目录
章 深度学习简介：为什么应该学习深度学习 1
1.1 欢迎阅读《深度学习图解》 1
1.2 为什么要学习深度学习 2
1.3 这很难学吗? 3
1.4 为什么要阅读本书 3
1.5 准备工作 4
1.6 你可能需要掌握一部分Python知识 5
1.7 本章小结 6
第2章 基本概：器该如何学习？ 7
2.1 什么是深度学习? 7
2.2 什么是机器学习？ 8
. 监督机器学习 9
2.4 无监督机器学习 10
2.5 参数学习和非参数学习 10
2.6 监督参数学习 11
2.7 无监督参数学习 13
2.8 非参数学习 14
2.9 本章小结 15
第3章 神经网络预测导论：前向传播 17
3.1 什么是预测 17
3.2 能够进行预测的简单神经网络 19
3.3 什么是神经网络? 20
3.4 这个神经网络做了什么? 21
3.5 使用多个输入进行预测
3.6 多个输入：这个神经网络做了什么? 24
3.7 多个输入：完整的可运行代码 29
3.8 预测多个输出 30
3.9 使用多个输入和输出进行预测 32
3.10 多输入多输出神经网络的工作原理 33
3.11 用预测结果进一步预测 35
3.12 NumPy快速入门 37
3.13 本章小结 40
第4章 神经网络学习导论：梯度下降 41
4.1 预测、比较和学习 41
4.2 什么是比较 42
4.3 学习 42
4.4 比较：你的神经网络做出了好的预测？ 43
4.5 为什么需要测量误差？ 44
4.6 单的神经学形是什么？ 45
4.7 冷热学习 46
4.8 冷热学习的特点 47
4.9 基于误差调节权重 48
4.10 梯度下降的一次迭代 50
4.11 学习就是减少误差 52
4.12 回顾学习的步骤 54
4.13 权重增量到底是什么? 55
4.14 狭隘的观点 57
4.15 插着小棍的盒子 58
4.16 导数：两种方式 59
4.17 你真正需要知道的 60
4.18 你不需要知道的 60
4.19 如何使用导数来学习 61
4.20 看起来熟悉吗? 62
4.21 破坏梯度下降 63
4.22 过度修正的可视化 64
4. 发散 65
4.24 引入α 66
4.25 在代码中实现α 66
4.26 记忆背诵 67
第5章 通用梯度下降：一次学习多个权重 69
5.1 多输入梯度下降学习 69
5.2 多输入梯度下降详解 71
5.3 回顾学习的步骤 75
5.4 单项权重冻结：它有什么作用? 77
5.5 具有多个输出的梯度下降学习 79
5.6 具有多个输入和输出的梯度下降 81
5.7 这些权重学到了什么? 83
5.8 权重可视化 85
5.9 点积(加权和 可视化 86
5.10 本章小结 87
第6章 建立你的个深度神经网络：反向传播 89
6.1 交通信号灯问题 89
6.2 准备数据 91
6.3 矩阵和矩阵关系 92
6.4 使用Python创建矩阵 95
6.5 建立神经网络 96
6.6 学习整个数据集 97
6.7 、批量和随机梯度下降 97
6.8 神经网络对相关的学习 98
6.9 向上与向下的压力 99
6.10 边界情况：过拟合 101
6.11 边界情况：压力 101
6.12 学习间接相关 103
6.13 创建关联 104
6.14 堆叠神经网络：回顾 105
6.15 反向传播：远程错误归因 106
6.16 反向传播：为什么有效? 107
6.17 线与非线 107
6.18 为什么神经网络仍然不起作用 109
6.19 选择关的秘密 110
6.20 快速冲刺 111
6.21 你的个深度神经网络 111
6.22 反向传播的代码 112
6. 反向传播的一次迭代 114
6.24 整合代码 116
6.25 为什么深度网络这么重要? 117
第7章 如何描绘神经网络：在脑海里，在白纸上 119
7.1 到了简化的时候了 119
7.2 关联抽象 120
7.3 旧的可视化方法过于复杂 121
7.4 简化版可视化 122
7.5 进一步简化 1
7.6 观察神经网络是如何进行预测的 124
7.7 用字母而不是图片来进行可视化 125
7.8 连接变量 126
7.9 信息整合 127
7.10 可视化工具的重要 127
第8章 学习信号，忽略噪声：正则化和批处理介绍 129
8.1 用在MNIST上的三层网络 129
8.2 好吧，这很简单 131
8.3 记忆与泛化 132
8.4 神经网络中的过拟合 133
8.5 过拟合从何而来 134
8.6 单的正则化：提前停止 135
