前言
第1章 深度学习概述
1.1 人类的人工智能之梦
1.2 从遥想到实践
1.3 三大人工智能学派
1.3.1 符号学派
1.3.2 行为学派
1.3.3 连接学派
1.4 连接学派中的神经网络
1.5 神经网络的“新称谓”——深度学习
1.6 深度学习的生产力实现——TensorFlow
1.6.1 TensorFlow之Tensor
1.6.2 TensorFlow之Flow
1.6.3 TensorFlow之简单的数据模型
1.7 TensorFlow项目介绍
1.8 TensorFlow工作环境的安装和运行
1.8.1 Ubuntu环境下基于Virtualenv的安装方法
1.8.2 基于Mac OS的安装方法
1.8.3 简单运行一下TensorFlow
第2章 机器学习概述
2.1 什么是机器学习
2.1.1 机器学习的定义
2.1.2 任务
2.1.3 性能
2.1.4 经验
2.2 学习算法
2.2.1 表示
2.2.2 评价
2.2.3 优化
2.3 以线性回归为例
2.3.1 线性回归的任务T
2.3.2 线性回归的经验E
2.3.3 线性回归的表示R
2.3.4 线性回归的评价E
2.3.5 线性回归的优化O
2.3.6 小结
2.3.7 TensorFlow的完整运行脚本
2.4 本章小结
第3章 从生物神经元到感知器
3.1 感知器的前身
3.1.1 生物神经元
3.1.2 一个基础的神经元——McCulloch-Pitts Units
3.1.3 基于MCP神经元实现布尔逻辑
3.1.4 带有权值的MCP神经元
3.1.5 通过带有权值的MCP神经元对空间进行线性划分
3.2 感知器
3.2.1 感知器简介
3.2.2 感知器的激活函数
3.3 使用感知器分类
3.3.1 感知器的二分类
3.3.2 经验E——Iris鸢尾花数据集
3.3.3 感知器的表示R
3.3.4 感知器的评价E
3.3.5 感知器的优化O
3.3.6 实践感知器
3.4 本章小结
第4章 人工神经网络
4.1 从感知器到多层感知器
4.1.1 再次回到MCP神经元
4.1.2 带有权值的MCP神经元——感知器
4.1.3 两层感知器形成“凸域”问题
4.1.4 非凸域优化
4.2 反向传播神经网络
4.2.1 一个生动的比喻
4.2.2 计算图基础——前向传播
4.2.3 计算图——带有参数w、b的前向传播
4.2.4 计算图——带有参数w、b的反向传播
4.3 使用人工神经网络对mnist数据进行分类
4.4 本章小结
第5章 Logistic回归与Softmax回归
5.1 信息论
5.1.1 编码
5.1.2 编码效率
5.1.3 编码代价
5.1.4 最优编码
5.1.5 信息量和熵
5.1.6 交叉熵
5.2 Logistic回归
5.2.1 线性回归回顾
5.2.2 Logistic回归回顾
5.2.3 Logistic人工神经网络稀疏化表征
5.2.4 sigmoid激活函数与信息熵
5.2.5 最大熵模型
5.3 Softmax回归
5.3.1 从Logistic回归到回归
5.3.2 Softmax回归的参数冗余
5.3.3 Softmax回归与Logistic回归的关系
5.3.4 Softmax回归与k个二元分类器
5.4 本章小结
第6章 卷积神经网络
6.1 感知器模式识别
6.1.1 通过感知器识别一幅简单的图像
6.1.2 感知器的鲁棒性
6.1.3 生物视神经与感受野
6.1.4 Minsky感知器与局部感受野
6.1.5 从鲁宾杯角度理解局部感受野
6.1.6 单个感知器模式识别的局限性
6.1.7 多层感知器的模式识别
6.2 卷积操作
6.2.1 卷积的数学定义
6.2.2 局部感受野与卷积
6.2.3 卷积操作的用途
6.3 卷积神经网络的结构
6.3.1 卷积操作中局部感受野的跨度
6.3.2 白边
6.3.3 池化操作
6.3.4 卷积神经网络的层级结构
6.3.5 通过卷积神经网络处理彩色图像的模型
6.4 使用TensorFlow实现卷积神经网络的小例子
6.5 本章小结
第7章 循环神经网络
7.1 循环神经网络：一种循环的人工神经网络
7.1.1 回到黑箱模型
7.1.2 时间序列性
7.2 有限状态机
7.2.1 有限状态机的布尔逻辑
7.2.2 有限状态机的结构
7.3 从MCP神经网络到循环神经网络
7.3.1 MCP神经网络与有限状态机的等效性
7.3.2 前馈神经网络与神经网络的等效性
7.3.3 循环神经网络与前馈神经网络的等效性
7.3.4 循环神经网络的描述
7.3.5 循环神经网络的参数学习——BPTT
7.4 本章小结
第8章 LSTM循环神经网络
8.1 梯度弥散现象
8.1.1 梯度弥散的缘由
8.1.2 梯度弥散带来的“健忘”
8.2 长短期记忆网络
8.2.1 LSTM的结构
8.2.2 LSTM单元如何缓解梯度弥散
8.3 通过TensorFlow实现一个简单的LSTM
8.4 本章小结
第9章 深入TensorFlow
9.1 机器学习框架回顾
9.2 计算图
9.2.1 计算图的前馈计算
9.2.2 计算图的反馈计算
9.3 神经网络与计算图
9.3.1 神经网络与计算图的转换
9.3.2 神经网络计算图的前馈计算与反馈计算
9.4 TensorFlow中的数据流图
9.4.1 张量
9.4.2 操作
9.4.3 变量和占位符
9.4

李建军、王希铭、潘勉等著的《深度学习与TensorFlow实战/深度学习系列》主要讲解深度学习和TensorFlow的实战知识，全书分为10章，主要内容如下：第1章为深度学习概述，包括深度学习的基础知识、深度学习的生产力实现——TensorFlow、数据模型、TensorFlow项目介绍、TensorFlow工作环境的安装与运行；第2章为机器学习概述，讲解机器学习的定义、任务、性能、经验、学习算法、线性回归实例和TensorFlow的完整运行脚本；第3章介绍从生物神经元到感知器的内容，讲解基于MCP神经元实现布尔逻辑、感知器、使用感知器做分类等；第4章介绍人工神经网络，讲述的内容包括从感知器到多层感知器、带有权值的MCP神经元—感知器、反向传播神经网络、使用人工神经网络分类mnist；第5章介绍Logistic回归与Softmax回归；第6章介绍卷积神经网络，讲述感知器模式识别、卷积操作、卷积神经网络的结构、使用TensorFlow实现卷积神经网络的实例；第7章介绍循环神经网络，包括循环神经网络的特征、有限状态机、从MCP神经网络到循环神经网络等；第8章介绍LSTM循环神经网络，包括梯度弥散现象、长短期记忆网络、通过TensorFlow实现一个简单的LSTM；第9章深入讨论TensorFlow，讲解机器学习框架、计算图、神经网络与计算图、TensorFlow中的数据流图、使用GPU、数据可视化工具TensorBoard等；第10章为TensorFlow案例实践，包括构建TensorFlow的图片分类系统、准备代码和训练集、构造模型计算图、训练模型、评估模型的性能、多GPU训练等。
本书旨在帮助具有较少数学基础并期望在深度学习上有所作为的学习者，希望为他们提供一个快速上手深度学习的实战教程。本书适合阅读的读者包括相关专业的本科生或研究生，以及不具有机器学习或统计知识背景但想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。