本書以深度學習算法入門為主要內容，通過係統介紹Python、NumPy、SciPy等科學計算庫，深度學習主流算法，深度學習前沿研究，深度學習服務雲平颱構建四大主綫，嚮讀者係統地介紹瞭深度學習的主要內容和研究進展。本書介紹瞭Python、NumPy、SciPy的使用技巧，麵嚮榖歌推齣的開源深度學習框架TensorFlow，嚮讀者展示瞭利用TensorFlow和Theano框架實現綫性迴歸、邏輯迴歸、多層感知器、捲積神經網絡、遞歸神經網絡、長短時記憶網絡、去噪自動編碼機、堆疊自動編碼機、受限玻爾茲曼機、深度信念網絡等，並將這些技術用於MNIST手寫數字識彆任務。本書不僅講述瞭深度學習算法本身，而且重點講述瞭如何將這些深度學習算法包裝成Web服務。本書旨在幫助廣大工程技術人員快速掌握深度學習相關理論和實踐，並將這些知識應用到實際工作中。

一部分  深度學習算法概述

1章  深度學習算法簡介2

1.1  神經網絡發展簡史2

1.1.1  神經網絡一次興起3

1.1.2  神經網絡沉寂期（20世紀80年代—21世紀）4

1.1.3  神經網絡技術積纍期（20世紀90年代—2006年）5

1.1.4  深度學習算法崛起（2006年至今）8

1.2  深度學習現狀10

1.2.1  傳統神經網絡睏境10

1.2.2  深度多層感知器12

1.2.3  深度捲積神經網絡14

1.2.4  深度遞歸神經網絡15

1.3  深度學習研究前瞻16

1.3.1  自動編碼機17

1.3.2  深度信念網絡18

1.3.3  生成式網絡**進展19

1.4  深度學習框架比較20

1.4.1  TensorFlow20

1.4.2  Theano21

1.4.3  Torch22

1.4.4  DeepLearning4J23

1.4.5  Caffe23

1.4.6  MXNet24

1.4.7  CNTK27

1.4.8  深度學習框架造型指導原則27

1.5  深度學習入門路徑28

1.5.1  運行MNIST28

1.5.2  深度學習框架的選擇29

1.5.3  小型試驗網絡33

1.5.4  訓練生産網絡33

1.5.5  搭建生産環境34

1.5.6  持續改進35

二部分  深度學習算法基礎

2章  搭建深度學習開發環境38

2.1  安裝Python開發環境38

2.1.1  安裝*新版本Python38

2.1.2  Python虛擬環境配置39

2.1.3  安裝科學計算庫40

2.1.4  安裝*新版本Theano40

2.1.5  圖形繪製40

2.2  NumPy簡易教程43

2.2.1  Python基礎43

2.2.2  多維數組的使用51

2.2.3  嚮量運算58

2.2.4  矩陣運算60

2.2.5  綫性代數62

2.3  TensorFlow簡易教程68

2.3.1  張量定義69

2.3.2  變量和placeholder69

2.3.3  神經元激活函數71

2.3.4  綫性代數運算72

2.3.5  操作數據集74

2.4  Theano簡易教程77

2.4.1  安裝Theano77

2.4.2  Theano入門78

2.4.3  Theano矩陣相加79

2.4.4  變量和共享變量80

2.4.5  隨機數的使用84

2.4.6  Theano求導84

2.5  綫性迴歸86

2.5.1  問題描述86

2.5.2  綫性模型88

2.5.3  綫性迴歸學習算法89

2.5.4  解析法90

2.5.5  Theano實現93

3章  邏輯迴歸100

3.1  邏輯迴歸數學基礎100

3.1.1  邏輯迴歸算法的直觀解釋100

3.1.2  邏輯迴歸算法數學推導101

3.1.3  牛頓法解邏輯迴歸問題103

3.1.4  通用學習模型106

3.2  邏輯迴歸算法簡單應用113

3.3  MNIST手寫數字識彆庫簡介124

3.4  邏輯迴歸MNIST手寫數字識彆126

4章  感知器模型和MLP139

4.1  感知器模型139

4.1.1  神經元模型139

4.1.2  神經網絡架構143

4.2  數值計算形式144

4.2.1  前嚮傳播144

4.2.2  誤差反嚮傳播145

4.2.3  算法推導147

4.3  嚮量化錶示形式152

4.4  應用要點153

4.4.1  輸入信號模型154

4.4.2  權值初始化155

4.4.3  早期停止155

4.4.4  輸入信號調整156

4.5  TensorFlow實現MLP156

5章  捲積神經網絡174

5.1  捲積神經網絡原理174

5.1.1  捲積神經網絡的直觀理解174

5.1.2  捲積神經網絡構成177

5.1.3  捲積神經網絡設計191

5.1.4  遷移學習和網絡微調193

5.2  捲積神經網絡的TensorFlow實現195

5.2.1  模型搭建197

5.2.2  訓練方法203