全书分为7个章节。第1章绪论，梳理了人工智能不同技术流派的特点、深度学习的发展及前沿技术；第2章介绍相关预备知识，包括线性代数、概率论、优化理论以及机器学习的基础知识；第3章从前馈神经网络的基础模型——感知器出发，介绍前馈神经网络的基本结构以及涉及的激活函数、梯度下降、反向传播等内容；第4章，介绍深度模型的优化问题，讨论了神经网络优化中常见的病态问题；第5章介绍深度学习中的正则化方法，包括范数惩罚、数据集增强与噪声注入、提前停止等；第6章介绍了卷积神经网络，以及卷积神经网络在计算机视觉领域的具体应用；第7章通过实际案例介绍循环神经网络与卷积神经网络的结合应用。

第1章 绪论
1.1 人工智能
1.1.1 人工智能技术的发展历程
1.1.2 人工智能技术的流派
1.2 深度学习与神经网络概述
1.2.1 深度学习与神经网络技术的发展历程
1.2.2 深度学习与神经网络的前沿技术
1.3 深度学习系统架构
1.4 深度学习框架
1.5 深度学习的应用
1.5.1 计算机视觉
1.5.2 语音语义
1.5.3 自然语言处理
1.6 人工智能潜在的安全风险
1.6.1 数据层面的风险
1.6.2 算法模型层面的风险
1.6.3 智能计算框架层面的风险
1.6.4 基础软硬件层面的风险
1.6.5 应用服务层面的风险
本章小结
第2章 预备知识
2.1 相关数学基础
2.1.1 线性代数
2.1.2 概率论
2.1.3 优化理论
2.2 机器学习基础
2.2.1 机器学习算法的基本流程
2.2.2 机器学习常用评价指标
2.2.3 典型机器学习算法
2.3 实验环境基础
2.3.1 GPU 驱动的安装配置
2.3.2 依赖环境的安装配置
2.3.3 深度学习框架的安装配置
2.3.4 集成开发环境的安装配置
本章小结
第3章 前馈神经网络
3.1 感知器
3.1.1 单层感知器
3.1.2 多层感知器
3.1.3 前馈神经网络的基本结构
3.2 激活函数
3.2.1 Sigmoid 函数
3.2.2 ReLU 函数
3.2.3 Tanh 函数
3.2.4 Softmax 函数
3.3 误差反向传播
3.3.1 梯度下降法
3.3.2 链式法则
3.3.3 反向传播
本章小结
第4章 深度模型的优化
4.1 神经网络的优化问题
4.1.1 局部最优和振荡陷阱
4.1.2 梯度爆炸和梯度消失
4.2 常见的优化算法
4.2.1 梯度下降优化算法
4.2.2 二阶优化算法
4.3 自适应学习率算法
4.3.1 AdaGrad 算法
4.3.2 RMSprop 算法
4.3.3 Adam 算法
4.4 参数初始化方法
4.4.1 随机初始化
4.4.2 Xavier 初始化
4.4.3 He 初始化
本章小结
第5章 深度学习中的正则化
5.1 范数惩罚
5.1.1 L1 正则化
5.1.2 L2 正则化
5.2 数据集增强与噪声注入
5.2.1 数据集增强
5.2.2 噪声注入
5.3 提前停止
5.4 Dropout
5.5 批归一化
本章小结
第6章 卷积神经网络
6.1 卷积神经网络的发展历程
6.2 卷积神经网络的基本组成
6.2.1 卷积层
6.2.2 池化层
6.2.3 全连接层
6.3 常见卷积神经网络结构
6.3.1 VGG 网络
6.3.2 GoogLeNet 网络
6.3.3 ResNet 网络
6.4 深度生成网络
6.4.1 生成对抗网络
6.4.2 深度卷积生成对抗网络
6.5 图像分类案例
6.5.1 步骤1：搭建环境
6.5.2 步骤2：导入依赖库
6.5.3 步骤3：获取数据
6.5.4 步骤4：定义AlexNet 网络
6.5.5 步骤5：模型初始化
6.5.6 步骤6：模型训练
6.6 目标检测案例
6.6.1 步骤1：环境配置和模型下载
6.6.2 步骤2：主函数解析
6.6.3 步骤3：终端指令运行
本章小结
第7章 循环神经网络
7.1 循环神经网络的基本原理
7.1.1 循环神经网络的原理
7.1.2 双向循环神经网络
7.2 循环神经网络在实际中的应用
7.2.1 文本生成
7.2.2 语音识别
7.2.3 机器翻译
7.2.4 生成图像描述
7.2.5 视频动作检测
7.2.6 信号分类
7.3 长短期记忆网络及其他门控循环神经网络
7.3.1 长短期记忆网络
7.3.2 其他门控循环神经网络
7.4 深度学习在文本和序列中的应用
7.4.1 文本数据处理
7.4.2 文本分类和情感分析
7.4.3 机器翻译
7.4.4 命名实体识别
7.5 卷积神经网络与循环神经网络
7.5.1 卷积神经网络与循环神经网络的对比
7.5.2 卷积神经网络与循环神经网络的组合应用
7.6 案例：深度学习的诗歌生成
7.6.1 步骤1：导入依赖库
7.6.2 步骤2：读取数据
7.6.3 步骤3：构造数据集
7.6.4 步骤4：构造模型
7.6.5 步骤5：训练过程
7.6.6 步骤6：生成文本
7.7 案例：基于LSTM 算法的股票预测
7.7.1 步骤1：导入依赖库
7.7.2 步骤2：获取并处理数据
7.7.3 步骤3：构建预测数据序列
7.7.4 步骤4：构建LSTM 网络
7.7.5 步骤5：训练网络
7.7.6 步骤6：预测测试集
7.8 案例：基于深度学习的文本分类
7.8.1 步骤1：项目入口
7.8.2 步骤2：训练模块
7.8.3 步骤3：验证和测试函数
7.8.4 步骤4：数据预处理模块
7.8.5 步骤5：定义模型
7.8.6 步骤6：分类结果展示
本章小结