本书对所有主要的深度学习方法和最新研究趋势进行了深入探索。全书分为上下两卷，五个部分。上卷包括两个部分：第一部分是基础算法，包括机器学习基础算法、早期神经网络算法、深度学习的正则化方法和深度学习的优化方法；第二部分是判别式模型，包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆模型（LSTM）、注意力机制和记忆网络。下卷包括三个部分：第三部分是生成式模型，包括深度置信网络/深度玻尔兹曼机、自编码器（AE）/变分自编码器（VAE）、生成对抗网络（GAN）、像素级生成、深度聚类等；第四部分是前沿技术，讨论深度强化学习；第五部分是安全保障，包括深度学习的可解释性和对抗样本的攻击与防御。本书特别注重学术前沿，对包括胶囊网络在内的当前最新成果进行了细致的讨论。全书构建了一套明晰的深度学习体系，同时各章内容相对独立，并有辅助网站（http://deeplearningresource.com）在线提供大量论文、代码，数据集和彩图等学习资源供读者边实践边学习。
本书适合人工智能相关领域的科研人员、工程师阅读，也可以作为人工智能、自动化和计算机等专业的研究生和高年级本科生的学习材料。

前言
1 深度学习概述
1.1 人工智能与深度学习
1.2 深度学习的发展
1.2.1 深度学习的提出
1.2.2 深度学习的发展历程
1.2.3 深度学习的知识体系
1.2.4 深度学习的数学基础
1.2.5 深度学习的典型应用
1.2.6 深度学习当前面临的挑战
1.2.7 深度学习的未来
1.3 阅读材料
参考文献
2 机器学习基础
2.1 机器学习基本概念
2.1.1 定义
2.1.2 数据
2.1.3 机器学习的三要素
2.1.4 归纳偏好
2.2 机器学习发展历程
2.2.1 符号学派
2.2.2 联结学派
2.2.3 进化学派
2.2.4 贝叶斯学派
2.2.5 类推学派
2.3 生成模型和判别模型
2.4 监督学习
2.4.1 任务描述
2.4.2 评价标准
2.4.3 常用方法
2.5 无监督学习
2.5.1 任务描述
2.5.2 评价标准
2.5.3 常用方法
2.6 强化学习
2.6.1 任务描述
2.6.2 评价标准
2.6.3 常用方法
2.7 阅读材料
参考文献
3 早期神经网络
3.1 早期研究成果
3.1.1 神经网络雏形
3.1.2 MCP神经元模型
3.1.3 Hebbian学习规则
3.2 感知机
3.3多层感知机
3.3.1 多层感知机的结构
3.3.2 多层感知机的通用近似性
3.3.3 前向传播过程
3.3.4 反向传播过程
3.3.5 训练过程实例
3.4 其他神经网络模型
3.4.1 自组织映射
3.4.2 Hopfield网络
3.5 神经网络的激活函数
3.6 深度的必要性
3.7 阅读材料
参考文献
4 深度学习的优化
4.1 深度学习优化的困难和挑战
4.1.1 局部极小值问题
4.1.2 鞍点问题
4.1.3 海森矩阵病态问题
4.1.4 梯度爆炸
4.1.5 梯度消失
4.2 梯度下降基本方法
4.2.1 批梯度下降
……
5 正则化
6 卷积神经网络
7 循环神经网络
8 注意力机制和记忆网络