【正版包邮】PaddlePaddle深度学习实战+PaddlePaddle与深度学习应用实战书籍 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

程天恒 著

图书标签:

• 深度学习
• PaddlePaddle
• 实战
• 机器学习
• 人工智能
• Python
• 算法
• 书籍
• 技术
• 入门

店铺： 蓝墨水图书专营店

出版社： 机械工业

ISBN：9787111600466

商品编码：29224620594

包装：平塑

开本：16

出版时间：2018-05-01

基本信息

作者： 刘祥龙    杨晴虹    谭中意    蒋晓琳   

丛书名： 智能系统与技术丛书

出版社：机械工业出版社

ISBN：9787111600466

上架时间：2018-6-12

出版日期：2018 年6月

开本：16开

版次：1-1

所属分类：计算机

目录

序 

前言 

致谢

第1章 数学基础与Python库 1

1.1 Python是进行人工智能编程的

主要语言 1

1.2 数学基础 4

1.2.1 线性代数基础 4

1.2.2 微积分基础 8

1.3 Python库的操作 17

1.3.1 numpy操作 17

1.3.2 matplotlib操作 23

本章小结 27

第2章 深度学习概论与PaddlePaddle入门 28

2.1 人工智能、机器学习与深度学习 29

2.1.1 人工智能 30

2.1.2 机器学习 30

2.1.3 深度学习 31

2.2 深度学习的发展历程 32

2.2.1 神经网络的第一次高潮 32

2.2.2 神经网络的第一次寒冬 33

2.2.3 神经网络的第二次高潮 34

2.2.4 神经网络的第二次寒冬 35

2.2.5 深度学习的来临 35

2.2.6 深度学习崛起的时代背景 36

2.3 深度学习的应用场景 36

2.3.1 图像与视觉 37

2.3.2 语音识别 37

2.3.3 自然语言处理 38

2.3.4 个性化推荐 38

2.4 常见的深度学习网络结构 39

2.4.1 全连接网络结构 39

2.4.2 卷积神经网络 40

2.4.3 循环神经网络 41

2.5 机器学习回顾 41

2.5.1 线性回归的基本概念 42

2.5.2 数据处理 44

2.5.3 模型概览 45

2.5.4 效果展示 46

2.6 深度学习框架简介 47

2.6.1 深度学习框架的作用 47

2.6.2 常见的深度学习框架 48

2.6.3 PaddlePaddle简介 49

2.6.4 PaddlePaddle使用 49

2.7 PaddlePaddle实现 51

本章小结 60

第3章 深度学习的单层网络 61

3.1 Logistic回归模型 62

3.1.1 Logistic回归概述 62

3.1.2 损失函数 64

3.1.3 Logistic回归的梯度下降 66

3.2 实现Logistic回归模型 71

3.2.1 Python版本 72

3.2.2 PaddlePaddle版本 81

本章小结 90

第4章 浅层神经网络 92

4.1 神经网络 92

4.1.1 神经网络的定义及其结构 92

4.1.2 神经网络的计算 94

4.2 BP算法 100

4.2.1 逻辑回归与BP算法 101

4.2.2 单样本双层神经网络的BP算法 101

4.2.3 多个样本神经网络BP算法 105

4.3 BP算法实践 108

4.3.1 Python版本 109

4.3.2 PaddlePaddle版本 116

本章小结 122

第5章 深层神经网络 123

5.1 深层网络介绍 123

5.1.1 深度影响算法能力 124

5.1.2 网络演化过程与常用符号 125

5.2 传播过程 127

5.2.1 神经网络算法核心思想 127

5.2.2 深层网络前向传播过程 128

5.2.3 深层网络后向传播过程 129

5.2.4 传播过程总结 130

5.3 网络的参数 132

5.4 代码实现 133

5.4.1 Python版本 133

5.4.2 PaddlePaddle版本 136

本章小结 140

第6章 卷积神经网络 141

6.1 图像分类问题描述 141

6.2 卷积神经网络介绍 142

6.2.1 卷积层 142

6.2.2 ReLU激活函数 147

6.2.3 池化层 148

6.2.4 Softmax分类层 149

6.2.5 主要特点 151

6.2.6 经典神经网络架构 152

6.3 PaddlePaddle实现 159

6.3.1 数据介绍 159

6.3.2 模型概览 160

6.3.3 配置说明 160

6.3.4 应用模型 168

本章小结 169

第7章 个性化推荐 170

7.1 问题描述 170

7.2 传统推荐方法 171

7.2.1 基于内容的推荐 172

7.2.2 协同过滤推荐 173

7.2.3 混合推荐 175

7.3 深度学习推荐方法 176

7.3.1 YouTube的深度神经网络推荐系统 176

7.3.2 融合推荐系统 178

7.4 个性化推荐系统在PaddlePaddle上的实现 180

7.4.1 数据准备 180

7.4.2 模型配置 182

7.4.3 模型训练 184

7.4.4 模型测试 188

本章小结 188

第8章 个性化推荐的分布式实现 190

8.1 PaddlePaddle Cloud介绍 190

8.2 PaddlePaddle Cloud使用 192

8.2.1 创建集群 192

8.2.2 配置集群 192

8.2.3 配置客户端 193

8.3 个性化推荐在PaddlePaddle Cloud上的实现 194

