深度學習為人工智能帶來了巨大突破，也成為機
器學習領域一顆閃耀的新星。雖然相關學習資料豐富
，但大部分內容較為龐雜且難以理解，並對初學者的
相關理論知識與實踐能力有較高的要求，這使得大部
分想進入這一領域的初學者望而卻步。楊雲、杜飛著
的《深度學習實戰》去繁化簡地對深度學習的理論知
識進行了梳理，並對算法實現做出了淺顯易懂的講解
，適合初學者進行學習。結合本書的內容，讀者可以
快速對深度學習進行實踐。通過啟發式的自學模式，
可以使讀者由淺入深地學習並掌握常用的深度學習模
型，為進一步使用開源的深度學習平臺與工具提供理
論與實踐基礎。
本書可作為高等院校計算機專業的本科生或研究
生教材，也可供對深度學習感興趣的研究人員和工程
技術人員閱讀參考。

第1章 深度學習的發展介紹
1.1 如何閱讀本書
1.2 深度學習沉浮史
1.2.1 模擬生物大腦的瘋狂遠古時代
1.2.2 聯結主義近代
1.2.3 百花齊放，層次結構**，模型巨大的當代
1.3 Python簡易教程
1.3.1 Anaconda搭建
1.3.2 IPvthon Notebook使用
1.3.3 Python基本用法
1.3.4 NumPy
1.3.5 Matplotlib
1.4 參考文獻
第2章 機器學習快速入門
2.1 學習算法
2.1.1 學習任務
2.1.2 性能度量
2.1.3 學習經驗
2.2 代價函數
2.2.1 均方誤差函數
2.2.2 極大似然估計
2.3 梯度下降法
2.3.1 批量梯度下降法
2.3.2 隨機梯度下降法
2.4 過擬合與欠擬合
2.4.1 沒免費午餐理論
2.4.2 正則化
2.5 超參數與驗證集
2.6 Softmax編碼實戰
2.6.1 編碼說明
2.6.2 熟練使用CIFAR-10數據集
2.6.3 顯式循環計算損失函數及其梯度
2.6.4 向量化表達式計算損失函數及其梯度.
2.6.5 *小批量梯度下降算法訓練Softmax分類器
2.6.6 使用驗證數據選擇超參數
2.7 參考代碼
2.8 參考文獻
第3章 前饋神經網絡
3.1 神經元
3.1.1 Sigmoid神經元
3.1.2 Tanh神經元
3.1.3 ReLU神經元
3.2 前饋神經網絡
3.2.1 輸出層單元
3.2.2 隱藏層單元
3.2.3 網絡結構設計
3.3 BP算法
3.4 深度學習編碼實戰上
3.4.1 實現仿射傳播
3.4.2 實現ReLu傳播