本书详细阐述了与Python深度学习相关的基本解决方案，主要包括深度学习介绍、机器学习基础、前馈神经网络、Theano介绍、卷积神经网络、递归神经网络、Keras介绍、随机梯度下降、自动求导、GPU介绍等内容。此外，本书还提供了丰富的示例及代码，帮助读者进一步理解相关方案的实现过程。
本书既适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。

目录
第1章深度学习介绍1
1.1历史背景1
1.2相关领域的进展3
1.3先决条件3
1.4后续章节概述4
1.5安装所需函数库4
第2章机器学习基础5
2.1直觉5
2.2二元分类5
2.3回归6
2.4泛化7
2.5正规化12
2.6总结14
第3章前馈神经网络15
3.1单元15
3.1.1神经网络的整体结构16
3.1.2用向量形式表示神经网络17
3.1.3评估神经网络的输出18
3.1.4神经网络训练19
3.2使用极大似然估计成本函数20
3.2.1二元交叉熵20
3.2.2交叉熵21
3.2.3平方差21
3.2.4损失函数总结22
3.3单元/激活函数/层的类型22
3.3.1线性单元23
3.3.2Sigmoid单元23
3.3.3Softmax层23
3.3.4线性整流函数24
3.3.5双曲正切25
3.4用AutoGrad手写神经网络25
3.5总结27
第4章Theano介绍28
4.1什么是Theano28
4.2上手Theano28
4.3总结50
���5章卷积神经网络52
5.1卷积操作52
5.2池化操作56
5.3卷积-探测-池化57
5.4其他卷积59
5.5CNN背后的直觉61
5.6总结61
第6章递归神经网络62
6.1RNN基础62
6.2训练RNN65
6.3双向RNN69
6.4梯度爆炸和梯度消失72
6.5梯度削减72
6.6长短期记忆73
6.7总结75
第7章Keras介绍76
7.1单层神经网络76
7.2两层神经网络77
7.2.1用于多元分类的两层神经网络79
7.2.2两层神经网络的回归80
7.3Keras快速迭代82
7.3.1使用Keras构建卷积神经网络（CNN）85
7.3.2使用Keras构建LSTM88
7.4总结90
第8章随机梯度下降91
8.1优化问题91
8.2*速下降的方法92
8.3批量，随机（单例和迷你批）下降93
8.3.1批量93
8.3.2随机单例93
8.3.3随机迷你批93
8.3.4批量VS随机93
8.4SGD的挑战94
8.4.1局部*小值94
8.4.2鞍点94
8.4.3选择学习速率95
8.4.4窄谷中进展缓慢96
8.5SGD的算法变体97
8.5.1动量97
8.5.2Nesterov加速梯度（NAS）97
8.5.3退火和学习速率计划?98
8.5.4Adagrad98
8.5.5RMSProp99
8.5.6Adadelta99
8.5.7Adam99
8.5.8弹性反向传播100
8.5.9平衡SGD100
8.6使用SGD的技巧和提示100
8.6.1输入数据预处理101
8.6.2激活函数的选择101
8.6.3预处理目标值101
8.6.4参数初始化102
8.6.5打散数据102
8.6.6批标准化102
8.6.7提前停止102
8.6.8梯度噪声102
8.7并行和分布式SGD103
8.7.1Hogwild103
8.7.2Downpour103
8.8用Downhill动手实践SGD104
8.9总结109
第9章自动求导110
9.1数值求导110
9.2符号求导111
9.3自动求导基础112
9.3.1正向/正切线性模型113
9.3.2反向/余切/伴随线性模式115
9.3.3自动求导实现117
9.4源代码转换117
9.5运算符重载117
9.6用Autograd实现自动求导118
9.7总结122
第10章GPU介绍123
10.1基于GPU计算的关键要素123
10.2OpenCL系统物理视图124
10.3OpenCL系统的逻辑视图125
10.4OpenCL设备上的逻辑内存空间126
10.5OpenCL设备的编程模型127
10.6索引的符号128
10.7总结132

人生苦短，时不我待！本书向您快速介绍深度学习方面的概念和技能，读者可在短期内迅速掌握深度学习的主干内容！使读者能够掌握正确的学习方向，并为后续学习任务打下坚实的基础！如果方向错误，一切尽枉然——这也是本书的重要意义所在！