●第1章深度學習簡介：為什麼應該學習深度學習1
1.1歡迎閱讀《深度學習圖解》1
1.2為什麼要學習深度學習2
1.3這很難學嗎?3
1.4為什麼要閱讀本書3
1.5準備工作4
1.6你可能需要掌握一部分Python知識5
1.7本章小結6
第2章基本概念：機器該如何學習？7
2.1什麼是深度學習?7
2.2什麼是機器學習？8
2.3監督機器學習9
2.4無監督機器學習10
2.5參數學習和非參數學習10
2.6監督參數學習11
2.7無監督參數學習13
2.8非參數學習14
2.9本章小結15
第3章神經網絡預測導論：前向傳播17
3.1什麼是預測17
3.2能夠進行預測的簡單神經網絡19
3.3什麼是神經網絡?20
3.4這個神經網絡做了什麼?21
3.5使用多個輸入進行預測23
3.6多個輸入：這個神經網絡做了什麼?24
3.7多個輸入：完整的可運行代碼29
3.8預測多個輸出30
3.9使用多個輸入和輸出進行預測32
3.10多輸入多輸出神經網絡的工作原理33
3.11用預測結果進一步預測35
3.12NumPy快速入門37
3.13本章小結40
第4章神經網絡學習導論：梯度下降41
4.1預測、比較和學習41
4.2什麼是比較42
4.3學習42
4.4比較：你的神經網絡是否做出了好的預測？43
4.5為什麼需要測量誤差？44
4.6最簡單的神經學習形式是什麼？45
4.7冷熱學習46
4.8冷熱學習的特點47
4.9基於誤差調節權重48
4.10梯度下降的一次迭代50
4.11學習就是減少誤差52
4.12回顧學習的步驟54
4.13權重增量到底是什麼?55
4.14狹隘的觀點57
4.15插著小棍的盒子58
4.16導數：兩種方式59
4.17你真正需要知道的60
4.18你不需要知道的60
4.19如何使用導數來學習61
4.20看起來熟悉嗎?62
4.21破壞梯度下降63
4.22過度修正的可視化64
4.23發散65
4.24引入α66
4.25在代碼中實現α66
4.26記憶背誦67
第5章通用梯度下降：一次學習多個權重69
5.1多輸入梯度下降學習69
5.2多輸入梯度下降詳解71
5.3回顧學習的步驟75
5.4單項權重凍結：它有什麼作用?77
5.5具有多個輸出的梯度下降學習79
5.6具有多個輸入和輸出的梯度下降81
5.7這些權重學到了什麼?83
5.8權重可視化85
5.9點積(加權和)可視化86
5.10本章小結87
第6章建立你的第一個深度神經網絡：反向傳播89
6.1交通信號燈問題89
6.2準備數據91
6.3矩陣和矩陣關繫92
6.4使用Python創建矩陣95
6.5建立神經網絡96
6.6學習整個數據集97
6.7接近、批量和隨機梯度下降97
6.8神經網絡對相關性的學習98
6.9向上與向下的壓力99
6.10邊界情況：過擬合101
6.11邊界情況：壓力衝突101
6.12學習間接相關性103
6.13創建關聯104
6.14堆疊神經網絡：回顧105
6.15反向傳播：遠程錯誤歸因106
6.16反向傳播：為什麼有效?107
6.17線性與非線性107
6.18為什麼神經網絡仍然不起作用109
6.19選擇性相關的秘密110
6.20快速衝刺111
6.21你的第一個深度神經網絡111
6.22反向傳播的代碼112
6.23反向傳播的一次迭代114
6.24整合代碼116
6.25為什麼深度網絡這麼重要?117
第7章如何描繪神經網絡：在腦海裡，在白紙上119
7.1到了簡化的時候了119
7.2關聯抽像120
7.3舊的可視化方法過於復雜121
7.4簡化版可視化122
7.5進一步簡化123
7.6觀察神經網絡是如何進行預測的124
7.7用字母而不是圖片來進行可視化125
7.8連接變量126
7.9信息整合127
7.10可視化工具的重要性127
第8章學習信號，忽略噪聲：正則化和批處理介紹129
8.1用在MNIST上的三層網絡129
8.2好吧，這很簡單131
8.3記憶與泛化132
8.4神經網絡中的過擬合133
8.5過擬合從何而來134
8.6最簡單的正則化：提前停止135
8.7行業標準正則化：dropout136
8.8為什麼dropout有效：整合是有效的137
8.9dropout的代碼137
8.10在MNIST數據集上對dropout進行測試139
8.11批量梯度下降140
8.12本章小結143
第9章概率和非線性建模：激活函數145
9.1什麼是激活函數?145
9.2標準隱藏層激活函數148
9.3標準輸出層激活函數149
9.4核心問題：輸入具有相似性151
9.5計算softmax152
9.6激活函數使用說明153
