书名：人工智能技术与实践——基于MindSpore平台
定价：89.8
ISBN：9787115676115
作者：孔令和 刘雨桐 李豫晨
版次：第1版
出版时间：2026-03

内容提要：
本书是一本为人工智能初学者量身定制的实用指南，旨在帮助读者迅速掌握人工智能的核心概念和应用技巧。本书从基础概念入手，结合应用实例，使用MindSpore框架，深入浅出地引导读者理解和掌握人工智能的基本原理、技术及*发展。全书共分为4篇16章，覆盖人工智能的各个重要领域。人工智能入门篇（第1、2章）介绍人工智能概述、人工智能发展历程、人工智能Python开发入门和MindSpore开发入门，并给出基于MNIST数据集识别手写数字的入门实战介绍。机器学习及实战篇（第3～5章）包括监督学习、无监督学习、强化学习。深度学习及实战篇（第6～10章）介绍深度神经网络、知识图谱、生成对抗网络、迁移学习和注意力机制。人工智能前沿与伦理篇（第11～16章）涉及扩散模型、推荐系统、量子计算、轻量级人工智能、人工智能大模型、人工智能伦理等前沿主题。 本书适合对人工智能感兴趣的学生及从业者，旨在帮助读者夯实理论基础，提升实际编程能力，从而在未来的学习和工作中更加游刃有余。



作者简介：
孔令和 博士，上海交通大学计算机学院教授，长江学者特聘教授，IEEE Fellow。曾在美国哥伦比亚大学、加拿大麦吉尔大学和新加坡科技设计大学担任博士后研究员。研究方向包括物联网、卫星网络、人工智能和移动计算。主讲“计算机网络”“人工智能技术及应用”“移动互联网”“工程信息管理”等课程，所著教材《物联网操作系统原理（LiteOS）》入选*批“十四五”职业教育国家规划教材，教授课程“计算机网络”入选*批**本科课程。 刘雨桐: 博士，上海交通大学研究助理研究员。研究方向包括人工智能、物联网和移动计算。在高水平国际会议和期刊，如Ubicomp、IEEE Journal on SelectedAreas in Communications、IEEE Transactions on Mobile Computing等发表论文30余篇，获国际会议*论文奖（提名）3项，获上海市启明星项目（扬帆专项）及华为Explore X人才资助。主持1项国家自然科学基金青年基金项目、1项长三角科技创新共同体联合攻关项目，以及国家重点研发计划子课题等多项科研项目。 李豫晨 博士，百度搜索科学团队*研究员。研究方向包括AI搜索、网页搜索、大模型训练和*推理。已在高水平国际会议和期刊，如KDD、ICDM、NeurPS、AAAl、Nature Machine Intelligence、IEEE Transac-tions on Knowledge and Data Engineering、IEEETransactions on Services Computing、IEEE Transac-tions on Mobile Computing等发表论文数十篇，获国际会议*论文奖（提名）3项。参与国家重点研发计划、国家自然科学基金重点项目等多项科研项目，并承担1项上海交通大学学生促教基金项目和多项校企合作项目。研究成果与工业界紧密结合，部分已实现大规模部署，为数亿日活用户提供服务。

目录：
人工智能入门篇
第 1章　人工智能概述　2
1.1　人工智能简介　2
1.1.1　人工智能的定义　2
1.1.2　图灵测试　3
1.1.3　人工智能的研究范式　4
1.1.4　人工智能与其他相关联概念的区别和联系　5
1.2　人工智能发展历程　6
1.2.1　人工智能的“三驾马车”　6
1.2.2　我国人工智能发展战略　7
1.2.3　人工智能前沿应用　9
1.3　课后习题　10
第 2章　人工智能实战入门　11
2.1　人工智能Python开发入门　11
2.1.1　数据类型与变量　12
2.1.2　函数与模块　13
2.1.3　条件判断与循环　15
2.1.4　库与调用　15
2.1.5　结果输出与可视化　16
2.2　MindSpore开发入门　18
2.2.1　MindSpore简介　18
2.2.2　环境下载与安装　20
2.3　入门实战介绍——基于MNIST数据集识别手写数字　21
2.4　课后习题　25
机器学习及实战篇
第3章　监督学习　28
3.1　监督学习的基本概念　28
