本书全面介绍了深度学习知识，借助数学公式、示意图和代码，旨在帮助读者从数学层面、概念层面和应用层面理解神经网络。读者可以跟随本书构建和训练神经网络模型，从而解决实际问题。另外，本书着重介绍卷积神经网络和循环神经网络，并提供PyTorch开源神经网络库的使用方法，有助于学习构建更高级的神经网络架构。
本书适合软件工程师、数据分析师，以及其他对机器学习和数据科学感兴趣的读者阅读。

郑天民，网名天涯兰，日本足利工业大学信息工程学硕士，研究方向为人工智能在大规模调度系统中的应用。在国际三大索引上发表多篇论文，被引用50余次。具有10余年软件行业从业经验，曾先后任职于多家大型上市公司和互联网、电商、健康等类型的独角兽公司，担任系统分析架构师、技术总监和CTO等职务，目前在一家大健康领域的创新型科技公司担任CTO，带领百余人技术团队，负责产品研发与技术团队管理工作。主持过10余个面向研发人员的技术和管理类培训课程，在架构设计和技术管理方面有丰富的经验和深入的理解，是CSDN博客专家、TGO鲲鹏会会员。著有《Spring响应式微服务》《系统架构设计：程序员向架构师转型之路》《向技术管理者转型：软件开发人员跨越行业、技术、管理的转型思维与实践》《微服务设计原理与架构》《微服务架构实战》等作品。

第1章 基本概念
1.1 函数
1.2 导数
1.3 嵌套函数
1.4 链式法则
1.5 示例介绍
1.6 多输入函数
1.7 多输入函数的导数
1.8 多向量输入函数
1.9 基于已有特征创建新特征
1.10 多向量输入函数的导数
1.11 向量函数及其导数：再进一步
1.12 包含两个二维矩阵输入的计算图
1.13 有趣的部分：后向传递
1.14 小结
第2章 基本原理
2.1 监督学习概述
2.2 监督学习模型
2.3 线性回归
2.3.1 线性回归：示意图
2.3.2 线性回归：更有用的示意图和数学
2.3.3 加入截距项
2.3.4 线性回归：代码
2.4 训练模型
2.4.1 计算梯度：示意图
2.4.2 计算梯度：数学和一些代码
2.4.3 计算梯度：完整的代码
2.4.4 使用梯度训练模型
2.5 评估模型：训练集与测试集
2.6 评估模型：代码
2.7 从零开始构建神经网络
2.7.1 步骤1：一系列线性回归
2.7.2 步骤2：一个非线性函数
2.7.3 步骤3：另一个线性回归
2.7.4 示意图
2.7.5 代码
2.7.6 神经网络：后向传递
2.8 训练和评估第一个神经网络
2.9 小结
第3章 从零开始深度学习
3.1 定义深度学习
3.2 神经网络的构成要素：运算
3.2.1 示意图
3.2.2 代码
3.3 神经网络的构成要素：层
3.4 在构成要素之上构建新的要素
3.4.1 层的蓝图
3.4.2 稠密层
3.5 NeuralNetwork类和其他类
3.5.1 示意图
3.5.2 代码
3.5.3 Loss类
3.6 从零开始构建深度学习模型
3.6.1 实现批量训练
3.6.2 NeuralNetwork：代码
3.7 优化器和训练器
3.7.1 优化器
3.7.2 训练器
3.8 整合
3.9 小结与展望
第4章 扩展
4.1 关于神经网络的一些直觉
4.2 softmax交叉熵损失函数
4.2.1 组件1：softmax函数
4.2.2 组件2：交叉熵损失
4.2.3 关于激活函数的注意事项
4.3 实验
4.3.1 数据预处理
4.3.2 模型
4.3.3 实验：softmax交叉熵损失函数
4.4 动量
4.4.1 理解动量
4.4.2 在Optimizer类中实现动量
4.4.3 实验：带有动量的随机梯度下降
4.5 学习率衰减
4.5.1 学习率衰减的类型
4.5.2 实验：学习率衰减
4.6 权重初始化
4.6.1 数学和代码
4.6.2 实验：权重初始化
4.7 dropout
4.7.1 定义
4.7.2 实现
4.7.3 实验：dropout
4.8 小结
第5章 CNN
5.1 神经网络与表征学习
5.1.1 针对图像数据的不同架构
5.1.2 卷积运算
5.1.3 多通道卷积运算
5.2 卷积层
5.2.1 实现意义
5.2.2 卷积层与全连接层的区别
5.2.3 利用卷积层进行预测：Flatten层
5.2.4 池化层
5.3 实现多通道卷积运算
5.3.1 前向传递
5.3.2 后向传递
5.3.3 批处理
5.3.4 二维卷积
5.3.5 最后一个元素：通道
5.4 使用多通道卷积运算训练CNN
5.4.1 Flatten运算
5.4.2 完整的Conv2D层
5.4.3 实验
5.5 小结
第6章 RNN
6.1 关键限制：处理分支
6.2 自动微分
6.3 RNN的动机
6.4 RNN简介
6.4.1 RNN的第一个类：RNNLayer
6.4.2 RNN的第二个类：RNNNode
6.4.3 整合RNNNode类和RNNLayer类
6.4.4 后向传递
6.5 RNN：代码
6.5.1 RNNLayer类
6.5.2 RNNNode类的基本元素
6.5.3 vanilla RNNNode类
6.5.4 vanilla RNNNode类的局限性
6.5.5 GRUNode类
6.5.6 LSTMNode类
6.5.7 基于字符级RNN语言模型的数据表示
6.5.8 其他语言建模任务
6.5.9 组合RNNLayer类的变体
6.5.10 将全部内容整合在一起
6.6 小结
第7章 PyTorch
7.1 PyTorch Tensor
7.2 使用PyTorch进行深度学习
7.2.1 PyTorch元素：Model类及其Layer类
7.2.2 使用PyTorch实现神经网络基本要素：DenseLayer类
7.2.3 示例：基于PyTorch的波士顿房价模型
7.2.4 PyTorch元素：Optimizer类和Loss类
7.2.5 PyTorch元素：Trainer类
7.2.6 PyTorch优化学习技术
7.3 PyTorch中的CNN
7.4 PyTorch中的LSTM
7.5 后记：通过自编码器进行无监督学习
7.5.1 表征学习
7.5.2 应对无标签场景的方法
7.5.3 在PyTorch中实现自编码器
7.5.4 更强大的无监督学习测试及解决方案
7.6 小结
附录 深入探讨
关于作者
关于封面