8.3.1 提交单节点任务 194

8.3.2 个性化推荐在PaddlePaddle Cloud上的实现 196

本章小结 199

第9章 广告CTR预估 200

9.1 CTR预估简介 200

9.1.1 CTR定义 201

9.1.2 CTR与推荐算法的异同 202

9.1.3 CTR预估的评价指标 202

9.2 CTR预估的基本过程 205

9.2.1 CTR预估的三个阶段 206

9.2.2 CTR预估中的特征预处理 206

9.3 CTR预估的常见模型 208

9.3.1 LR模型 208

9.3.2 GBDT模型 210

9.3.3 GBDT+LR模型 212

9.3.4 FM+DNN模型 214

9.3.5 MLR模型 215

9.4 CTR预估在工业上的实现 217

9.5 CTR预估在PaddlePaddle上的实现 218

9.5.1 数据集 218

9.5.2 预测模型选择和构建 219

9.5.3 PaddlePaddle完整实现 222

本章小结 226

第10章 算法优化 227

10.1 基础知识 227

10.1.1 训练、验证和测试集 227

10.1.2 偏差和方差 228

10.2 评估 229

10.2.1 选定评估目标 229

10.2.2 迭代过程 230

10.2.3 欠拟合和过拟合 230

10.3 调优策略 231

10.3.1 降低偏差 231

10.3.2 降低方差 236

10.4 超参数调优 242

10.4.1 随机搜索和网格搜索 242

10.4.2 超参数范围 243

10.4.3 分阶段搜索 243

10.4.4 例子：对学习率的调整 244

本章小结 245 

PaddlePaddle与深度学习应用实战 其他 – 2018年5月1日

程天恒 (作者)

出版社: 电子工业出版社; 

第1版 (2018年5月1日) 

其他: 232页

ISBN: 9787121342479 

条形码: 9787121342479 

商品尺寸: 2.3 x 1.8 x 0.1 cm

定价 65元

 

深度学习是目前人工智能研究中前沿、有效的一项技术，主要通过构建深度神经网络解决视觉、自然语言处理、语音识别等诸多领域的问题。百度在2016年发布了国内首个开源深度学习框架PaddlePaddle，简化了深度学习算法的实现步骤，提供了灵活、易用的接口，同时支持分布式训练。 本书由简单的例子引入深度学习和PaddlePaddle框架，介绍了PaddlePaddle的安装、测试与基本使用，并结合PaddlePaddle接口介绍深度学习的基础知识，包括常用的神经网络和算法。最后，通过一系列深度学习项目实例介绍PaddlePaddle在各种场景和问题中的应用，让读者由浅至深地理解并运用深度学习解决实际问题。

 

目录

第1 章 深度学习简介 .............................................................................................................. 1

1.1 初见 ....................................................................................................................................... 1

1.2 机器学习 ............................................................................................................................... 1

1.3 神经网络 ............................................................................................................................... 3

1.4 深度学习介绍 ....................................................................................................................... 7

1.5 深度学习应用 ....................................................................................................................... 8

1.6 深度学习框架 ..................................................................................................................... 12

1.7 深度学习的未来 ................................................................................................................. 15

 

第2 章 PaddlePaddle 简介 ................................................................................................... 16

2.1 安装PaddlePaddle ............................................................................................................... 16

