深度学习作为人工智能领域的“排头兵”，将在未来的新一轮产业升级中起到至关重要的作用。本书以“理论＋实践”的形式帮助读者快速建立深度学习知识体系，不仅能在算法层面上理解各种神经网络模型，而且能借助功能强大且极易上手的Keras框架，熟练地搭建和训练模型，应用于解决实际问题。
全书共12章，内容涵盖入门深度学习的绝大部分基础知识。第1章讲解如何搭建深度学习的编程环境，并简单回顾了学习深度学习必备的数学知识。第2章从回归算法出发带领读者踏上深度学习之路。第3～9章全面讲解时下几种主流神经网络结构，包括多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）、自动编码器（AE）、变分自动编码器（VAE）、对抗生成网络（GNN）等。第10～12章着重介绍时下主流的几类深度学习应用，包括图像识别、目标检测和自然语言处理等。无论是算法原理还是编程实践，本书都从易到难、循序渐进地讲解，并配合简单轻松的实例帮助读者加深印象。
本书不仅适合需要在工作中应用深度学习技术的专业人员，而且适合具备一定计算机编程基础的人工智能和深度学习爱好者。对于大专院校相关专业的师生，本书也是一本不错的参考读物。

李易，毕业于世界著名学府美国宾夕法尼亚大学，擅长Python、C++等主流编程语言与AI视觉处理。在校期间曾在世界知名的Haim Bau教授实验室参与基于AI图像算法的寨卡（Zika）病毒识别、HSV（单纯疱疹病毒）检测等多个研究项目。目前就职于汽车行业供应商瑞典Syntronic公司，带领团队研发基于AI技术与商用5G车联网的车内生命检测系统。

前言
如何获取学习资源
第1章 深度学习入门
1.1 Keras的介绍与安装
1.2 学习深度学习需要具备的数学基础知识
第2章 回归算法
2.1 线性回归
2.2 多元线性回归
2.3 逻辑回归
第3章 神经网络入门
3.1 简单神经网络的基本结构
3.2 正向传播
3.3 激活函数
3.4 MLP的反向传播与求导
3.5 MLP的损失函数
3.6 权重初始化
3.7 案例：黑白手写数字识别
第4章 神经网络进阶——如何提高性能
4.1 欠拟合和过拟合问题
4.2 模型诊断与误差分析
4.3 避免过拟合的“良药”——正则化
4.4 优化算法
4.4.1 基于梯度下降法的优化算法
4.4.2 进阶优化算法
4.5 其他优化性能的方法
4.6 模型训练的检查清单
第5章 卷积神经网络
5.1 CNN的构想来源
5.2 卷积层
5.3 滤波器
5.3.1 滤波器的运算规则
5.3.2 滤波器的作用
5.3.3 填充和步长
5.4 彩色图像输入
5.5 反向传播
5.6 池化层
5.7 CNN案例
5.7.1 黑白手写数字识别
5.7.2 彩色图像分类
第6章 循环神经网络
6.1 RNN的基本结构
6.2 RNN的正向传播
6.3 RNN的反向传播
6.4 简单的RNN案例
6.5 训练RNN时的问题与解决方案
6.5.1 梯度爆炸和梯度消失
6.5.2 梯度问题的解决方案
6.6 解决长期依赖问题的“良药”——GRU和LSTM
6.6.1 GRU
6.6.2 LSTM
6.7 RNN案例：影评分析
6.7.1 准备知识——词嵌入
6.7.2 代码解析
第7章 自动编码器
7.1 AE的结构
7.2 重构损失
7.3 简单的AE案例
7.4 Sparse AE
7.5 去噪自动编码器
7.6 上色器
第8章 变分自动编码器
8.1 VAE的结构
8.2 对VAE的深层理解
8.3 损失函数
8.4 重参数技巧
8.5 VAE案例
第9章 对抗生成网络
9.1 GAN的基本结构
9.2 GAN的训练
9.3 GAN的数学原理
9.4 GAN案例：DCGAN
第10章 AI的眼睛Ⅰ——基于CNN的图像识别
10.1 VGGNet
10.2 Inception
10.3 ResNet
10.4 迁移学习
第11章 AI的眼睛Ⅱ——基于CNN的目标检测
11.1 R-CNN
11.2 Fast R-CNN
11.3 Faster R-CNN
11.4 YOLO算法
第12章 循环神经网络的进阶算法
12.1 BRNN
12.2 Encoder-Decoder
12.3 注意力机制