本书介绍了深度学习的基本理论、工程实践及其在产业界的部署和应用。在深度学习框架方面，结合代码详细讲解了经典的卷积神经网络、循环神经网络和基于自注意力机制的Transformer网络及其变体，并介绍了这些模型在图像分类、目标检测、语义分割、欺诈检测和语音识别等领域的应用。此外，书中还涵盖了深度强化学习和生成对抗网络的前沿进展。在系统工程和产业实践方面，解释了如何使用分布式系统训练和部署模型处理大规模数据。本书系统介绍了构建深度学习推理系统的过程，并结合代码讲解了分布式深度学习推理系统需要考虑的工程化因素，例如分布式问题和消息队列，以及工程化的解决方法。本书提供了每个经典模型和应用实例的TensorFlow和PyTorch版本代码，为深度学习初学者和算法开发者提供理论学习、代码实践和工程落地的指导与帮助。
 本书既适合计算机、自动化、电子、通信、数学、物理等相关专业背景的研究生和高年级本科生，也适合那些希望从事或准备转向人工智能领域的专业技术人员与医学研究人员阅读，还可作为高等院校、医疗系统和培训机构相关专业的教学参考书。

第1章神经网络深入
1.1打开深度学习之门
1.2从优化问题讲起
1.2.1牛顿与开普勒的对话
1.2.2拟合与分类的数学模型
1.2.3通过训练数据优化模型参数
1.2.4优化方法
1.3深度神经网络
1.3.1谁来做特征提取
1.3.2人工神经元与激活函数
1.3.3神经网络及其数学本质
1.4正则化方法
1.4.1欠拟合与过拟合
1.4.2正则化方法
1.4.3一些训练技巧
1.5模型评价
……