原书前言
章数学基础//1
1.1线性代数//2
1.1.1向量//2
1.1.2标量//2
1.1.3矩阵//3
1.1.4张量//3
1.1.5矩阵的运算和操作//4
1.1.6向量的线性独立//6
1.1.7矩阵的秩//8
1.1.8单位矩阵或恒等运算符//8
1.1.9矩阵的行列式//9
1.1.10逆矩阵//10
1.1.11向量的范数（模）//11
1.1.12伪逆矩阵//12
1.1.13以特定向量为方向的单位向量//12
1.1.14一个向量在另一个向量方向上的投影（或射影）//12
1.1.15特征向量//12
1.2微积分//17
1.2.1微分//17
1.2.2函数的梯度//17
1.2.3连续偏导数//18
1.2.4海森矩阵//18
1.2.5函数的极大值和极小值//18
1.2.6局部极小值和全局最小值//20
1.2.7半正定以及正定矩阵//21
1.2.8凸集//21
1.2.9凸函数//22
1.2.10非凸函数//22
1.2.11多变量凸函数以及非凸函数范例//23
1.2.12泰勒级数//24
1.3概率//24
1.3.1并集、交集和条件概率//25
1.3.2事件交集概率的链式法则//26
1.3.3互斥事件//26
1.3.4事件独立性//27
1.3.5事件条件独立性//27
1.3.6贝叶斯定理（公式）//27
1.3.7概率质量函数//28
1.3.8概率密度函数//28
1.3.9随机变量的数学期望//28
1.3.10随机变量的方差//28
1.3.11偏度和峰度//29
1.3.12协方差//30
1.3.13相关性系数//31
1.3.14一些常见的概率分布//31
1.3.15似然函数//34
1.3.16优选似然估计//35
1.3.17假设检验和p值//36
1.4机器学习算法的制定与优化算法//38
1.4.1监督学习//38
1.4.2无监督学习//45
1.4.3机器学习的优化算法//45
1.4.4约束优化问题//53
1.5机器学习中的几个重要主题//54
1.5.1降维方法//54
1.5.2正则化//5
1.5.3约束优化问题中的正则化//59
1.6总结//60
第2章深度学习概念和TensorFlow介绍//61
2.1深度学习及其发展//61
2.2感知机和感知机学习算法//63
2.2.1感知机学习的几何解释//65
2.2.2感知机学习的局限性//66
2.2.3非线性需求//68
2.2.4隐藏层感知机的非线性激活函数//69
2.2.5神经元或感知机的不同激活函数//70
2.2.6多层感知机网络的学习规则//74
2.2.7梯度计算的反向传播//75
2.2.8反向传播方法推广到梯度计算//76
2.3TensorFlow//82
2.3.1常见的深度学习包//82
2.3.2TensorFlow的安装//83
2.3.3TensorFlow的开发基础//83
2.3.4深度学习视角下的梯度下降优化方法//86
2.3.5随机梯度下降的小批量方法中的学习率//90
2.3.6TensorFlow中的优化器//90
2.3.7TensorFlow实现XOR//96
2.3.8TensorFlow中的线性回归//100
2.3.9使用全批量梯度下降的SoftMax函数多分类//103
2.3.10使用随机梯度下降的SoftMax函数多分类//105
2.4GPU//107
2.5总结//108
第3章卷积神经网络//109
3.1卷积操作//109
3.1.1线性时不变和线性移不变系统//109
3.1.2一维信号的卷积//111
3.2模拟信号和数字信号//112
3.2.1二维和三维信号//113
3.3二维卷积//114
3.3.1二维单位阶跃函数//114
3.3.2LSI系统中单位阶跃响应信号的二维卷积//115
3.3.3不同的LSI系统中图像的二维卷积//117
3.4常见的图像处理滤波器//120
3.4.1均值滤波器//120
3.4.2中值滤波器//122
3.4.3高斯滤波器//122
3.4.4梯度滤波器//123
3.4.5Sobel边缘检测滤波器//125
3.4.6恒等变换//127
3.5卷积神经网络//128
3.6卷积神经网络的组成部分//128
3.6.1输入层//129
3.6.2卷积层//129
3.6.3池化层//131
3.7卷积层中的反向传播//131
3.8池化层中的反向传播//134
3.9卷积中的权值共享及其优点//136
3.10平移同变性//136
3.11池化的平移不变性//137
3.12舍弃层和正则化//138
3.13MNIST数据集上进行手写数字识别的卷积神经网络//140