2.2 测试PaddlePaddle ............................................................................................................... 29

 

第3 章 初探手写数字识别 .................................................................................................... 31

 

第4 章 PaddlePaddle 基本用法 ........................................................................................... 44

4.1 数据准备 ............................................................................................................................. 44

4.2 原始数据读取及预处理 ..................................................................................................... 44

4.3 PaddlePaddle 训练数据 ....................................................................................................... 46

4.4 模型配置 ............................................................................................................................. 52

4.5 激活函数 ............................................................................................................................. 58

4.6 优化方法 ............................................................................................................................. 64

4.7 损失函数 ............................................................................................................................. 72

4.8 均方损失函数 ..................................................................................................................... 73

4.9 交叉熵损失函数 ................................................................................................................. 73

4.10 Huber 损失函数 ................................................................................................................ 74

4.11 CRF 损失函数 ................................................................................................................... 74

4.12 CTC 损失函数 ................................................................................................................... 75

4.13 反向传播算法 ................................................................................................................... 75

 

第5 章 卷积神经网络 ............................................................................................................ 78

5.1 卷积神经网络 ..................................................................................................................... 78

5.2 实例学习 ............................................................................................................................. 87

5.3 拓展 ................................................................................................................................... 112

 

第6 章 循环神经网络 .......................................................................................................... 118

6.1 RNN 简介 .......................................................................................................................... 118

6.2 双向循环神经网络 ........................................................................................................... 121

6.3 循环神经网络使用场景 ................................................................................................... 127

6.4 预测sin 函数序列 ............................................................................................................. 129

6.5 拓展 ................................................................................................................................... 134

 

第7 章 PaddlePaddle 实战 ................................................................................................. 136

7.1 自编码器 ........................................................................................................................... 136

7.2 PaddlePaddle 实现自编码器 ............................................................................................. 137

7.3 实战OCR 识别（一） ..................................................................................................... 140

7.4 实战OCR 识别（二） ..................................................................................................... 150

7.5 情感分析 ........................................................................................................................... 164

7.6 Seq2Seq 及其应用 ............................................................................................................ 172

7.7 实现 ................................................................................................................................... 178

7.8 Image Caption .................................................................................................................... 194

 

第8 章 深度学习新星：生成对抗网络GAN ....................................................................... 208

8.1 生成对抗网络（GAN） ................................................................................................... 208

8.2 GAN 的其他应用 .............................................................................................................. 213

 

第9 章 强化学习与AlphaGo .............................................................................................. 216

