对本书的赞誉
前言
如何使用本书
资源与支持
主要符号表
第1章 深度学习简介
1.1 起源
1.2 发展
1.3 成功案例
1.4 特点
小结
练习
第2章 预备知识
2.1 获取和运行本书的代码
2.1.1 获取代码并安装运行环境
2.1.2 更新代码和运行环境
2.1.3 使用GPU版的MXNet
小结
练习
2.2 数据操作
2.2.1 创建NDArray
2.2.2 运算
2.2.3 广播机制
2.2.4 索引
2.2.5 运算的内存开销
2.2.6 NDArray和NumPy相互变换
小结
练习
2.3 自动求梯度
2.3.1 简单例子
2.3.2 训练模式和预测模式
2.3.3 对Python控制流求梯度
小结
练习
2.4 查阅文档
2.4.1 查找模块里的所有函数和类
2.4.2 查找特定函数和类的使用
2.4.3 在MXNet网站上查阅
小结
练习
第3章 深度学习基础
3.1 线性回归
3.1.1 线性回归的基本要素
3.1.2 线性回归的表示方法
小结
练习
3.2 线性回归的从零开始实现
3.2.1 生成数据集
3.2.2 读取数据集
3.2.3 初始化模型参数
3.2.4 定义模型
3.2.5 定义损失函数
……
第4章 深度学习计算
第5章 卷积神经网络
第6章 循环神经网络
第7章 优化算法
第8章 计算性能
第9章 计算机视觉
第10章 自然语言处理
附录A 数学基础
附录B 使用Jupyter记事本
附录C 使用AWS运行代码
附录D GPU购买指南
附录E 如何为本书做贡献
附录F d2lzh包索引
附录G 中英文术语对照表
参考文献
索引

本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以下载并运行的Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一起。此外，读者还可以访问并参与书中内容的讨论。
全书的内容分为3个部分：第一部分介绍深度学习的背景，提供预备知识，并包括深度学习最基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。
本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。