本书是夏家莉、白耀辉、卢思洋主编的《机器学习算法思想与实践》的续篇。本书依然坚持“从生活到算法”的核心理念，以人类解决问题的思路理解算法逻辑，通过“原理可视化+项目实战”的双轨模型，穿插大量的图表和示例，以直观的方式展示深度学习模型的工作机制，降低算法理解门槛，揭开深度学习的神秘面纱，让读者能真正理解深度学习模型的核心思想，轻松跨越理论与实践的鸿沟，理解深度学习算法的本质，并具备实际应用能力。

本书兼顾学术性与实用性，共分为8章，首先介绍深度学习的基本概念、发展历程、应用场景和重要性，让读者对深度学习有一个初步的了解；接着论述深度学习模型评价重要性和主要的深度学习模型评价指标，为后续模型训练实践中的效果评判做准备；接着重点论述经典的深度学习基础模型的思想，包括感知机、BP神经网络、循环神经网络、自注意力机制与Transformer模型、卷积神经网络、生成对抗模型，以及几个典型进阶模型（概率图模型、深度生成模型和深度强化模型）；在介绍PyTorch的基础上，引导读者探索典型深度学习模型实践，进一步指导读者根据自己所要解决的问题去合理搭建模型；最后，以金融领域为例，分析了大模型对行业领域的推动作用。

本书适合作为普通高等院校人工智能及相关专业本科生、研究生的教材，也可供相关技术人员参考。

       深度学习的发展历程堪称一部波澜壮阔的科技史诗，它起源于人工神经网络的研究，经过了几十年的发展，在大数据和强大计算能力的支持下，深度学习作为人工智能领域的核心技术，正以前所未有的速度改变着人们的工作和生活方式。从智能语音助手到自动驾驶汽车，从医疗影像诊断到金融风险预测，深度学习的应用已经渗透各个行业，成为推动社会进步和经济发展的重要力量。
       对于刚刚接触深度学习的学习者来说，深度学习是一个既充满魅力又具有一定难度的技术，它涉及复杂的数学理论、算法和编程技巧，需要系统的学习和实践，学习者往往会感到门槛较高而无从下手。而我们编写本书的初衷就是希望能通过一本通俗易懂的深度学习入门书籍，帮助读者快速理解深度学习的基本原理，掌握基本的实践技能。
       深度学习之所以具有如此强大的影响力，源于其能够自动从海量数据中学习特征和模式，进而实现对复杂问题的高效解决。通过构建多层神经网络，深度学习模型可以模拟人类大脑的神经元活动，不断调整网络参数以优化性能，从而在图像识别、自然语言处理、语音识别等任务中取得了令人瞩目的成果。深度学习并非毫无根基地横空出世，其思想来源于人类智慧。本书从生活中的智慧出发引导读者认识深度学习模型思想，尽量避免使用过于复杂的数学公式和专业术语，通过“原理可视化+项目实战”的双轨模式，穿插大量的图表和示例，以直观的方式展示深度学习模型的工作机制，让读者能真正理解深度学习模型的核心思想。本书还配套了完整的实验代码，便于读者动手实操，完成各类趣味的深度学习应用。希望读者可以轻松、高效地掌握深度学习模型的核心原理，并通过丰富的实践案例将理论知识转化为实际应用能力。
       本书共分为8章，各章内容安排如下：第1章深度学习概述，介绍深度学习的基本概念、发展历程、应用场景和重要性，让读者对深度学习有一个初步的了解。同时，还介绍了深度学习模型训练之前的关键性工作。第2章深度学习模型评价，论述了模型评价的重要性和主要模型评价指标。第3章深度学习基础算法思想，论述了经典深度学习基础算法的思想，包括感知机、BP神经网络、循环神经网络、自注意力机制与Transformer模型、卷积神经网络和生成对抗模型。第4章深度学习进阶算法思想，论述了概率图模型、深度生成模型和深度强化模型的思想。第5章PyTorch基础，为后面的模型实践提供帮助。第6章典型深度学习算法实践，用常见的任务作为案例，帮助读者掌握深度学习模型的实际作用和运行效果。第7章深度学习综合实践，论述利用现有基础模型灵活搭建新模型的方法和效果，帮助读者根据自己所要解决的问题去合理搭建模型，让读者将所学的深度学习知识应用到实际项目中。通过实践，读者能够更好地理解和掌握深度学习的核心内容。第8章人工智能与金融数据分析，介绍了金融领域智能数据分析的发展历程、主要处理需求以及典型大模型。
       本书由夏家莉、白耀辉和卢思洋策划并统稿，由夏家莉、白耀辉、卢思洋、许睿任主编，其中，第1章和第2章由白耀辉编写，第3章由夏家莉和许睿编写，第4章由卢思洋编写，第5章和第6章由夏家莉编写，第7章第1节由胡雪辉编写、第2节由张雨编写，第8章由许睿编写。胡雪辉、宋文琴编写了第5章中的实验。胡雪辉、宋文琴、余子恺、罗文军、张凌波、王昊、易开楠、黄冠越编写了第6章的实验。
       在编写本书的过程中，我们参考了大量的相关文献和资料，并结合自己的教学和实践经验，致力于使本书内容清晰易懂、循序渐进，能够帮助读者稳步建立对深度学习的系统认知。本书配套PPT课件、习题答案、电子教案、程序源代码等资源，可登录中国铁道出版社教育资源数字化平台（https：//www.tdpress.com/51eds）下载获取。同时，我们也感谢所有为本书提供帮助和支持的人，包括家人、朋友、同事和读者。
       由于深度学习是一个快速发展的领域，本书难免存在不足之处。诚挚欢迎广大读者提出宝贵的意见和建议，以便我们不断改进和完善本书。
       无论你是计算机科学与技术专业的大学生，还是来自其他领域的人工智能爱好者，只要你对人工智能充满热情，都能从本书中获得有价值的信息和启发。希望本书能够成为你深度学习之旅的良师益友，帮助你理解并学会使用深度学习技术，开启一段充满挑战和机遇的学习之旅。让我们一起探索深度学习的奥秘，共同迎接人工智能时代的挑战！
       愿每一位探索者在此书中获得启发，于深度学习的领域中找到属于自己的光辉道路，共同见证这一伟大技术的蓬勃发展。

