一本书掌握深度学习的基础数学！
1、步步引导，对话形式好理解
延续前作《白话机器学习的数学》有趣、易懂、不枯燥的讲解风格
2、层层拆解，复杂公式看得懂
详细分析神经网络的数学表达式，逐个讲解上下标的含义
3、通过Python编程实现神经网络
通过实践加深对数学知识的理解，示例代码均可下载

本书通过想要学习深度学习的程序员绫乃和她朋友美绪的对话，逐步讲解深度学习中实用的数学基础知识。内容涉及神经网络的结构、感知机、正向传播和反向传播，以及卷积神经网络。其中，重点讲解了容易成为学习绊脚石的数学公式和符号。同时，还通过实际的Python 编程实现神经网络，加深读者对相关数学知识的理解。本书适合对深度学习感兴趣、想要从事深度学习相关研究，但是对深度学习和神经网络相关数学知识感到棘手的读者阅读。

第1章神经网络入门1
1．1对神经网络的兴趣2
1．2神经网络所处的位置4
1．3关于神经网络6
1．4神经网络能做的事情13
1．5数学与编程20
专栏神经网络的历史23
第2章学习正向传播29
2．1先来学习感知机30
2．2感知机的工作原理32
2．3感知机和偏置35
2．4使用感知机判断图像的长边38
2．5使用感知机判断图像是否为正方形41
2．6感知机的缺点44
2．7多层感知机48
2．8使用神经网络判断图像是否为正方形52
2．9神经网络的权重55
2．10激活函数66
2．11神经网络的表达式69
2．12正向传播74
2．13神经网络的通用化80
专栏激活函数到底是什么83
第3章学习反向传播89
3．1神经网络的权重和偏置90
3．2人的局限性92
3．3误差95
3．4目标函数100
3．5梯度下降法107
3．6小技巧：德尔塔119
3．7德尔塔的计算130
3．7．1输出层的德尔塔130
3．7．2隐藏层的德尔塔134
3．8反向传播141
专栏梯度消失到底是什么145
第4章学习卷积神经网络151
4．1擅长处理图像的卷积神经网络152
4．2卷积过滤器154
4．3特征图162
4．4激活函数165
4．5池化167
4．6卷积层168
4．7卷积层的正向传播176
4．8全连接层的正向传播186
4．9反向传播190
4．9．1卷积神经网络的反向传播190
4．9．2误差192
4．9．3全连接层的更新表达式197
4．9．4卷积过滤器的更新表达式201
4．9．5池化层的德尔塔205
4．9．6与全连接层相连的卷积层的德尔塔207
4．9．7与卷积层相连的卷积层的德尔塔212
4．9．8参数的更新表达式217
专栏交叉熵到底是什么221
第5章实现神经网络227
5．1使用Python实现228
5．2判断长宽比的神经网络229
5．2．1神经网络的结构232
5．2．2正向传播234
5．2．3反向传播239
5．2．4训练244
5．2．5小批量250
5．3手写数字的图像识别与卷积神经网络255
5．3．1准备数据集257
5．3．2神经网络的结构263
5．3．3正向传播266
5．3．4反向传播278
5．3．5训练286
专栏后话297
附录
A．1求和符号302
A．2微分303
A．3偏微分307
A．4复合函数310
A．5向量和矩阵312
A．6指数与对数316
A．7Python环境搭建319
A．8Python基础知识322