深度学习作为人工智能领域的“排头兵”，将在未来的新一轮产业升级中起到至关重要的作用。本书以“理论＋实践”的形式帮助读者快速建立深度学习知识体系，不仅能在算法层面上理解各种神经网络模型，而且能借助功能强大且极易上手的Keras 框架，熟练地搭建和训练模型，应用于解决实际问题。 全书共12章，内容涵盖入门深度学习的绝大部分基础知识。第1章讲解如何搭建深度学习的编程环境，并简单回顾了学习深度学习**的数学知识。第2章从回归算法出发带领读者踏上深度学习之路。第3～9章全面讲解时下几种主流神经网络结构，包括多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）、 自动编码器（AE）、变分自动编码器（VAE）、对抗生成网络（GAN）等。第10～12章着重介绍时下主流的几类深度学习应用，包括图像识别、目标检测和自然语言处理等。无论是算法原理还是编程实践，本书都从易到难、循序渐进地讲解，并配合简单轻松的实例帮助读者加深印象。 本书不仅适合需要在工作中应用深度学习技术的专业人员，而且适合具备一定计算机编程基础的人工智能和深度学习爱好者。对于大专院校相关专业的师生，本书也是一本不错的参考读物

前言 如何获取学习资源 第1章 深度学习入门 1.1 Keras的介绍与安装 13 1.2 学习深度学习需要具备的数学基础知识 16 第2章 回归算法 2.1 线性回归 31 2.2 多元线性回归 39 2.3 逻辑回归 42 第3章 神经网络入门 3.1 简单神经网络的基本结构 50 3.2 正向传播 51 3.3 激活函数 53 3.4 MLP的反向传播与求导 55 3.5 MLP的损失函数 59 3.6 权重初始化 62 3.7 案例：黑白手写数字识别 64 第4章 神经网络进阶—如何提高性能 4.1 欠拟合和过拟合问题 69 4.2 模型诊断与误差分析 71 4.3 避免过拟合的“良药”—正则化 73 4.4 优化算法 76 4.4.1 基于梯度下降法的优化算法 76 4.4.2 进阶优化算法 78 4.5 其他优化性能的方法 81 4.6 模型训练的检查清单 83 第5章 卷积神经网络 5.1 CNN的构想来源 86 5.2 卷积层 88 5.3 滤波器 89 5.3.1 滤波器的运算规则 89 5.3.2 滤波器的作用 91 5.3.3 填充和步长 95 5.4 彩色图像输入 98 5.5 反向传播 101 5.6 池化层 103 5.7 CNN案例 104 5.7.1 黑白手写数字识别 104 5.7.2 彩色图像分类 107 第6章 循环神经网络 6.1 RNN的基本结构 115 6.2 RNN的正向传播 118 6.3 RNN的反向传播 120 6.4 简单的RNN案例 122 6.5 训练RNN时的问题与解决方案 129 6.5.1 梯度爆炸和梯度消失 130 6.5.2 梯度问题的解决方案 132 6.6 解决长期依赖问题的“良药”—GRU和LSTM 133 6.6.1 GRU 134 6.6.2 LSTM 138 6.7 RNN案例：影评分析 142 6.7.1 准备知识—词嵌入 142 6.7.2 代码解析 144 第7章 自动编码器 7.1 AE的结构 149 7.2 重构损失 151 7.3 简单的AE案例 153 7.4 Sparse AE 155 7.5 去噪自动编码器 157 7.6 上色器 160 第8章 变分自动编码器 8.1 VAE的结构 171 8.2 对VAE的深层理解 174 8.3 损失函数 175 8.4 重参数技巧 180 8.5 VAE案例 181 第9章 对抗生成网络 9.1 GAN的基本结构 191 9.2 GAN的训练 192 9.3 GAN的数学原理 195 9.4 GAN案例：DCGAN 198 第10章 AI的眼睛Ⅰ—基于CNN的图像识别 10.1 VGGNet 209 10.2 Inception 214 10.3 ResNet 220 10.4 迁移学习 226 第11章 AI的眼睛Ⅱ—基于CNN的目标检测 11.1 R-CNN 232 11.2 Fast R-CNN 241 11.3 Faster R-CNN 243 11.4 YOLO算法 246 第12章 循环神经网络的进阶算法 12.1 BRNN 250 12.2 Encoder-Decoder 255 12.3 注意力机制 257