1.前Facebook數據科學家帶你領略深度學習領域的全貌；2.從數學、示意圖、Python三個維度立體地認識深度學習；3.提供PyTorch開源神經網絡庫的使用方法；4.提供示例代碼。深度學習技術的發展如火如荼，這些知識正迅速成為機器學習從業者甚至許多軟件開發工程師的“加分項”。深度學習是一個立體的領域，僅從數學層面或代碼層面學習，難免以偏概全，無法融會貫通。本書作者認為，理解深度學習和神經網絡需要多種思維模型。因此，本書從數學、示意圖、Python代碼三個維度幫助你立體地理解每等

●譯者序
前言
第1章 基本概念
1.1 函數
1.2 導數
1.3 嵌套函數
1.4 鏈式法則
1.5 示例介紹
1.6 多輸入函數
1.7 多輸入函數的導數
1.8 多向量輸入函數
1.9 基於已有特征創建新特征
1.10 多向量輸入函數的導數
1.11 向量函數及其導數：再進一步
1.12 包含兩個二維矩陣輸入的計算圖
1.13 有趣的部分：後向傳遞
1.14 小結
第2章 基本原理
2.1 監督學習概述
2.2 監督學習模型
2.3 線性回歸
2.3.1 線性回歸：示意圖
2.3.2 線性回歸：更有用的示意圖和數學
2.3.3 加入截距項
2.3.4 線性回歸：代碼
2.4 訓練模型
2.4.1 計算梯度：示意圖
2.4.2 計算梯度：數學和一些代碼
2.4.3 計算梯度：完整的代碼
2.4.4 使用梯度訓練模型
2.5 評估模型：訓練集與測試集
2.6 評估模型：代碼
2.7 從零開始構建神經網絡
2.7.1 步驟1：一繫列線性回歸
2.7.2 步驟2：一個非線性函數
2.7.3 步驟3：另一個線性回歸
2.7.4 示意圖
2.7.5 代碼
2.7.6 神經網絡：後向傳遞
2.8 訓練和評估第一個神經網絡
2.9 小結
第3章 從零開始深度學習
3.1 定義深度學習
3.2 神經網絡的構成要素：運算
3.2.1 示意圖
3.2.2 代碼
3.3 神經網絡的構成要素：層
3.4 在構成要素之上構建新的要素
3.4.1 層的藍圖
3.4.2 稠密層
3.5 NeuralNetwork類和其他類
3.5.1 示意圖
3.5.2 代碼
3.5.3 Loss類
3.6 從零開始構建深度學習模型
3.6.1 實現批量訓練
3.6.2 NeuralNetwork：代碼
3.7 優化器和訓練器
3.7.1 優化器
3.7.2 訓練器
3.8 整合
3.9 小結與展望
第4章 擴展
4.1 關於神經網絡的一些直覺
4.2 softmax交叉熵損失函數
4.2.1 組件1：softmax函數
4.2.2 組件2：交叉熵損失
4.2.3 關於激活函數的注意事項
4.3 實驗
4.3.1 數據預處理
4.3.2 模型
4.3.3 實驗：softmax交叉熵損失函數
4.4 動量
4.4.1 理解動量
4.4.2 在Optimizer類中實現動量
4.4.3 實驗：帶有動量的隨機梯度下降
4.5 學習率衰減
4.5.1 學習率衰減的類型
4.5.2 實驗：學習率衰減
4.6 權重初始化
4.6.1 數學和代碼
4.6.2 實驗：權重初始化
4.7 dropout
4.7.1 定義
4.7.2 實現
4.7.3 實驗：dropout
4.8 小結
第5章 CNN
5.1 神經網絡與表征學習
5.1.1 針對圖像數據的不同架構
5.1.2 卷積運算
5.1.3 多通道卷積運算
5.2 卷積層
5.2.1 實現意義
5.2.2 卷積層與全連接層的區別
5.2.3 利用卷積層進行預測：Flatten層
5.2.4 池化層
5.3 實現多通道卷積運算
5.3.1 前向傳遞
5.3.2 後向傳遞
5.3.3 批處理
5.3.4 二維卷積
5.3.5 最素：通道
5.4 使用多通道卷積運算訓練CNN
5.4.1 Flatten運算
5.4.2 完整的Conv2D層
5.4.3 實驗
5.5 小結
第6章 RNN
6.1 關鍵：處理分支
6.2 自動微分
6.3 RNN的動機
6.4 RNN簡介
6.4.1 RNN的第一個類：RNNLayer
6.4.2 RNN的第二個類：RNNNode
6.4.3 整合RNNNode類和RNNLayer類
6.4.4 後向傳遞
6.5 RNN：代碼
6.5.1 RNNLayer類
6.5.2 RNNNode類素
6.5.3 vanilla RNNNode類
6.5.4 vanilla RNNNode類的局限性
6.5.5 GRUNode類
6.5.6 LSTMNode類
6.5.7 基於字符級RNN語言模型的數據表示
6.5.8 其他語言建模任務
6.5.9 組合RNNLayer類的變體
6.5.10 將全部內容整合在一起
6.6 小結
第7章 PyTorch
7.1 PyTorch Tensor
7.2 使用PyTorch進行深度學習
7.2.1 PyTo素：Model類及其Layer類
7.2.2 使用PyTorch實現神經網絡基本要素：DenseLayer類
7.2.3 示例：基於PyTorch的波士頓房價模型
7.2.4 PyTo素：Optimizer類和Loss類
7.2.5 PyTo素：Trainer類
7.2.6 PyTorch優化學習技術
7.3 PyTorch中的CNN
7.4 PyTorch中的LSTM
7.5 後記：通過自編碼器進行無監督學習
7.5.1 表征學習
7.5.2 應對無標簽場景的方法
7.5.3 在PyTorch中實現自編碼器
7.5.4 更強大的無監督學習測試及解決方案
7.6 小結
附錄 深入探討
關於作者
關於封面

本書全面介紹了深度學習知識，借助數學公式、示意圖和代碼，旨在幫助讀者從數學層面、概念層面和應用層面理解神經網絡。讀者可以跟隨本書構建和訓練神經網絡模型，從而解決實際問題。另外，本書著重介紹卷積神經網絡和循環神經網絡，並提供PyTorch開源神經網絡庫的使用方法，有助於學習構建更高級的神經網絡架構。本書適合軟件工程師、數據分析師，以及其他對機器學習和數據科學感興趣的讀者閱讀。