探索人工智能的奥秘：深度学习的理论与实践 在飞速发展的科技浪潮中，人工智能（AI）正以前所未有的力量重塑着我们的世界。而深度学习，作为AI领域中最具颠覆性的技术之一，更是引领着这场变革的核心动力。本书旨在为读者深入浅出地剖析深度学习的底层逻辑，并结合前沿的理论与实用的技术，引导读者掌握构建、训练和部署各类深度学习模型的关键技能。我们将跳脱出具体框架的束缚，专注于深度学习的普适性概念与核心思想，让您无论选择何种工具，都能拥有坚实的技术根基和独立解决问题的能力。 第一章：深度学习的基石——神经网络的奥秘 本章将带领您穿越深度学习的起点，从最基础的神经网络单元——神经元——讲起。我们将详细阐述神经元的工作原理，包括激活函数的作用、权重的更新机制，以及它们如何协同工作，构建出能够学习复杂模式的计算网络。您将了解到前馈神经网络（FNN）的基本结构，理解层与层之间的信息传递过程，并初步认识到深度学习模型之所以“深度”的含义，即拥有多个隐藏层来提取更抽象、更高级的特征。 在此基础上，我们将深入探讨神经网络的“学习”过程。反向传播算法（Backpropagation）是训练神经网络的基石，我们将对其数学原理进行详细推导，揭示误差信号如何沿着网络反向传播，并指导权重参数的优化。您将理解梯度下降（Gradient Descent）及其各种变体（如SGD、Adam等）在模型训练中的核心作用，以及学习率、批次大小等超参数对训练效率和模型性能的影响。 此外，本章还将简要介绍一些重要的激活函数，如Sigmoid、ReLU、Leaky ReLU等，分析它们的优缺点以及在不同场景下的适用性。您将了解到，不同激活函数的选择能够显著影响网络的非线性表达能力和训练的稳定性。 第二章：构建强大的深度学习模型——核心网络架构解析 在掌握了神经网络的基本构建块之后，本章将聚焦于当下最流行、最强大的深度学习网络架构，为读者提供构建各种智能应用的理论框架。 2.1 卷积神经网络（CNN）：洞察视觉世界的利器 CNN是处理图像和视频数据的“明星”。我们将详细解析卷积层（Convolutional Layer）的核心思想，理解卷积核（Kernel）如何在输入数据上滑动，提取局部特征，例如边缘、纹理等。您将学习到池化层（Pooling Layer）的作用，了解它如何通过降维来减少计算量，增强模型的鲁棒性，并防止过拟合。 我们将梳理经典CNN架构的发展历程，从LeNet到AlexNet，再到VGG、GoogLeNet和ResNet。您将深入理解残差连接（Residual Connection）等创新思想如何有效地解决了深度网络中的梯度消失问题，使得训练更深层次的网络成为可能。本章还将探讨感受野（Receptive Field）的概念，以及如何通过多层卷积和池化来构建具有层次感的特征表示。 2.2 循环神经网络（RNN）：理解时序数据的脉络 对于处理序列数据，如文本、语音和时间序列，RNN是不可或缺的工具。我们将深入讲解RNN的基本结构，理解它如何通过循环连接和隐藏状态（Hidden State）来“记忆”过去的序列信息。然而，标准的RNN在处理长序列时容易出现梯度消失或爆炸问题。 为了克服这些挑战，我们将重点介绍长短期记忆网络（LSTM）和门控循环单元（GRU）。您将详细了解LSTM中的门控机制（输入门、遗忘门、输出门）如何协同工作，精确控制信息的流动，从而有效地捕获长距离依赖关系。GRU作为LSTM的简化版本，也将被详细解析其独特的门控设计。 2.3 Transformer架构：重塑序列建模的新范式 近年来，Transformer架构以其强大的并行处理能力和在自然语言处理（NLP）领域的突破性表现，迅速成为主流。本章将拨开Transformer的神秘面纱，详细解析其核心组件：自注意力机制（Self-Attention Mechanism）和多头注意力机制（Multi-Head Attention）。您将理解注意力机制如何让模型在处理序列时，动态地权衡输入序列中不同部分的重要性，从而实现更精准的建模。 我们将深入探讨Transformer的编码器-解码器（Encoder-Decoder）结构，以及位置编码（Positional Encoding）在捕捉序列顺序信息中的关键作用。您将了解GPT、BERT等基于Transformer的预训练模型是如何通过大规模无监督学习，获得强大的语言理解和生成能力的，以及它们在各种NLP任务中的应用前景。 第三章：深度学习模型的训练与优化——迈向卓越性能 仅仅了解模型架构是不够的，如何有效地训练和优化模型，使其达到最佳性能，是实践中的关键。本章将深入探讨这一核心环节。 