3.1.1　监督学习的基本概念　29
3.1.2　监督学习的分类　29
3.2　监督分类算法　30
3.2.1　K-近邻算法　30
3.2.2　决策树　30
3.2.3　SVM　31
3.3　监督回归算法　33
3.3.1　线性回归　33
3.3.2　逻辑回归　33
3.3.3　感知机　34
3.4　弱监督学习　35
3.4.1　弱监督学习的基本概念　35
3.4.2　半监督学习的基本概念和学习过程　35
3.5　监督学习实战　37
3.5.1　利用决策树根据天气决定是否外出打球　37
3.5.2　利用SVM进行水果新鲜度评估　39
3.5.3　利用Scikit-learn根据房屋面积预测房屋价格　40
3.5.4　利用半监督学习识别手写数字　41
3.6　课后习题　42
第4章　无监督学习　45
4.1　无监督学习的基本概念和分类　45
4.2　聚类　46
4.2.1　聚类的基本概念　46
4.2.2　K均值聚类算法　46
4.3　降维　47
4.3.1　降维的基本概念　47
4.3.2　降维的典型方法　47
4.4　无监督学习实战　49
4.4.1　基于make_blobs数据集的聚类任务　49
4.4.2　利用自编码器进行小区生活垃圾图像分类　49
4.5　课后习题　51
第5章　强化学习　53
5.1　强化学习的基本概念　54
5.1.1　强化学习的基本概念　54
5.1.2　强化学习的分类　54
5.2　有模型的强化学习　54
5.2.1　有模型的强化学习的基本概念　55
5.2.2　有模型的强化学习的过程　55
5.3　无模型的强化学习　56
5.3.1　无模型的强化学习的基本概念　56
5.3.2　无模型的强化学习的过程　57
5.4　强化学习实战　58
5.4.1　利用Q-learning完成宝藏探索游戏　58
5.4.2　利用MindSpore Reinforcement训练DQN　62
5.5　课后习题　70
深度学习及实战篇
第6章　深度神经网络　72
6.1　DNN的基本元素　72
6.1.1　定义和特点　72
6.1.2　训练法则　73
6.1.3　*函数　73
6.1.4　正则化　75
6.1.5　优化器　76
6.2　常用的DNN　77
6.2.1　全连接神经网络　77
6.2.2　CNN　78
6.2.3　RNN　78
6.2.4　残差网络　80
6.3　深度学习实战　82
6.3.1　神经网络模型的训练流程　82
6.3.2　基于IMDb数据集的RNN情感分类　85
6.3.3　基于中国城市信息的LSTM+CRF命名实体识别任务　94
6.3.4　基于CIFAR-10数据集的ResNet50图像分类　102
6.4　课后习题　113
第7章　知识图谱　114
7.1　逻辑推理　114
7.1.1　知识的概念与表示　114
7.1.2　产生式系统　115
7.1.3　确定性和非确定性推理方法　116
7.2　知识图谱简介　118
7.2.1　知识图谱的概念　118
7.2.2　知识图谱的构建　118
7.2.3　知识图谱的生命周期　119
7.3　知识图谱实战　120
7.3.1　基于构造数据集的MindSpore Graph Learning实战　120
7.3.2　整图训练GCN实战　121
7.4　课后习题　124
第8章　生成对抗网络　125
8.1　GAN的原理　125
8.1.1　生成器　125
8.1.2　判别器　126
8.1.3　生成器和判别器的博弈　127
8.1.4　GAN的优缺点分析　127
8.2　GAN的训练方法　127
8.2.1　训练规则　127
8.2.2　损失函数　128
8.3　GAN实战　129
8.3.1　基于MNIST数据集的GAN图像生成　129
8.3.2　Pix2Pix实现图像转换　136
8.4　课后习题　145
第9章　迁移学习　146
9.1　迁移学习简介　146
9.1.1　迁移学习定义　146
9.1.2　迁移学习的可行性与优势　147
9.1.3　迁移学习的应用场景　147
9.1.4　迁移学习的常用方法　148
9.2　预训练模型　148
9.2.1　常见的预训练模型　148
9.2.2　常见的预训练方法　149
9.3　迁移学习实战　149
9.3.1　基于动物图像数据集的