8.7 行业标准正则化：dropout 136
8.8 为什么dropout有效：整合是有效的 137
8.9 dropout的代码 137
8.10 在MNIST数据集上对dropout进行测试 139
8.11 批量梯度下降 140
8.12 本章小结 143
第9章 概率和非线建模：激活函数 145
9.1 什么是激活函数? 145
9.2 标准隐藏层激活函数 148
9.3 标准输出层激活函数 149
9.4 核心问题：输入具有
相似 151
9.5 计算softmax 152
9.6 激活函数使用说明 153
9.7 将增量与斜率相乘 156
9.8 将输出转换为斜率(导数 157
9.9 升级MNIST网络 157
0章 卷积神经网络概论：关于边与角的神经学习 161
10.1 在多个位置复用权重 161
10.2 卷积层 162
10.3 基于NumPy的简单实现 164
10.4 本章小结 167
1章 能够理解自然语言的神经网络：国王-男人+女人=？ 169
11.1 理解语言究竟是指什么? 170
11.2 自然语言处理(NLP 170
11.3 监督NLP学习 171
11.4 MB电影评论数据集 172
11.5 在输入数据中提取单词相关 173
11.6 对影评进行预测 174
11.7 引入嵌入层 175
11.8 解释输出 177
11.9 神经网络结构 178
11.10 单词嵌入表达的对比 180
11.11 神经元是什么意思? 181
11.12 完形填空 182
11.13 损失函数的意义 183
11.14 国王-男人+女人~=女王 186
11.15 单词类比 187
11.16 本章小结 188
2章 像莎士比亚一样写作的神经网络：变长数据的递归层 189
12.1 任意长度的挑战 189
12.2 做比较真的重要吗？ 190
1. 平均词向量的力量 191
12.4 信息是如何存储在这些向量嵌入中的？ 192
12.5 神经网络是如何使用嵌入的？ 193
12.6 词袋向量的局限 194
12.7 用单位向量求词嵌入之和 195
12.8 不改变任何东西的矩阵 196
12.9 学习转移矩阵 197
12.10 学习创建有用的句子向量 198
12.11 Python下的前向传播 199
12.12 如何反向传播？ 200
12.13 让我们训练它！ 201
12.14 进行设置 201
12.15 任意长度的前向传播 202
12.16 任意长度的反向传播 203
12.17 任意长度的权重更新 204
12.18 运行代码，并分析输出 205
12.19 本章小结 207
3章 介绍自动优化：搭建深度学习框架 209
13.1 深度学习框架是什么？ 209
13.2 张量介绍 210
13.3 自动梯度计算(autograd 介绍 211
13.4 快速检查 213
13.5 多次使用的张量 214
13.6 升级autograd以支持多次使用的张量 215
13.7 加法的反向传播如何工作？ 217
13.8 增加取负值操作的支持 218
13.9 添加更多函数的支持 219
13.10 使用autograd训练神经网络 222
13.11 增加自动优化 224
13.12 添加神经元层类型的支持 225
13.13 包含神经元层的神经元层 226
13.14 损失函数层 227
13.15 如何学习一个框架 228
13.16 非线层 228
13.17 嵌入层 0
13.18 将下标操作添加到
autograd 1
13.19 再看嵌入层 2
13.20 交叉熵层
13.21 递归神经网络层 5
13.22 本章小结
4章 像莎士比亚一样写作：长短期记忆网络
14.1 字符语言建模
14.2 截断式反向传播的必要 240
14.3 截断式反向传播 241
14.4 输出样例 244
14.5 梯度消失与梯度激增 245
14.6 RNN反向传播的小例子 246
14.7 长短期记忆(LSTM 元胞 247
14.8 关于LSTM门限的直观理解 248
14.9 长短期记忆层 249
14.10 升级字符语言模型 250
14.11 训练LSTM字符语言模型 251
14.12 调优LSTM字符语言模型 252
14.13 本章小结 253
5章 在看不见的数据上做深度学习：联邦学习导论 255
15.1 深度学习的隐私问题 255
15.2 联邦学习 256
15.3 学检测邮件 257
15.4 让我们把它联邦化 259
15.5 深入联邦学习 260
15.6 安全聚合 261
15.7 同态加密 262