3.14用来解决现实问题的卷积神经网络//144
3.15批规范化//151
3.16卷积神经网络中的几种不同的网络架构//153
3.16.1LeNet//153
3.16.2AlexNet//154
3.16.3VGG16//155
3.16.4ResNet//156
3.17迁移学习//157
3.17.1迁移学习的使用指导//158
3.17.2使用谷歌InceptionV3网络进行迁移学习//159
3.17.3使用预训练的VGG16网络迁移学习//162
3.18总结//166
第4章基于循环神经网络的自然语言处理//167
4.1向量空间模型//167
4.2单词的向量表示//170
4.3Word2Vec//170
4.3.1CBOW//171
4.3.2CBOW在TensorFlow中的实现//173
4.3.3词向量嵌入的Skip-gram模型//176
4.3.4Skip-gram在TensorFlow中的实现//178
4.3.5基于全局共现方法的词向量//181
4.3.6GloVe//186
4.3.7词向量类比法//188
4.4循环神经网络的介绍//191
4.4.1语言建模//193
4.4.2用循环神经网络与传统方法预测句子中的下一个词的对比//193
4.4.3基于时间的反向传播//194
4.4.4循环神经网络中的梯度消失与爆炸问题//196
4.4.5循环神经网络中的梯度消失与爆炸问题的解决方法//198
4.4.6LSTM//199
4.4.7LSTM在减少梯度爆炸和梯度消失问题中的应用//200
4.4.8在TensorFlow中使用循环神经网络进行MNIST数字识别//201
4.4.9门控循环单元//210
4.4.10双向循环神经网络//211
4.5总结//212
第5章用受限玻尔兹曼机和自编码器进行无监督学习//214
5.1玻尔兹曼分布//214
5.2贝叶斯推断：似然、先验和后验概率分布//215
5.3MCMC采样方法//219
5.3.11Metropolis算法//222
5.4受限玻尔兹曼机//226
5.4.1训练受限玻尔兹曼机//229
5.4.2吉布斯采样//233
5.4.3块吉布斯采样//234
5.4.4Burn-in阶段和吉布斯采样中的样本生成//235
5.4.5基于吉布斯采样的受限玻尔兹曼机//235
5.4.6对比散度//236
5.4.7受限玻尔兹曼机的TensorFlow实现//237
5.4.8基于受限玻尔兹曼机的协同过滤//239
5.4.9深度置信网络//244
5.5自编码器//248
5.5.1基于自编码器的监督式特征学习//250
5.5.2KL散度//251
5.5.3稀疏自编码器//251
5.5.4稀疏自编码器的TensorFlow实现//253
5.5.5去噪自编码器//255
5.5.6去噪自编码器的TensorFlow实现//256
5.6PCA和ZCA白化//262
5.7总结//264
第6章不错神经网络//265
6.1图像分割//265
6.1.1基于像素强度直方图的二元阈值分割方法//265
6.1.2大津法//266
6.1.3用于图像分割的分水岭算法//268
6.1.4使用K-means聚类进行图像分割//272
6.1.5语义分割//274
6.1.6滑动窗口方法//274
6.1.7全卷积网络//275
6.1.8全卷积网络的下采样和上采样//277
6.1.9U-Net//281
6.1.10在TensorFlow中使用全卷积神经网络进行语义分割//283
6.2图像分类和定位网络//290
6.3物体检测//292
6.3.1R-CNN//293
6.3.2Fast和Faster-CNN//294
6.4生成式对抗网络//295
6.4.1极大极小和极小极大问题//295
6.4.2零和博弈//297
6.4.3极小极大和鞍点//298
6.4.4生成式对抗网络的损失函数和训练//300
6.4.5生成器的梯度消弭//302
6.4.6生成式对抗网络的TensorFlow实现//302
6.5生成环境下的TensorFlow模型应用//305
6.6总结//308

本书重点在帮你掌握深度学习所要求的数学原理和编程实战经验，使你能快速使用TensorFlow轻松部署产品中的深度学习解决方案，并形成开发深度学习架构和解决方案时所需的数学理解和直觉。本书提供了丰富的理论和实战动手经验，使你可以从零开始掌握深度学习，并能快速部署有价值的深度学习解决方案。本书重点讲解了与多个行业相关的深度学习实践方面的专业知识。通过这些实战经验，你将能够使用原型来构建新的深度学习应用程序。