易错点进行了探讨。
3
《剖析大语言模型》
书号：9787111813033
南京大学人工智能学院出品
理论与实践结合的大语言模型入门教材
推荐理由：
本书是大语言模型入门书籍，共分为7章，从大模型定义、发展历程及 Transformer 架构拆解入手，依次讲解自监督预训练、模型微调、RAG框架、数据体系构建，最后介绍主流开源大模型，并详解多个实战项目，为读者提供清晰简明的大语言模型学习路径。
本书力求理论与实践结合，每章都配有练习，并在章节间穿插了“稍事休息”环节，介绍相关的技术趣闻与背景故事。全书使用 Python 作为主要编程语言，并使用 PyTorch框架作为关键技术的实现示例，帮助读者深入理解技术细节。本书可作为高等院校人工智能、计算机科学及相关专业的本科生与研究生的教材，也可作为大模型领域技术人员的参考书。
4
《简明神经网络》
作者：申富饶
书号：9787111765400
江苏省高等学校重点教材
工业和信息化部“十四五”规划教材研究基地教材
南京大学研究生“三个一百”优质课程
建设项目建设成果
推荐理由：
本书是江苏省高等学校重点教材、工业和信息化部“十四五”规划教材研究基地教材，也是南京大学研究生“三个一百”优质课程建设项目建设成果。神经网络课程的入门教材。用通俗易懂的语言讲解神经网络的相关知识，从神经元出发介绍神经网络的基础知识，深入浅出地讲解神经元、单层感知机、多层感知机、神经网络的模型优化等神经网络的内部逻辑。通过本书，读者能理解并灵活运用神经网络。
本书共6章，第1章对神经网络领域进行概述，包括其历史和应用；第2章深入探讨神经元的数学模型，包括其输入、权值、偏置和激活函数；第3章介绍感知机的概念，讨论感知机的结构，并解释如何用它来解决简单的分类问题；第4章介绍多层感知机的概念，讲述如何使用前馈传播和反向传播，同时详细介绍了反向传播中用到的链式法则；第5章涵盖训练神经网络时使用的各种参数和算子；第6章介绍神经网络的分布式学习、压缩和解释，其中分布式学习涵盖使用多台计算机或设备在大型数据集上训练神经网络的内容。
本书包含丰富的编程实例分析，读者在了解理论基础的同时，可以将神经网络理论应用于实践，纵向拓展知识深度。
5
《模式识别》
书号: 9787111766674
定价：89.00元
南京大学人工智能学院教材
模式识别领域入门教材
推荐理由：
本书是模式识别领域的入门教材，是南京大学吴建鑫教授多年深耕学术研究和教学实践的潜心力作，系统阐述了模式识别中的基础知识、主要模型及热门应用，并给出了近年来该领域一些新的成果和观点，是高等院校人工智能、计算机、自动化、电子和通信等相关专业模式识别课程的优秀教材。
专家推荐：
吴建鑫教授是模式识别与计算机视觉领域的国际知名专家，不仅学术造诣深厚，还拥有丰富的教学经验。这本书是他的用心之作，内容充实、娓娓道来，既是优秀的教材，也是出色的自学读物。
——周志华（南京大学副校长，国际人工智能联合会理事会主席）
温馨提示：点击文中封面可购买，链接仅供参考。
编辑：周睿
审核：朱劼 姚蕾
欢迎讲授相关课程老师申请样书
有机会免费获得！
样书申领方式
样书申领方式：
