《深度学习导论精装版》讲述了Tensorflow、前馈神经网络、卷积神经网络、词嵌入、循环神经网络、序列到序列学习、深度强化学习、无监督模型等深度学习领域的基本概念和技术，通过一系列的编程任务，向读者介绍了热门的人工智能应用，包括计算机视觉和自然语言处理等。 本书编写简明扼要，理论联系实践，每一章都包括一个编程项目、练习以及进一步阅读的参考资料。本书既可作为高校人工智能教学用书，也可供从业者入门参考。 本书要求读者熟悉线性代数、多元微积分、概率和统计知识，另外需要读者了解Python 编程。

第 1章 前馈神经网络 1 1.1 感知机 3 1.2 神经网络的交叉熵损失函数 7 1.3 导数与随机梯度下降 11 1.4 编写程序 15 1.5 神经网络的矩阵表示 17 1.6 数据独立性 19 1.7 参考文献和补充阅读 20 1.8 习题 21 第 2章 Tensorflow 23 2.1 预备知识 23 2.2 TF程序 26 2.3 多层神经网络 31 2.4 其他方面 34 2.4.1 检查点 34 2.4.2 tensordot 35 2.4.3 TF变量的初始化 37 2.4.4 TF图创建的简化 39 2.5 参考文献和补充阅读 40 2.6 习题 40 第3章 卷积神经网络 43 3.1 滤波器、步长和填充 43 3.2 一个简单的TF卷积例子 49 3.3 多层卷积 51 3.4 卷积细节 54 3.4.1 偏置 54 3.4.2 卷积层 55 3.4.3 池化运算（pooling） 55 3.5 参考文献和补充阅读 56 3.6 习题 57 第4章 词嵌入与循环神经网络 59 4.1 语言模型的词嵌入 59 4.2 构建前馈语言模型 63 4.3 改进前馈语言模型 65 4.4 过拟合 66 4.5 循环网络 69 4.6 长短期记忆模型 75 4.7 参考文献和补充阅读 78 4.8 习题 78 第5章 序列到序列学习 81 5.1 seq2seq模型 82 5.2 编写一个seq2seq MT程序 84 5.3 seq2seq中的注意力机制 87 5.4 多长度seq2seq 90 5.5 编程练习 91 5.6 参考文献和补充阅读 93 5.7 习题 94 第6章 深度强化学习 97 6.1 值迭代 98 6.2 Q学习 101 6.3 深度Q学习基础 103 6.4 策略梯度法 106 6.5 行动者-评论家方法 112 6.6 经验回放 114 6.7 参考文献和补充阅读 115 6.8 习题 116 第7章 无监督神经网络模型 119 7.1 基本自编码 119 7.2 卷积自编码 122 7.3 变分自编码 126 7.4 生成式对抗网络 132 7.5 参考文献和补充阅读 137 7.6 习题 137 附录A 部分习题答案 139 附录B 参考文献 143 附录C 索引 147 本书赞誉 151