●原書前言
第1章數學基礎//1
1.1線性代數//2
1.1.1向量//2
1.1.2標量//2
1.1.3矩陣//3
1.1.4張量//3
1.1.5矩陣的運算和操作//4
1.1.6向量的線性獨立//6
1.1.7矩陣的秩//8
1.1.8單位矩陣或恆等運算符//8
1.1.9矩陣的行列式//9
1.1.10逆矩陣//10
1.1.11向量的範數（模）//11
1.1.12偽逆矩陣//12
1.1.13以特定向量為方向的單位向量//12
1.1.14一個向量在另一個向量方向上的投影（或射影）//12
1.1.15特征向量//12
1.2微積分//17
1.2.1微分//17
1.2.2函數的梯度//17
1.2.3連續偏導數//18
1.2.4海森矩陣//18
1.2.5函數的極大值和極小值//18
1.2.6局部極小值和全局最小值//20
1.2.7半正定以及正定矩陣//21
1.2.8凸集//21
1.2.9凸函數//22
1.2.10非凸函數//22
1.2.11多變量凸函數以及非凸函數範例//23
1.2.12泰勒級數//24
1.3概率//24
1.3.1並集、交集和條件概率//25
1.3.2事件交集概率的鏈式法則//26
1.3.3互斥事件//26
1.3.4事件獨立性//27
1.3.5事件條件獨立性//27
1.3.6貝葉斯定理（公式）//27
1.3.7概率質量函數//28
1.3.8概率密度函數//28
1.3.9隨機變量的數學期望//28
1.3.10隨機變量的方差//28
1.3.11偏度和峰度//29
1.3.12協方差//30
1.3.13相關性繫數//31
1.3.14一些常見的概率分布//31
1.3.15似然函數//34
1.3.16優選似然估計//35
1.3.17假設檢驗和p值//36
1.4機器學習算法的制定與優化算法//38
1.4.1監督學習//38
1.4.2無監督學習//45
1.4.3機器學習的優化算法//45
1.4.4約束優化問題//53
1.5機器學習中的幾個重要主題//54
1.5.1降維方法//54
1.5.2正則化//5
1.5.3約束優化問題中的正則化//59
1.6總結//60
第2章深度學習概念和TensorFlow介紹//61
2.1深度學習及其發展//61
2.2感知機和感知機學習算法//63
2.2.1感知機學習的幾何解釋//65
2.2.2感知機學習的局限性//66
2.2.3非線性需求//68
2.2.4隱藏層感知機的非線性激活函數//69
2.2.或感知機的不同激活函數//70
2.2.6多層感知機網絡的學習規則//74
2.2.7梯度計算的反向傳播//75
2.2.8反向傳播方法推廣到梯度計算//76
2.3TensorFlow//82
2.3.1常見的深度學習包//82
2.3.2TensorFlow的安裝//83
2.3.3TensorFlow的開發基礎//83
2.3.4深度學習視角下的梯度下降優化方法//86
2.3.5隨機梯度下降的小批量方法中的學習率//90
2.3.6TensorFlow中的優化器//90
2.3.7TensorFlow實現XOR//96
2.3.8TensorFlow中的線性回歸//100
2.3.9使用全批量梯度下降的SoftMax函數多分類//103
2.3.10使用隨機梯度下降的SoftMax函數多分類//105
2.4GPU//107
2.5總結//108
第3章卷積神經網絡//109
3.1卷積操作//109
3.1.1線性時不變和線性移不變繫統//109
3.1.2一維信號的卷積//111
3.2模擬信號和數字信號//112
3.2.1二維和三維信號//113
3.3二維卷積//114
3.3.1二維單位階躍函數//114
3.3.2LSI繫統中單位階躍響應信號的二維卷積//115
3.3.3不同的LSI繫統中圖像的二維卷積//117
3.4常見的圖像處理濾波器//120
3.4.1均值濾波器//120
3.4.2中值濾波器//122
3.4.3高斯濾波器//122
3.4.4梯度濾波器//123
3.4.5Sobel邊緣檢測濾波器//125
3.4.6恆等變換//127
3.5卷積神經網絡//128
3.6卷積神經網絡的組成部分//128
3.6.1輸入層//129
3.6.2卷積層//129
3.6.3池化層//131
3.7卷積層中的反向傳播//131
3.8池化層中的反向傳播//134
3.9卷積中的權值共享及其優點//136
3.10平移同變性//136
3.11池化的平移不變性//137
3.12舍棄層和正則化//138
3.13MNIST數據集上進行手寫數字識別的卷積神經網絡//140