3.1 损失函数与评估指标：衡量模型好坏的双重标准 我们将详细介绍各种常见的损失函数（Loss Function），如交叉熵损失（Cross-Entropy Loss）、均方误差（Mean Squared Error）等，并分析它们适用于不同任务的原理。您将理解损失函数的作用是量化模型预测与真实标签之间的差异，并指导模型进行优化。 同时，本章还将介绍一系列评估模型性能的指标，如准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数、ROC曲线、AUC等。您将学习如何根据任务的特点选择合适的评估指标，以及如何解读这些指标来全面地评价模型的表现。 3.2 正则化技术：抵御过拟合的坚固盾牌 过拟合是深度学习训练中常见的“敌人”，它会导致模型在训练集上表现优异，但在新数据上泛化能力差。本章将系统介绍多种有效的正则化技术，帮助您提升模型的泛化能力。 我们将深入讲解L1和L2正则化，分析它们如何通过惩罚模型权重来限制模型的复杂度。您还将学习到Dropout技术，理解它如何通过随机“关闭”一部分神经元来迫使网络学习更鲁棒的特征。此外，我们还将探讨数据增强（Data Augmentation）的策略，例如图像的旋转、裁剪、翻转等，以及早停法（Early Stopping）在防止过拟合中的作用。 3.3 优化算法的进阶：加速模型收敛的秘密武器 除了基础的梯度下降，本章将介绍更高级的优化算法，它们能够显著加速模型的收敛过程，并帮助模型跳出局部最优解。您将深入理解Momentum、Nesterov Momentum、Adagrad、RMSprop和Adam等算法的工作原理，理解它们如何通过引入动量、自适应学习率等机制来提升训练效率。 第四章：深度学习的应用领域与前沿探索 深度学习的强大能力使其在众多领域都取得了革命性的进展。本章将为您展现深度学习的广阔应用前景，并展望未来的发展趋势。 4.1 计算机视觉：让机器“看懂”世界 我们将详细探讨深度学习在计算机视觉领域的应用，包括图像分类、目标检测、语义分割、图像生成（如GANs）、人脸识别等。您将了解如何利用CNN等模型解决实际的视觉任务，例如自动驾驶中的障碍物识别、医疗影像的辅助诊断、安防监控中的行为分析等。 4.2 自然语言处理：赋能人机智能对话 本章将聚焦于深度学习在NLP领域的应用，如文本分类、情感分析、机器翻译、问答系统、文本生成、对话系统等。您将理解Transformer及其衍生模型（如BERT、GPT系列）如何在理解人类语言的复杂性和生成高质量文本方面发挥关键作用。 4.3 其他前沿领域：智能时代的无限可能 除了上述两大领域，深度学习还在语音识别、推荐系统、强化学习（用于游戏AI、机器人控制）、生物信息学、金融风控等众多领域展现出巨大的潜力。本章将简要介绍这些领域的应用案例，激发您对深度学习更广泛的想象。 第五章：走向实践——深度学习项目的开发流程 理论知识的学习最终要回归到实践。本章将为您梳理一个典型的深度学习项目开发流程，从数据准备到模型部署，让您拥有完整的项目实操经验。 5.1 数据收集与预处理：构建可靠的学习基础 成功的深度学习项目离不开高质量的数据。本章将讲解数据收集的渠道和方法，以及数据清洗、格式转换、缺失值处理、异常值检测等关键的预处理步骤。您还将学习到如何对数据进行划分，如训练集、验证集和测试集，以及它们在模型开发过程中的作用。 5.2 模型选择与构建：理论与实践的融合 根据具体任务的需求，选择合适的网络架构。本章将指导您如何根据数据的特点（如图像、文本、时序数据）和任务的性质（如分类、回归、生成）来选择最适宜的模型。您将学习如何利用现有的深度学习框架（虽然本书不拘泥于具体框架，但理解其通用API是必要的）来实现模型的搭建。 5.3 模型训练与调优：迭代优化，精益求精 在模型构建完成后，我们将进入至关重要的训练阶段。本章将详细讲解模型训练的步骤，包括定义训练循环、选择优化器和损失函数、设置超参数等。您将学习如何通过观察训练过程中的损失曲线和评估指标，来判断模型是否收敛，是否存在过拟合或欠拟合，并据此进行相应的调优。 5.4 模型评估与部署：将智能推向应用 在模型训练和调优完成后，我们需要在测试集上对模型进行最终评估，以了解其在未知数据上的真实表现。本章将指导您如何全面地解读评估结果，并分析模型的优点和不足。最后，我们将探讨模型部署的常见方式，例如将其集成到Web应用、移动应用或嵌入式设备中，让深度学习模型真正为用户服务。 结语 深度学习是一门博大精深的学科，其发展日新月异。本书旨在为您提供一个坚实的理论基础和一套通用的实践方法论，帮助您在探索人工智能的道路上，能够独立思考，勇于实践，不断进步。愿您在学习深度学习的旅程中，能够解锁更多的智能奥秘，创造出更多有价值的应用。