ResNet50迁移学习　149
9.3.2　利用CycleGAN进行水果图像迁移　159
9.4　课后习题　171
第 10章　注意力机制　172
10.1　注意力机制简介　172
10.1.1　注意力机制原理与分类　172
10.1.2　自注意力机制原理　173
10.2　Transformer简介　174
10.2.1　Transformer模型的结构　174
10.2.2　Transformer模型的特点　175
10.3　注意力机制实战　176
10.3.1　基于ImageNet数据集的ViT模型构建　176
10.3.2　基于ImageNet数据集的ViT模型训练与推理　187
10.4　课后习题　193
人工智能前沿与伦理篇
第 11章　扩散模型　196
11.1　扩散模型简介　196
11.1.1　扩散模型的概念　196
11.1.2　扩散模型的原理　197
11.2　稳定扩散模型简介　198
11.2.1　稳定扩散模型的概念　198
11.2.2　稳定扩散模型的原理　199
11.3　扩散模型实战　199
11.3.1　基于DDPM的图像生成模型构建　199
11.3.2　基于DDPM的图像生成模型训练与推理　210
11.4　课后习题　215
第 12章　推荐系统　216
12.1　推荐系统简介　216
12.1.1　推荐系统的定义　216
12.1.2　推荐系统的发展历程　217
12.1.3　推荐系统的应用领域　217
12.2　推荐系统的常用模型　218
12.2.1　基于内容的推荐系统模型　218
12.2.2　基于协同过滤的推荐模型　219
12.3　推荐系统实战　219
12.3.1　基于Criteo数据集的MindSpore Recommender在线学习流程　219
12.3.2　Wide&Deep模型进行推荐和点击预测　222
12.4　课后习题　225
第 13章　量子计算　228
13.1　量子计算简介　228
13.1.1　量子计算的概念与特征　228
13.1.2　量子计算与*计算对比　229
13.2　量子计算框架　229
13.2.1　通用量子计算　229
13.2.2　变分量子计算　230
13.3　量子计算实战　231
13.3.1　MindQuantum简介　231
13.3.2　基于量子神经网络求解鸢尾花分类问题　231
13.3.3　基于量子组合优化求解Max-Cut问题　243
13.3.4　基于量子化学模拟求解分子基态能量问题　251
13.4　课后习题　258
第 14章　轻量级人工智能　261
14.1　轻量级人工智能简介　261
14.1.1　轻量级人工智能的概念　261
14.1.2　轻量级人工智能的意义　262
14.2　轻量级人工智能方法　262
14.2.1　轻量级模型设计方法　262
14.2.2　模型压缩策略　263
14.3　轻量级人工智能实战　264
14.3.1　利用MindSpore Lite进行手机图库目标识别　264
14.3.2　利用MindSpore Lite进行手机端图像分割　276
14.4　课后习题　280
第 15章　人工智能大模型　283
15.1　人工智能大模型的概念与发展　283
15.1.1　人工智能大模型的概念　283
15.1.2　人工智能大模型的发展历程　284
15.2　ChatGPT工作原理　285
15.2.1　语言模型基础与架构　285
15.2.2　GPT-3.5架构简介　285
15.2.3　ChatGPT的生成过程与训练方法　286
15.3　大模型实战　286
15.3.1　利用MindOne检测输入的文本是否由ChatGPT生成　286
15.3.2　利用MindPet进行大模型参数微调　287
15.4　课后习题　291
第 16章　人工智能伦理　293
16.1　人工智能*问题　293
16.1.1　对抗攻击简介　293
16.1.2　对抗攻击分类　294
16.1.3　对抗攻击发展历史与代表工作　294
16.1.4　对抗训练与对抗防御方法　296
16.2　人工智能伦理问题　299
16.2.1　人工智能伦理　299
16.2.2　生成式人工智能伦理探讨　300
16.2.3　人工智能的发展倡议　301
16.2.4　可信人工智能　302
16.3　课后习题　306