       编  者
       2026 年 3月

第1章 深度学习概述  1
1. 1 深度学习的定义 1
1. 2 深度学习的历史背景 2
1. 3 深度学习的基本概念 3
1. 4 与传统机器学习的衔接 5
1. 5 深度学习的工具和框架 6
1. 5. 1 主流深度学习框架 6
1. 5. 2 开发环境与辅助工具 8
1. 6 深度学习的挑战和未来发展 9
1. 6. 1 当前的挑战 9
1. 6. 2 未来的发展方向  11
小结 12
习题 13

第2章 深度学习模型评价  14
2. 1 模型评价的重要性  14
2. 2 评估指标  16
2. 2. 1 准确率  17
2. 2. 2 精确率与召回率  18
2. 2. 3 分类性能度量———F值  20
2. 2. 4 分类性能度量———P-R曲线  21
2. 2. 5 分类性能度量———ROC及ROC-AUC  22
2. 2. 6 平均绝对误差 MAE  23
2. 2. 7 均方误差  25
2. 2. 8 均方根误差  26
小结 27
习题 28

第3章 深度学习基础算法思想  29
3. 1 认识深度学习  29
3. 2 最简单的神经网络———感知机  30
3. 3 误差反向传播神经算法———BP网络  35
3. 3. 1 引入多层神经网络  35
3. 3. 2 误差反向传播神经网络（BP网络）原理  35
3. 3. 3 BP 网络的常见应用  39
3. 4 循环神经网络  41
3. 4. 1 循环神经网络概述  41
3. 4. 2 双向循环神经网络  43
3. 4. 3 长短期记忆网络（LSTM）43
3. 4. 4 序列到序列模型———编码器—解码器模型  46
3. 4. 5 注意力模型  50
3. 4. 6 循环神经网络的典型应用  51
3. 5 自注意力机制与Transformer模型  52
3. 5. 1 词嵌入  52
3. 5. 2 自注意力机制  60
3. 5. 3 位置嵌入  61
3. 5. 4 Transformer模型  65
3. 5. 5 BERT  67
3. 5. 6 T5 模型  72
3. 6 卷积神经网络  75
3. 6. 1 卷积神经网络引入  75
3. 6. 2 卷积神经网络结构  77
3. 7 生成对抗网络  82
小结 84
习题 85

第4章 深度学习进阶算法思想  88
4. 1 概率图模型  88
4. 1. 1 概率图模型的引入  89
4. 1. 2 概率图模型的原理  90
4. 1. 3 概率图模型的典型应用  93
4. 2 深度生成模型  94
4. 2. 1 扩散模型的引入  94
4. 2. 2 扩散模型的思想  95
4. 2. 3 深度生成模型的典型应用  97
4. 3 深度强化模型  97
4. 3. 1 深度强化模型的引入  98
4. 3. 2 DQN  99
4. 3. 3 PPO  101
小结  104
习题  104

