本书深入浅出地介绍深度学习的基础知识和相关技术，内容涉及近几年深度学习领域的研究热点问题，主要有深度学习、神经网络及其发展历史，机器学习的评价指标及算法的类型，前馈神经网络、反向传播算法和卷积神经网络及其相关技术，AlexNet、VGG、NiN、GoogLeNet、ResNet、DenseNet等现代卷积神经网络模型和可以处理序列信息的循环神经网络模型及其实现。针对深度学习的实现问题，分析网络优化与正则化的相关方法，并列举3个基于Python的实战演练案例，包括MNIST手写数字分类的实现、车辆识别和人脸识别。
本书适合深度学习初学者阅读，可以作为从事深度学习研究和Python实现及应用的科学研究工作者和工程技术人员的参考书，也可以作为控制科学与工程、计算机科学与技术、机械电子工程等学科研究生或高年级本科生的教材。

第1章 绪论
1.1 深度学习简介
1.2 神经网络
1.2.1 人脑神经网络
1.2.2 人工神经网络
1.3 神经网络的发展历史
1.4 常用的深度学习框架
1.5 编程环境的安装
1.5.1 安装Anaconda
1.5.2 安装CUDA
1.5.3 安装TensorFlow
1.5.4 安装常用编辑器
第2章 机器学习基础
2.1 基本概念
2.2 机器学习的三个基本要素
2.2.1 模型
2.2.2 学习准则
2.2.3 优化算法
2.3 机器学习的简单示例——线性回归
2.4 偏差-方差分解
2.5 机器学习算法的类型
2.6 评价指标
2.7 线性模型
2.7.1 线性判别函数和决策边界
2.7.2 Logistic回归
2.7.3 Softmax回归
2.7.4 感知器
第3章 前馈神经网络
3.1 神经元
3.1.1 Sigmoid型函数
3.1.2 ReLU函数
3.1.3 Swish函数
3.1.4 GELU函数
3.1.5 Maxout单元
3.2 网络结构
3.2.1 前馈网络
3.2.2 记忆网络
3.2.3 图网络
3.3 前馈神经网络
3.3.1 通用近似定理
3.3.2 应用到机器学习
3.3.3 参数学习
3.4 反向传播算法
3.5 自动梯度计算
3.5.1 数值微分
3.5.2 符号微分
3.5.3 自动微分
3.6 优化问题
3.6.1 非凸优化问题
3.6.2 梯度消失问题
第4章 卷积神经网络
4.1 从全连接层到卷积
4.1.1 不变性
4.1.2 限制多层感知机
4.1.3 卷积
4.1.4 回顾“沃尔多在哪里”
4.2 图像卷积
4.2.1 互相关运算
……
第5章 现代卷积神经网络
第6章 循环神经网络
第7章 网络优化与正则化
第8章 实战演练