深度学习在建筑工程中的应用

本书以易于理解的语言和方式向读者讲述了深度学习中的常用概念和方法，结合建筑工程领域的专业背景和应用场景，通过对具体的问题的分析及详细代码示例，介绍深度学习在建筑工程中的应用方法。这意味着，土木工程领域的读者可以从熟悉的知识领域出发，循序渐进地采用简单的步骤与模块化的程序，逐步构建深度学习的知识体系，领略深度学习思想给建筑工程领域带来的机遇与挑战。 本书第一章对深度学习所需的系列软件安装及开发环境搭建进行了详细介绍，并对常用工具及包进行了简单介绍，为后续的学习开山铺路；第二章结合通俗易懂的代码讲述了前馈神经网络、卷积神经网络、生成对抗网络、强化学习的核心理论，帮助读者在短时间内构建可运行的模型，增强读者探索深度学习的信心；第三章基于建筑工程领域的实际场景，采用深度卷积模型，通过模块化代码完成表面裂缝分类，实现建筑质量缺陷的快速检测；第四章采用深度卷积生成对抗网络，生成多种全新的建筑立面方案，可作为建筑师设计时的参考项，以达到激发设计灵感、辅助设计、提升工作效率的目的；第五章基于多智能体强化学习和建筑信息模型的计算方法，实现装配式钢筋混凝土节点自动无碰撞的钢筋设计，以提高设计效率、减少返工。

第1章 深度学习开发环境搭建 1.1 深度学习与PyTorch 1.1.1 机器学习 1.1.2 深度学习 1.1.3 深度学习框架PyTorch 1.2 环境搭建 1.2.1 安装环境管理工具（Conda） 1.2.2 安装GPU加速包 1.2.3 配置虚拟环境 1.3 深度学习框架安装配置（PyTorch） 1.4 常用工具及包介绍（Python） 1.4.1 源码集成开发环境（Visual Studio Code/PyCharm） 1.4.2 网页交互式运行环境（Jupyter） 1.4.3 云端运行环境（Google Colaboratory） 1.4.4 部分常用Python包 1.5 基础知识（Python/NumPy/Matplotlib/PyTorch） 1.5.1 Python编程基础 1.5.2 NumPy数组及运算 1.5.3 图形绘制基础（Matplotlib） 1.5.4 框架基础（PyForch） 参考文献 第2章 深度学习基础 2.1 神经网络 2.1.1 神经网络的初步认识 2.1.2 前馈神经网络的工作机制 2.1.3 采用神经网络对手写数字进行分类 2.2 卷积神经网络（CNN） 2.2.1 CNN的初步认识 2.2.2 CNN网络的架构 2.2.3 经典CNN网络 2.2.4 采用CNN对手写数字进行分类 2.3 生成对抗网络（GAN） 2.3.1 GAN的初步认识 2.3.2 采用GAN生成手写数字 2.3.3 采用卷积GAN生成手写数字（MNSIT-CNN-GAN） 2.3.4 采用条件式GAN生成手写数字 2.4 强化学习 2.4.1 强化学习的初步认识 2.4.2 强化学习理论基础 2.4.3 时序差分学习方法 2.4.4 采用Q-learning算法进行智能体路径规划 参考文献 第3章 采用深层卷积网络实现裂缝分类 3.1 残差网络的架构 3.2 残差网络（ResNet18）的工作机制 3.3 采用ResNet18实现裂缝分类 3.3.1 数据集制作 3.3.2 模型训练 3.3.3 模型优化与验证 参考文献