第5章 PyTorch基础  106
5. 1 深度学习框架PyTorch安装  106
5. 2 数据操作 113
5. 3 自动求梯度 122
5. 4 PyTorch中的激活函数  124
5. 5 PyTorch中的网络层  126
5. 6 模型构造 130
5. 6. 1 继承 Module类来构造模型  132
5. 6. 2 Module的子类  133
5. 7 自定义层 137
5. 8 损失函数 140
5. 9 优化器 141
5. 10 读取和存储  142
5. 11 计算设备  144
小结  148
习题  148
第6章 典型深度学习算法实践  149
6. 1 感知机实践 149
6. 2 BP网络实践  154
6. 3 循环神经网络实践 159
6. 4 卷积神经网络实践 165
6. 5 Transformer模型实践  168
6. 6 BERT预训练模型实践  176
6. 7 生成对抗网络实践 182
6. 8 自编码器实践 189
小结  195
习题  196

第7章 深度学习综合实践  198
7. 1 基于神经主题模型的新闻主题发现 198
7. 1. 1 新闻主题发现任务 198
7. 1. 2 处理思路：模仿人类的理解过程  200
7. 1. 3 环境配置与准备工作 202
7. 1. 4 实验步骤 202
7. 1. 5 实验结果与分析 215
7. 2 金融文本中的实体识别 219
7. 2. 1 金融文本及实体 219
7. 2. 2 数据集构建 219
7. 2. 3 模型架构 220
7. 2. 4 环境搭建 221
7. 2. 5 数据预处理 223
7. 2. 6 模型实现 224
7. 2. 7 数据加载器 227
7. 2. 8 模型训练 229
7. 2. 9 模型评估 231
小结  233
习题  233

第8章 人工智能与金融数据分析 234
8. 1 人工智能能力与金融业务需求的契合 234
8. 2 典型金融大模型 238
8. 2. 1 国外典型金融大模型概述 238
8. 2. 2 国内典型金融大模型 241
8. 3 开源测试基准CFLUE  247
8. 4 金融数据集FinQA  249
8. 5 未来展望 250
小结  251
附录A 网址列表  252
参考文献 252

夏家莉，博士，教授，江西财经大学软件与物联网工程学院，博士生导师。本硕博均毕业于华中科技大学计算机学院，江西财经大学实践教学中心主任、江西财经大学大数据中心主任。主讲数据结构、数据库原理、软件工程、需求工程、自然语言处理技术、人工智能等。获江西省教学成果一等奖，教育部科技进步奖。主持过国家自然基金项目、江西省自然基金项目、江西省社会科学基金项目的研发，主持过基于自然语言分析的“财政大数据分析平台”研发、基于嵌入式技术的“移动教学学习及管理系统”研发等。在计算机学报、软件学报、计算机研究与发展等学术期刊上发表系列学术论文。主编教材《机器学习算法思想与实践》。

白耀辉，博士，副教授，江西财经大学软件与物联网工程学院院长。2005年西北工业大学博士毕业后进入江西财经大学工作。近年来参与完成国家级课题2项，主持完成教育部课题一项，参与及完成省部级课题近10项，在国内外学术刊物或者重要会议上发表研究论文近20篇，曾获江西省高校科技成果奖一等奖，江西省教育科学优秀成果奖三等奖等。主编教材《机器学习算法思想与实践》。

卢思洋，博士，副教授，北京交通大学计算机学院。研究方向为计算机技术、人工智能、软件工程、大数据技术与工程、新一代电子信息。主持和参与科研项目10项，承担本科生专业核心课程“计算机组成原理”教学工作，参与讲授研究生专业课程“网络空间安全前沿”教学工作。发表期刊论文20余篇，专利3项，涉及领域包括大模型安全、模式识别与日志异常检测、古籍智能信息处理、移动应用交互设计等。主编教材《机器学习算法思想与实践》。

许睿，江西财经大学博士在读，本科毕业于公立常春藤MiamiUniversity，主要研究方向为人工智能、金融大模型、信息处理。参与编写教材《机器学习算法思想与实践》。

（1）原理可视化呈现：穿插大量图表与示例，直观展示模型工作机制，避免复杂公式，让深度学习思想易懂有趣。  

（2）双轨模式教学：结合“原理可视化”与“项目实战”，理论与实践并重，帮助读者高效理解核心思想并提升应用能力。  
（3）配套完整代码：提供丰富的趣味实验代码，方便动手实操，从生活案例中轻松掌握模型原理并实现技能转化。