1.以原理為導向：本書細致闡釋神經網絡和深度學習的核心概念，而不是籠統地羅列想法，帶領讀者掌握神經網絡的工作原理，技術興衰起落，而原理是長久的；2.注重實踐：本書通過解決具體問題——教計算機識別手寫數字——來介紹神經網絡和深度學習的核心理論；3.Michael Nielsen高分深度學習入門講義正式版，本書基於Python語言編寫，新手也可以很快入門；4.李航、馬少平、邱錫鵬等多位科學家重磅推薦；5.配套動態示例，有助於直觀理解神經網絡輸出，提供源代碼。

●前言
第1章使用神經網絡識別手寫數字1
1．1感知機2
1．2sigmoi7
1．3神經網絡的架構11
1．4一個簡單的神經網絡：分類手寫數字13
1．5利用梯度下降算法進行學習17
1．6實現分類數字的神經網絡25
1．7邁向深度學習37
第2章反向傳播算法工作原理41
2．1熱身：使用矩陣快速計算輸出41
2．2關於代價函數的兩個假設43
2．3阿達馬積s⊙t45
2．4反向傳播的4個基本方程45
2．5基本方程的證明（選學）50
2．6反向傳播算法51
2．7反向傳播代碼53
2．8就何而言，反向傳播算快55
2．9反向傳播：全局觀56
第3章改進神經網絡的學習方法60
3．1交叉熵代價函數60
3．1．1引入交叉熵代價函數64
3．1．2使用交叉熵來對MNIST數字進行分類71
3．1．3交叉熵的含義與起源72
3．1．4softmax74
3．2過擬合和正則化78
3．2．1正則化84
3．2．2為何正則化有助於減輕過擬合89
3．2．3其他正則化技術93
3．3權重初始化102
3．4復探手寫識別問題：代碼106
3．5如何選擇神經網絡的超參數116
3．6其他技術126
3．6．1隨機梯度下降算法的變化形式126
3．6．2其他人模型129
3．6．3有關神經網絡的故事132
第4章神經網絡可以計算任何函數的可視化證明134
4．1兩個預先聲明136
4．2一個輸入和一個輸出的普遍性137
4．3多個輸入變量146
4．4不止sigmoi154
4．5修補階躍函數156
4．6小結159
第5章為何深度神經網絡很難訓練160
5．1梯度消失問題163
5．2梯度消失的原因168
5．2．1為何出現梯度消失170
5．2．2梯度爆炸問題171
5．2．3梯度不穩定問題172
5．2．4梯度消失問題普遍存在172
5．3復雜神經網絡中的梯度不穩定173
5．4深度學習的其他障礙174
第6章深度學習175
6．1卷積神經網絡入門176
6．1．1局部感受野178
6．1．2共享權重和偏置180
6．1．3池化層182
6．2卷積神經網絡的實際應用184
6．2．1使用修正188
6．2．2擴展訓練數據189
6．2．3插入額外的全連接層191
6．2．4集成神經網絡192
6．3卷積神經網絡的代碼195
6．4圖像識別領域近期的進展208
6．4．12012年的LRMD論文208
6．4．22012年的KSH論文209
6．4．32014年的ILSVRC競賽211
6．4．4其他活動212
6．5其他深度學習模型214
6．5．1循環神經網絡214
6．5．2長短期216
6．5．3深度信念網絡、生成模型和玻爾茲曼機216
6．5．4其他想法217
6．6神經網絡的未來217
6．6．1意圖驅動的用戶界面217
6．6．2機器學習、數據科學和創新的循環218
6．6．3神經網絡和深度學習的作用218
6．6．4神經網絡和深度學習將主導人工智能219
附錄是否存在關於智能的簡單算法222

本書深入講解神經網絡和深度學習技術，側重於闡釋深度學習的核心概念。作者以技術原理為導向，輔以貫穿全書的MNIST手寫數字識別項目示例，介紹神經網絡架構、反向傳播算法、過擬合解決方案、卷積神經網絡等內容，以及如何利用這些知識改進深度學習項目。學完本書後，讀者將能夠通過編寫Python代碼來解決復雜的模式識別問題。

(澳)邁克爾·尼爾森 著 朱小虎 譯