评分☆☆☆☆☆

评价一： 这本书简直打开了我的新世界大门！我是一名正在摸索深度学习道路的初学者，之前看了一些零散的教程，总感觉像是碎片化的知识点，难以形成体系。拿到这本书后，我迫不及待地翻开，惊喜地发现它从最基础的概念讲起，循序渐进，一点点地把我从“为什么需要深度学习”带入到“如何用PaddlePaddle实现深度学习”。书中对各个模型（比如CNN、RNN）的原理讲解非常透彻，不是那种照搬公式的枯燥讲解，而是结合了形象的比喻和直观的图示，让我这个对数学公式有些头疼的人也能茅塞顿开。更重要的是，它不仅仅停留在理论层面，书中大量的实战案例，让我能够亲手敲代码，将学到的知识付诸实践。从数据预处理到模型训练，再到最后的评估和调优，每一步都有清晰的指导。我最喜欢的是书中对一个真实世界问题的完整解决方案的剖析，那种成就感是看视频教程无法比拟的。这本书就像一位耐心细致的老师，一直在身边指导我，让我少走了很多弯路。

评分☆☆☆☆☆

评价三： 我是一名对人工智能充满好奇心的学生，一直想系统地学习深度学习，但苦于找不到合适的入门材料。这本书就像一本宝藏，让我从一个完全不懂的门外汉，逐渐成长为一个能够理解并动手实践深度学习的爱好者。书中从最简单的概念入手，一点点地构建起我对深度学习的认知。我喜欢它循序渐进的讲解方式，让我能够轻松地理解那些看似复杂的理论。书中大量的图示和代码示例，让我能够直观地看到深度学习模型的运行过程，并且可以亲手去修改和实验，这比单纯地看书本更加有趣和有意义。我尝试着跟着书中的案例，在自己的电脑上搭建环境，运行代码，看到模型一点点地学习，最终能够完成任务，那种喜悦感无法言喻。这本书不仅教会了我深度学习的知识，更培养了我解决问题的能力和探索未知的兴趣。

评分☆☆☆☆☆

评价二： 作为一名在AI领域摸爬滚打了几年的工程师，我一直在寻找一本能够深入理解PaddlePaddle框架，并将其应用于实际工程挑战的书籍。这本书的出现，无疑是雪中送炭。它没有停留在浅显的API介绍，而是深入到了PaddlePaddle的核心设计理念和底层实现。书中关于计算图的构建、分布式训练的优化策略、以及如何有效地利用PaddlePaddle进行模型部署等内容，都极具启发性。我尤其赞赏其中对一些复杂模型（如Transformer、GAN）在PaddlePaddle中的实现细节的讲解，这对于理解这些前沿模型的工作机制至关重要。而且，书中提供的案例并非那种“hello world”式的简单demo，而是贴近实际业务场景，涉及图像识别、自然语言处理等多个领域，这让我可以直接借鉴到我自己的工作中。通过学习这本书，我对PaddlePaddle框架的掌握程度有了质的飞跃，能够更加灵活高效地解决实际问题，甚至能够根据项目需求，对框架进行一些定制化的开发。

评分☆☆☆☆☆

评价五： 我是一名有着一定编程基础，但对深度学习领域还不太熟悉的学习者。这本书的内容对我来说恰到好处。它在讲解深度学习理论的同时，紧密结合了PaddlePaddle框架的应用，让我能够将抽象的概念具象化，并立刻看到实践效果。书中对不同类型神经网络的介绍，比如卷积神经网络、循环神经网络，都非常清晰易懂，并且提供了相应的代码示例，让我能够动手实践。我特别喜欢书中关于模型评估和调优的部分，它帮助我理解了如何判断模型的优劣，以及如何通过调整参数来提升模型的性能。跟着书中的案例，我成功地搭建了自己的第一个图像分类模型，虽然只是一个简单的例子，但这种从零开始构建和训练模型的过程，让我对深度学习产生了浓厚的兴趣。这本书为我打开了通往深度学习世界的大门，让我看到了无限的可能性。

评分☆☆☆☆☆

评价四： 终于等到一本能够深入剖析PaddlePaddle模型应用的书籍了！我一直关注着深度学习的发展，尤其是国产深度学习框架的进步。这本书的内容非常充实，涵盖了从基础到进阶的各种深度学习模型及其在PaddlePaddle上的实现。我最看重的是书中对模型优化和性能调优的详细阐述，这对于在实际项目中提升模型效果至关重要。比如，书中关于如何选择合适的优化器、如何进行超参数调整、以及如何利用混合精度训练来加速模型收敛等内容，都非常实用。此外，书中还介绍了一些高级的模型结构，比如图神经网络（GNN）和可解释性AI（XAI）等，这让我能够接触到更前沿的AI技术。我尝试着书中关于图像分割的案例，成功地在自己的数据集上训练出了不错的效果，这让我对PaddlePaddle的强大功能有了更深刻的认识。