3.14用來解決現實問題的卷積神經網絡//144
3.15批規範化//151
3.16卷積神經網絡中的幾種不同的網絡架構//153
3.16.1LeNet//153
3.16.2AlexNet//154
3.16.3VGG16//155
3.16.4ResNet//156
3.17遷移學習//157
3.17.1遷移學習的使用指導//158
3.17.2使用谷歌InceptionV3網絡進行遷移學習//159
3.17.3使用預訓練的VGG16網絡遷移學習//162
3.18總結//166
第4章基於循環神經網絡的自然語言處理//167
4.1向量空間模型//167
4.2單詞的向量表示//170
4.3Word2Vec//170
4.3.1CBOW//171
4.3.2CBOW在TensorFlow中的實現//173
4.3.3詞向量嵌入的Skip-gram模型//176
4.3.4Skip-gram在TensorFlow中的實現//178
4.3.5基於全局共現方法的詞向量//181
4.3.6GloVe//186
4.3.7詞向量類比法//188
4.4循環神經網絡的介紹//191
4.4.1語言建模//193
4.4.2用循環神經網絡與傳統方法預測句子中的下一個詞的對比//193
4.4.3基於時間的反向傳播//194
4.4.4循環神經網絡中的梯度消失與爆炸問題//196
4.4.5循環神經網絡中的梯度消失與爆炸問題的解決方法//198
4.4.6LSTM//199
4.4.7LSTM在減少梯度爆炸和梯度消失問題中的應用//200
4.4.8在TensorFlow中使用循環神經網絡進行MNIST數字識別//201
4.4.9門控//210
4.4.10雙向循環神經網絡//211
4.5總結//212
第5章用受限玻爾茲曼機和自編碼器進行無監督學習//214
5.1玻爾茲曼分布//214
5.2貝葉斯推斷：似然、先驗和後驗概率分布//215
5.3MCMC采樣方法//219
5.3.11Metropolis算法//222
5.4受限玻爾茲曼機//226
5.4.1訓練受限玻爾茲曼機//229
5.4.2吉布斯采樣//233
5.4.3塊吉布斯采樣//234
5.4.4Burn-in階段和吉布斯采樣中的樣本生成//235
5.4.5基於吉布斯采樣的受限玻爾茲曼機//235
5.4.6對比散度//236
5.4.7受限玻爾茲曼機的TensorFlow實現//237
5.4.8基於受限玻爾茲曼機的協同過濾//239
5.4.9深度置信網絡//244
5.5自編碼器//248
5.5.1基於自編碼器的監督式特征學習//250
5.5.2KL散度//251
5.5.3稀疏自編碼器//251
5.5.4稀疏自編碼器的TensorFlow實現//253
5.5.5去噪自編碼器//255
5.5.6去噪自編碼器的TensorFlow實現//256
5.6PCA和ZCA白化//262
5.7總結//264
第6章高級神經網絡//265
6.1圖像分割//265
6.1.1基於像素強度直方閾值分割方法//265
6.1.2大津法//266
6.1.3用於圖像分割的分水嶺算法//268
6.1.4使用K-means聚類進行圖像分割//272
6.1.5語義分割//274
6.1.6滑動窗口方法//274
6.1.7全卷積網絡//275
6.1.8全卷積網絡的下采樣和上采樣//277
6.1.9U-Net//281
6.1.10在TensorFlow中使用全卷積神經網絡進行語義分割//283
6.2圖像分類和定位網絡//290
6.3物體檢測//292
6.3.1R-CNN//293
6.3.2Fast和Faster-CNN//294
6.4生成式對抗網絡//295
6.4.1極大極小和極小極大問題//295
6.4.2零和博弈//297
6.4.3極小極大和鞍點//298
6.4.4生成式對抗網絡的損失函數和訓練//300
6.4.5生成器的梯度消彌//302
6.4.6生成式對抗網絡的TensorFlow實現//302
6.5生成環境下的TensorFlow模型應用//305
6.6總結//308

本書重點在幫你掌握深度學習所要求的數學原理和編程實戰經驗，使你能快速使用TensorFlow輕松部署產品中的深度學習解決方案，並形成開發深度學習架構和解決方案時所需的數學理解和直覺。
本書提供了豐富的理論和實戰動手經驗，使你可以從零開始掌握深度學習，並能快速部署有價值的深度學習解決方案。本書重點講解了與多個行業相關的深度學習實踐方面的專業知識。通過這些實戰經驗，你將能夠使用原型來構建新的深度學習應用程序。