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，通过分析具体的问题并给出详细代码示例，介绍深度学习在建筑工程中的应用方法。全书共5章，分别为深度学习开发环境搭建、深度学习基础、采用深层卷积网络实现裂缝分类、采用深度卷积生成对抗网络实现建筑立面生成和基于强化学习的钢筋排布避障设计。
本书可作为土木工程相关专业高等院校和职业院校的课程教材，亦可作为深度学习相关专业从业人员进入建筑工程行业的入门资料。

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
……