《深度学习实践—基于TensorFlow 及PyTorch 库的编程指南》突破传统深度学习教材先理论后实践的模式，从直观的实例应用入手，让读者快速体验利用深度学习解决实际问题的过程。读者将从运行实例程序开始，初步理解代码的作用，并逐步学会自主调整模型参数、调试程序，以验证其精度和效率。
第1章介绍深度学习发展历程及基本概念；第2章聚焦开发环境搭建，并给出快速示例，帮助读者迅速开启深度学习之旅，熟悉基础操作环境；第3章介绍深度学习原理，结合FCNN、CNN、LSTM、GAN、Transformer 等典型模型示例，使读者理解深度学习的核心理论与模型架构；第4 ～ 6章着重传授Python 编程基础，以及TensorFlow、PyTorch 这两种主流深度学习框架的编程知识，为实际开发奠定编程基础；第7章阐述张量概念与操作，帮助读者掌握其关键特性与操作方法；第8章专注于网络设计与超参数优化；第9、10章通过深度学习在计算机视觉与防灾领域的应用实例，展现深度学习在实际场景中的强大应用能力，使读者了解如何将所学知识运用到具体领域解决实际问题；第11章为程序代码，读者可扫二维码获取。
本书特别适合需要快速入门人工智能深度学习解决实际问题的，智能建造、数值模拟等非AI 方向的技术人员、在校本科生、研究生。本书也可作为相关专业师生教学用书。
目录：
第1章 绪论 001
1.1 什么是深度学习？ 002
1.2 深度学习的崛起及科学创新成果 002
1.3 Python、TensorFlow 及PyTorch 简介 004
1.4 本书的目标与结构 004
第2章 快速入门 005
2.1 安装Visual Studio 006
2.2 深度学习应用示例及环境检核 008
第3章 深度学习的基本原理及示例 011
3.1 深度学习的工作原理及各网络架构应用示例 012
3.2 全连接神经网络（FCNN）架构及工作原理 013
3.3 卷积神经网络（CNN）架构及工作原理 022
3.4 循环神经网络（RNN）架构及工作原理 038
3.5 生成对抗网络（GAN）架构及工作原理 043
3.6 Transformer 网络架构 048
第4章 Python 编程示例的代码与释义 053
4.1 Python 程序执行方式之一：交互式解释器 054
4.2 Python 程序执行方式之二：利用Visual Studio进行编写和运行 054
4.3 Python 程序的一般构成 056
4.4 第一部分：库和模块的导入 057
4.5 第二部分：数据准备 059
4.6 第三部分：神经网络分析的主要代码 062
4.7 第四部分：实行预测 067
4.8 第五部分：结果的可视化 069
4.9 第六部分：保存数据集 073
4.10 Python 编程的基本规定 074
4.11 Python 的函数 080
4.12 Python 面向对象编程 082
4.13 PyTorch 中的类 085
4.14 文件操作 087
4.15 模块、包和库 089
4.16 Python 标准库 093
4.17 库，包，模块的导入 096
4.18 第三方库函数 099
4.19 Python 中的help() 和dir() 函数 111
4.20 代码中使用中文 113
4.21 异常处理 114
第5章 基于TensorFlow库的深度学习编程 117
5.1 创建神经网络模型 118
5.2 常用神经网络层 120
5.3 编译模型 128
5.4 训练模型 128
5.5 评估模型与预测 130
5.6 深度学习的几个重要概念 131
第6章 基于PyTorch 库的深度学习编程 139
6.1 创建神经网络模型 140
6.2 神经网络层 144
6.3 编译模型 144
6.4 训练模型 145
6.5 评估模型 145
6.6 进行预测 146
第7章 张量 147
7.1 Python、TensorFlow 及PyTorch中张量的异同点 148
7.2 Python 中TensorFlow 及PyTorch间的张量互换 150
7.3 常用维度的张量 150
第8章 神经网络的设计及优化 151
8.1 神经网络的设计 152
8.2 训练集与测试集划分的影响 153
8.3 超参数及其优化 155
8.4 网格搜索法 155
8.5 随机搜索法 157
8.6 贝叶斯优化法优化超参数 158
8.7 方法比较与实例 161
第9章 深度学习实践——计算机视觉领域
9.1 ImageNet 数据库及ILSVRC 夺冠模型 171
9.2 常用预训练模型及其在图像分类中的应用 171
9.3 常用预训练模型在目标检测中的应用 189
9.4 常用预训练模型在语义分割中的应用 192
第10章 深度学习实践——地质灾害预测与监测
10.1 利用语义分割技术探测裂缝技术的应用 196
10.2 利用DeepLabv3+ 模型框架进行裂缝探测 197
10.3 利用迁移学习进行滑坡检测 203
10.4 利用对象检测技术支持海上搜救任务 208
10.5 基于深度学习的落石监测系统 215
第11章 程序代码 222