在日本 IT 圈，有一本书的影响力超越了实力派的“花书”，长期位列日亚“人工智能”类图书榜首，众多五星好评。也许你有所耳闻，这本书就是《深度学习入门：基于 Python 的理论与实现》
第一次在日亚的网站上看到这本书时，完全被评论吸睛了，评论阵容大概是这样的。
本书上市不到2年，就已经加印到100000册了，对于技术图书来讲已经是个惊人的数字了。
一方面说明深度学习确实火热，另一方面也说明这本书的内容确实有惊人的地方。
看过评论对这本书的大致印象是，好懂、压倒性好懂、好懂得可怕！也有文科生说能看得懂。
被日本网友称为「神本」（即「神作」）的这本深度学习入门书究竟好在哪里？
第一章
Python 入门
作为全书的开篇，本章是每本书都会有的常规章节，简单介绍了 Python 以及其使用方法。
如果你已经掌握了 Python、NumPy、Matplotlib 的相关知识，这章你是完全可以跳过的，直接去读后边的章节。
如果你零基础入门的话，建议你从头看起，了解一下 Python 语言的相关内容。
第二章
感知机
这章会介绍到感知机 （perceptron）这一算法。感知机是由美国学者 Frank Rosenblatt 在 1957 年提出来的。
为何我们现在还要学习这一很久以前就有的算法呢？因为感知机也是作为神经网络（深度学习）的起源的算法。
因此，学习感知机的构造也就是学习通向神经网络和深度学习的一种重要思想。
第三章
神经网络
这一部分主要介绍神经网络相关知识，神经网络的一个重要性质是它可以自动地从数据中学习到合适的权重参数。
这章中首先介绍神经网络的概要，然后重点关注神经网络进行识别时的处理。
第四章
神经网络的学习
这章的主题是神经网络的学习。这里所说的“学习”是指从训练数据中自动获取最优权重参数的过程。
为了使神经网络能进行学习，将导入损失函数这一指标。而学习的目的就是以该损失函数为基准，找出能使它的值达到最小的权重参数。
为了找出尽可能小的损失函数的值，作者利用了函数斜率的梯度法。
第五章
误差反向传播
数值微分虽然简单，也容易实现，但缺点是计算上比较费时间。这章会引入一个能够高效计算权重参数的梯度的方法——误差反向传播法。
正确理解误差反向传播法，我个人认为有两种方法：一种是基于数学式；另一种是基于计算图（computational graph）。
前者是比较常见的方法，机器学习相关的图书中多数都是以数学式为中心展开论述的。因为这种方法严密且简洁，所以确实非常合理，但如果一上来就围绕数学式进行探讨，会忽略一些根本的东西，止步于式子的罗列。
因此，这一章希望大家通过计算图，直观地理解误差反向传播法。然后，再结合实际的代码加深理解，相信大家一定会有种“原来如此！”的感觉。
第六章
与学习相关的技巧
这章会介绍神经网络学习中的一些重要观点，主题涉及寻找最优权重参数的最优化方法、权重参数的初始值、超参数的设定方法等。
此外，为了应对过拟合，本章还将介绍权值衰减、Dropout 等正则化方法，并进行实现。
最后将对近年来众多研究中使用的 Batch Normalization 方法进行简单的介绍。
使用本章介绍的方法，可以高效地进行神经网络（深度学习）的学习，提高识别精度。
第七章
卷积神经网络
这部分的主题是卷积神经网络（Convolutional Neural Network，CNN）。
CNN 被用于图像识别、语音识别等各种场合，在图像识别的比赛中，基于深度学习的方法几乎都以 CNN 为基础。
这章将详细介绍 CNN 的结构，并用 Python 实现其处理内容。
第八章
深度学习
关于神经网络，我们已经学了很多东西，比如构成神经网络的各种层、学习时的有效技巧、对图像特别有效的 CNN、参数的最优化方法等，这些都是深度学习中的重要技术。
基于之前介绍的网络，只需通过叠加层，就可以创建深度网络。这章会涉及深度学习的性质、课题和可能性，然后对当前的深度学习进行概括性的说明。
本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。
书中使用 Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。
书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解。
此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。
原价29.99
限时特价：14.99
扫码试读
本次购买的是《深度学习入门：基于 Python 的理论与实现》一书电子版全本内容。
本产品为虚拟产品，一经付费概不退款，敬请谅解。
题图：Breaking Bad