深度学习是一种人工智能, 模仿人脑处理数据和创建用于决策的模式方面的工作, 处理用于检测对象、识别语音、翻译语言和进行决策的数据. 本书是深度学习入门级教材，有以下特点：

1. 由浅入深, 对于最基本的单层神经网络到多层神经网络的前向及后向传播理论, 从公式到代码缓慢进阶, 做了透彻的解释, 易于理解及上手。

2. 在基本模块介绍之后, 对于各种更复杂的模型并不拘泥于细节, 而是着重介绍其含义, 让读者着眼于整体框架及未来发展。

3. 尽量跟随新发展, 书中最xin的模型来自2020年.

目 录精彩样章

第一部分 Python 基础

第 1 章 Python 基础

1.1引 言

1.2 安 装

1.3 基本模块的编程

1.4 NumPy 模块

1.5 Pandas 模块

1.6 Matplotlib 模块

1.7 Python 的类——面向对象编程简介

1.8 习 题

第二部分 神经网络基础及逐步深化

第 2 章 从最简单的神经网络说起

2.1 纪元和批次

2.2 神经网络回归

2.3 神经网络分类

第 3 章 有隐藏层的神经网络

3.1 一个隐藏层的神经网络

3.2 多个隐藏层的神经网络

3.3 通过 PyTorch 实现神经网络初等计算

第三部分 深度学习的 PyTorch 实现

第 4 章 神经网络的 PyTorch 逐步深化

4.1 简单的人造数据回归

4.2 MNIST 手写数字数据神经网络案例

4.3 卷积神经网络

4.4 MNIST 手 写 数 字 数 据 ( 续): CNN

4.5 CIFAR10 数据图像 CNN 案例·

第 5 章 递归神经网络

5.1 递归神经网络简介

5.2 长短期记忆网络 (LSTM)

5.3 LSTM 预测句子的例子

5.4 门控递归网络 (GRU)

5.5 数 据 MNIST 手 写 数 字 数 据 的GRU 分类例子

5.6 GRU 处理时间序列的例子

第 6 章 PyTorch 文本数据分析

6.1 一个简单的文本分类例子

6.2 序列到序列模型 (seq2seq)

6.3 剖析一个著名 seq2seq 案例

第 7 章 用于自然语言处理的变换器

7.1 变换器的原理

7.2 预训练模块Transformers·

7.3 seq2seq 变换器示范代码

第 8 章 现代 Hopfifield 网络

8.1 概论

8.2 传统的 Hopfifield 网络

8.3 现代 Hopfifield 网络

8.4 现代 Hopfifield 网络例子

第四部分 深度学习的 TensorFlow 实现

第 9 章 通过例子进入 TensorFlow

9.1 分类例子: 皮肤病

9.2 回归例子

9.3 不平衡数据分类例子

第 10 章 TensorFlow 案例

10.1 102 种花卉 CNN 分类例子

10.2 通过 RNN 生成文本例子

10.3 IMDB 数据文本情感分析案例

10.4 IMDB 数据的变换器示范代码

10.5 图像分割案例