9.7將增量與斜率相乘156
9.8將輸出轉換為斜率(導數)157
9.9升級MNIST網絡157
第10章卷積神經網絡概論：關於邊與角的神經學習161
10.1在多個位置復用權重161
10.2卷積層162
10.3基於NumPy的簡單實現164
10.4本章小結167
第11章能夠理解自然語言的神經網絡：國王-男人女人=？169
11.1理解語言究竟是指什麼?170
11.2自然語言處理(NLP)170
11.3監督NLP學習171
11.4IMDB電影評論數據集172
11.5在輸入數據中提取單詞相關性173
11.6對影評進行預測174
11.7引入嵌入層175
11.8解釋輸出177
11.9神經網絡結構178
11.10單詞嵌入表達的對比180
11.1是什麼意思?181
11.12完形填空182
11.13損失函數的意義183
11.14國王-男人女人~=女王186
11.15單詞類比187
11.16本章小結188
第12章像莎士比亞一樣寫作的神經網絡：變長數據的遞歸層189
12.1任意長度的挑戰189
12.2做比較真的重要嗎？190
12.3平均詞向量的神奇力量191
12.4信息是如何存儲在這些向量嵌入中的？192
12.5神經網絡是如何使用嵌入的？193
12.6詞袋向量的局限194
12.7用單位向量求詞嵌入之和195
12.8不改變任何東西的矩陣196
12.9學習轉移矩陣197
12.10學習創建有用的句子向量198
12.11Python下的前向傳播199
12.12如何反向傳播？200
12.13讓我們訓練它！201
12.14進行設置201
12.15任意長度的前向傳播202
12.16任意長度的反向傳播203
12.17任意長度的權重更新204
12.18運行代碼，並分析輸出205
12.19本章小結207
第13章介紹自動優化：搭建深度學習框架209
13.1深度學習框架是什麼？209
13.2張量介紹210
13.3自動梯度計算(autograd)介紹211
13.4快速檢查213
13.5多次使用的張量214
13.6升級autograd以支持多次使用的張量215
13.7加法的反向傳播如何工作？217
13.8增加取負值操作的支持218
13.9添加更多函數的支持219
13.10使用autograd訓練神經網絡222
13.11增加自動優化224
13.12添層類型的支持225
13.13包層層226
13.14損失函數層227
13.15如何學習一個框架228
13.16非線性層228
13.17嵌入層230
13.18將下標操作添加到autograd231
13.19再看嵌入層232
13.20交叉熵層233
13.21遞歸神經網絡層235
13.22本章小結238
第14章像莎士比亞一樣寫作：長短期記憶網絡239
14.1字符語言建模239
14.2截斷式反向傳播的必要性240
14.3截斷式反向傳播241
14.4輸出樣例244
14.5梯度消失與梯度激增245
14.6RNN反向傳播的小例子246
14.7長短期記憶(LS胞247
14.8關於LSTM門限的直觀理解248
14.9長短期記憶層249
14.10升級字符語言模型250
14.11訓練LSTM字符語言模型251
14.12調優LSTM字符語言模型252
14.13本章小結253
第15章在看不見的數據上做深度學習：聯邦學習導論255
15.1深度學習的隱私問題255
15.2聯邦學習256
15.3學習檢測垃圾郵件257
15.4讓我們把它聯邦化259
15.5深入聯邦學習260
15.6安全聚合261
15.7同態加密262
15.8同態加密聯邦學習263
15.9本章小結264
第16章往哪裡去：簡要指引265

深度學習是人工智能的一個分支，受到人類大腦的啟發，致力於指導計算機用神經網絡進行學習。在線文本翻譯、自動駕駛、商品推薦和智能語音助手等一繫列令人興奮的現代技術應用領域，都在深度學習的輔助下取得了突破性進展。《深度學習圖解》指導你從最基礎的每一行代碼開始搭建深度學習網絡！經驗豐富的深度學習專家Andrew W.Trask以有趣的圖解方式為你揭開深度學習的神秘面紗，使你可親身體會訓練神經網絡的每個細節。隻需要使用Python語言及其最基本的數學庫NumPy，就可以訓練出自己的神經網絡，借助它觀察並理解圖像、將文字翻譯成不同的語言，甚至像莎士比亞一樣寫作！當你完成這一切後，就為成為精通深度學習框架的專家做好了充分準備！本書主要內容包括：深度學習的基礎科學原理，自行設計和訓練神經網絡，隱私保護的知識，包括聯邦學習，幫助你繼續深度學習之旅的建議獨一無二的低門檻。在閱讀本書前，讀者隻需要掌握高中數學知等