1.大咖推薦：復旦大學計算機學院教授邱錫鵬、一流科技創始人兼CEO袁進輝（@老師木）、格靈深瞳創始人兼CEO趙勇、奇虎360集團副總裁鄧亞峰聯合推薦
2.干貨滿滿：從零開始用Python實現自己的深度學習框架，搭建從邏輯回歸到卷積神經網絡的各類模型和網絡，涵蓋模型的訓練、評估、保存與部署等工程問題
3.聚焦實戰：360智能工程部高級機器學習算法工程師傾力打造
4.提供源代碼

這是一本引人入勝的書，它通過由淺入深的講解讓你了解深度學習的原理、模型和實現方法，內容清晰易懂，表達生動形像。當從零開始一步一步實現一個深度學習框架MatrixSlow後，你會更加深入地理解深度學習的奧秘，進而快速提升自己的能力。
--邱錫鵬，復旦大學計算機學院教授

本書帶領讀者用原生Python語言和Numpy線性代數庫實現一個基於計算圖的深度學習框架MatrixSlow（類似簡易版的PyTorch、TensorFlow或Caffe）。全書分為三個部分。第一部分是原理篇，實現了MatrixSlow框架的核心基礎設施，並基於此講解了機器學習與深度學習的概念和原理，比如模型、計算圖、訓練、梯度下降法及其各種變體。第二部分是模型篇，介紹了多種具有代表性的模型，包括邏輯回歸、多層全連接神經網絡、因子分解機、Wide & Deep、DeepFM、循環神經網絡以及卷積神經網絡，這部分除了著重介紹這些模型的原理、結構以及它們之間的聯繫外，還用MatrixSlow框架搭建並訓練它們以解決實際問題。第三部分是工程篇，討論了一些與深度學習框架相關的工程問題，內容涉及訓練與評估，模型的保存、導入和服務部署，分布式訓練，等等。

張覺非
本科畢業於復旦大學計算機繫，於中國科學院古脊椎動物與古人類研究所取得古生物學碩士學位，目前在互聯網行業從事機器學習算法相關工作。
陳震
碩士畢業於北京大學。現任奇虎360智能工程部總監、負責人，帶領團隊建設集團的機器學習計算調度平臺、機器學習建模平臺、機器學習推理引擎以及推薦平臺等AI基礎設施。

第 一部分原理篇
第1章 機器學習與模型2
1．1模型2
1．2參數與訓練4
1．3損失函數9
1．4計算圖的訓練10
1．5小結12
第2章 計算圖13
2．1什麼是計算圖13
2．2前向傳播14
2．3函數優化與梯度下降法18
2．4鏈式法則與反向傳播29
2．5在計算圖上執行梯度下降法36
2．6節點類及其子類36
2．7用計算圖搭建ADALINE並訓練44
2．8小結48
第3章優化器49
3．1優化流程的抽像實現49
3．2BGD、SGD和MBGD53
3．3梯度下降優化器58
3．4樸素梯度下降法的局限60
3．5衝量優化器61
3．6AdaGrad優化器62
3．7RMSProp優化器64
3．8Adam優化器65
3．9小結68
第二部分模型篇
第4章邏輯回歸70
4．1對數損失函數70
4．2Logistic函數73
4．3二分類邏輯回歸75
4．4多分類邏輯回歸78
4．5交叉熵81
4．6實例：鳶尾花85
4．7小結88
第5章神經網絡90
5．1與激活函數90
5．2神經網絡95
5．3多層全連接神經網絡99
5．4多個全連接層的意義101
5．5實例：鳶尾花108
5．6實例：手寫數字識別110
5．7小結116
第6章非全連接神經網絡117
6．1帶二次項的邏輯回歸117
6．2因子分解機124
6．3Wide & Deep132
6．4DeepFM137
6．5實例：泰坦尼克號幸存者141
6．6小結150
第7章循環神經網絡151
7．1RNN的結構151
7．2RNN的輸出152
7．3實例：正弦波與方波155
7．4變長序列159
7．5實例：3D電磁發音儀單詞識別164
7．6小結167
第8章卷積神經網絡168
8．1蒙德裡安與莫奈168
8．2濾波器170
8．3可訓練的濾波器176
8．4卷積層183
8．5池化層186
8．6CNN的結構189
8．7實例：手寫數字識別190
8．8小結194
第三部分工程篇
第9章訓練與評估196
9．1訓練和Trainer訓練器196
9．2評估和Metrics節點202
9．3混淆矩陣204
9．4正確率204
9．5查準率206
9．6查全率206
9．7ROC曲線和AUC208
9．8小結211
第10章 模型保存、預測和服務212
10．1模型保存213
10．2模型加載和預測216
10．3模型服務216
10．4客戶端222
10．5小結223
第11章 分布式訓練224
11．1分布式訓練的原理224
11．2基於參數服務器的架構230
11．3Ring AllReduce原理241
11．4Ring AllReduce架構實現248
11．5分布式訓練性能評測257
11．6小結259
第12章 工業級深度學習框架261
12．1張量262
12．2計算加速263
12．3GPU265
12．4數據接口266
12．5模型並行266
12．6靜態圖和動態圖267
12．7混合精度訓練268
12．8圖優化和編譯優化270
12．9移動端和嵌入式端270
12．10小結271