本书共14章, 分为四篇: 第一篇为深度学习相关的基本概念与理论 (第1-2章) 梳理了深度学习的发展历程、前沿与趋势, 介绍了机器学习任务类型、评价指标、过拟合与欠拟合偏差与方差、最大似然估计、贝叶斯决策、损失函数设计等; 第二篇介绍典型神经网络 (第3-7章) 包括多层感知机、卷积神经网络、循环神经网络、Transformer 和图神经网络; 第三篇为深度学习前沿方向, 包括深度生成模型、深度神经网络的优化方法、正则化方法、自监督学习、强化学习及深度神经网络的高效计算方法。第四篇为深度学习实战, 以PyTorch框架为例介绍张量操作、自动求导和神经网络层构建, 同时结合图像分类、文本分类的实战案例展示深度学习模型的实现流程。