15.8 同态加密联邦学习 263
15.9 本章小结 264
6章 往哪里去：简要指引 265
Andrew W.Trask安德鲁·特拉斯克是牛津大学的博士，也是DeepMind公司的研究科学家。此前，Andrew是DigitalReasoning公司的研究员和分析产品经理，在这家公司，他训练了世界上优选的人工神经网络，并帮设计了认知计算平台。
如甘露润心，深受启发。
我阅读该书已有一周的时间，感触颇多。该书是对深度学习原理的一次深入探索，即使读者未掌握微积分等高深的数学背景知识，同样可以读懂该书。只要你肯付出努力，辛勤耕耘，你一定会从该书汲取到大量的知识营养，悟透深度学习的道理。让我们一起进步，共赴成功！如果我刚开始接触深度学习时就拥有
——David Weiseth
一本的入门书籍！
该书呈现一系列精心设计的练习，将深度学习画卷徐徐展开，呈现在读者眼前。该书就像一位和蔼的老师在授课，娓娓道来，由简入繁，逐步引导读者扩大视野，全面了解深度学习。
——Kelvin D. Meeks
该书是开启深度学习之旅的场所，涵盖这个激动人心的领域所需的一切。这是一本不可多得的好书，是接地气的深度学习著作，我十分喜欢作者为解释一些复杂概念所做的类比。该书篇幅不长，但需要花费很长时间去揣摩，从而真正弄清楚深度学习的来龙去脉。
——Erick Diaz
不可或缺的资源
该书极大地降低了学习难度，是任何想进一步了解深度学习的人士的书籍。讲解清晰简明，令人回味无穷。该书是我苦苦追寻的至宝，我想不出比它更好的书籍了！
——Jacob
“这本书籍介绍和总结深度学习；作者经验丰富，将引导你、启发你、鼓励你一路前行。”
——Kelvin D.Meeks International Technology Ventures
“讲解十分清晰，所有概念都以生动的插图和示例展现在读者眼前。”
——Kalyan Reddy， ArisGlobal
作者擅长传道授业，以简明直观的方式剖析深度学习的细节。
——Eremey Valetov
兰卡斯特大学费米实验室“循序渐进地讲解深度学习，引导你在学习AI的道路上一步一个脚印，走出片新地。”
——Ian Stirk，I&K咨询公司
“将深奥的主题讲得通俗易懂，将枯燥的技术讲得妙趣横生。”
——Vipul Gupta，Microsoft
深度学习是人工智能的一个分支，受到人类大脑的启发，致力于指导计算机用神经网络进行学习。在线文本翻译、自动驾驶、商品和智能语音手等一系列令人兴奋的现代技术应用领域，都在深度学习的辅下取得了突破进展。
《深度学习图解》指导你从基础的每一行代码开始搭建深度学习网络！经验丰富的深度学习专家Andrew W．Trask以有趣的图解方式为你揭开深度学习的神秘面纱，使你可亲身体会训练神经网络的每个细节。只需要使用Python语言及其基本的数学库NumPy，就可以训练出自己的神经网络，借它观察并理解图像、将文字翻译成不同的语言，甚至像莎士比亚一样写作！当你完成这一切后，就为成为精通深度学习框架的专家做好了充分准备！
深度学习是人工智能的一个分支，受到人类大脑的启发，致力于指导计算机用神经网络进行学习。在线文本翻译、自动驾驶、商品和智能语音手等一系列令人兴奋的现代技术应用领域，都在深度学习的辅下取得了突破进展。
《深度学习图解》指导你从基础的每一行代码开始搭建深度学习网络！经验丰富的深度学习专家Andrew W. Trask以有趣的图解方式为你揭开深度学习的神秘面纱，使你可亲身体会训练神经网络的每个细节。只需要使用Python语言及其本的数学库NumPy，就可以训练出自己的神经网络，借它观察并理解图像、将文字翻译成不同的语言，甚至像莎士比亚一样写作！当你完成这一切后，就为成为精通深度学习框架的专家做好了充分准备！
深度学习是人工智能的一个分支，受到人类大脑的启发，致力于指导计算机用神经网络进行学习。在线文本翻译、自动驾驶、商品和智能语音手等一系列令人兴奋的现代技术应用领域，都在深度学习的辅下取得了突破进展。 《深度学习图解》指导你从基础的每一行代码开始搭建深度学习网络！经验丰富的深度学习专家AndrewW.Trask以有趣的图解方式为你揭开深度学习的神秘面纱，使你可亲身体会训练神经网络的每个细节。只需要使用Python语言及其基本的数学库NumPy，就可以训练出自己的神经网络，借它观察并理解图像、将文字翻译成不同的语言，甚至像莎士比亚一样写作！当你完成这一切后，就为成为精通深度学习框架的专家做好了充分准备！
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
