本书共8章。第1章介绍深度学习的定义、应用、核心要素及数学符号等内容；第2章详解机器学习原理，包括数据处理、监督与无监督学习、线性模型等；第3章从统计学和深度学习视角解析logistic回归模型，概述softmax与浅层自编码器；第4章讲解梯度下降、ADAM等优化算法及自动微分，并概述一阶与二阶方法；第5章探讨前馈深度神经网络的表达力、激活函数、反向传播算法及训练关键技术等内容；第6章解析卷积神经网络的数学原理、架构，介绍经典模型及计算机视觉任务等内容；第7章聚焦序列模型、注意力机制及Transformer的结构与应用；第8章涵盖生成模型、强化学习与图神经网络，展示深度学习的多样化应用方向。