一、前言

大傢都知道，深度學習是學習人工智能必不可少的知識點，有著非常非常重要的位置。

我相信很多人都知道這本書，畢竟名氣在那裡瞭，不過為瞭照顧剛入門的小夥伴，T哥還是給大傢介紹一下這本書。

該書為人工智能行業的幾位大佬所著，其中囊括瞭數學及相關概念的背景知識，包括線性代數、信息論、概率論、數值優化以及機器學習的相關內容，它還調研瞭諸如NLP、語音識別、計算機視覺、推薦系統、生物信息等的應用。被大傢尊稱為深度學習AI聖經！

這本書我讀完瞭實體的，我也有中文電子版的，如果大傢xu的話，si心我【花書】可huo de！真的非常推薦！但是不太適合小白。

二、深度學習（花書）內容展示：

太多瞭，一張截圖展示不瞭全部目錄，但沒關系，跟著我一步步來看看吧！

第一部分：應用數學和機器學習基礎

第一章：引言（本書面向的讀者+深度學習的歷史趨勢）

第二章：線性代數（標量、向量、矩陣和張量+矩陣和向量相乘+單位矩陣和逆矩陣+線性相關和生成子空間+范數+特殊類型的矩陣和向量+特征分解+奇異值分解+Moore-Penrose 偽逆+跡運算+行列式+實例：主成分分析）

第三章：概率和信息論（為什麼要使用概率？+隨機變量+概率分佈+邊緣概率+條件概率+條件概率的鏈式法則+獨立性和條件獨立性+期望、方差和協方差+常用概率分佈+常用函數的有用性質+貝葉斯規則+連續型變量的技術細節+信息論+結構化概率模型）

第四章：數值計算（上溢和下溢+病態條件+基於梯度的優化方法+約束優化+實例：線性最小二乘）

第五章：機器學習基礎（學習算法+容量、過擬合和欠擬合+超參數和驗證集+估計、偏差和方差+最大似然估計+貝葉斯統計+監督學習算法+無監督學習算法+隨機梯度下降+構建機器學習算法+促使深度學習發展的挑戰）

第二部分 深度學習：現代實踐

第六章：深度前饋網絡（實例：學習 XOR+基於梯度的學習+隱藏單元+架構設計+反向傳播和其他的微分算法+歷史小記）

第七章：深度學習中的正則化（參數范數懲罰+作為約束的范數懲罰+正則化和欠約束問題+數據集增強+噪聲魯棒性+半監督學習+多任務學習+提前終止+參數綁定和參數共享+稀疏表示+Bagging 和其他集成方法+Dropout+對抗訓練+切面距離、正切傳播和流形正切分類器）

第八章：深度模型中的優化（學習和純優化有什麼不同+神經網絡優化中的挑戰+基本算法+參數初始化策略+自適應學習率算法+二階近似方法+優化策略和元算法）

第九章：卷積網絡（卷積運算+動機+池化+卷積與池化作為一種無限強的先驗+基本卷積函數的變體+結構化輸出+數據類型+高效的卷積算法+隨機或無監督的特征+卷積網絡的神經科學基礎+卷積網絡與深度學習的歷史）

第十章：系列模型：循環和遞歸網絡（展開計算圖+循環神經網絡+雙向 RNN+基於編碼-解碼的序列到序列架構+深度循環網絡+遞歸神經網絡+長期依賴的挑戰+回聲狀態網絡+滲漏單元和其他多時間尺度的策略+長短期記憶和其他門控 RNN+優化長期依賴+外顯記憶）

第十一章：實踐方法論（性能度量+默認的基準模型+決定是否收集更多數據+選擇超參數+調試策略+示例：多位數字識別）

第十二章：應用（大規模深度學習+計算機視覺+語音識別+自然語言處理+其他應用）

第三部分：深度學習研究

第十三章：線性因子模型（概率 PCA 和因子分析+獨立成分分析+慢特征分析+稀疏編碼+PCA的流形解釋）

第十四章：自編碼器（欠完備自編碼器+正則自編碼器+表示能力、層的大小和深度+隨機編碼器和解碼器+去噪自編碼器+使用自編碼器學習流形+收縮自編碼器+預測稀疏分解+自編碼器的應用）

第十五章：表示學習（貪心逐層無監督預訓練+遷移學習和領域自適應+半監督解釋因果關系+分佈式表示+得益於深度的指數增益+提供發現潛在原因的線索）

第十六章：深度學習中的結構化概率模型（非結構化建模的挑戰+使用圖描述模型結構+從圖模型中采樣+結構化建模的優勢+學習依賴關系+推斷和近似推斷+結構化概率模型的深度學習方法）

第十七章：蒙特卡羅方法（采樣和蒙特卡羅方法+重要采樣+馬爾可夫鏈蒙特卡羅方法+Gibbs 采樣+不同的峰值之間的混合挑戰）

第十八章：直面配分函數（對數似然梯度+隨機最大似然和對比散度+偽似然+得分匹配和比率匹配+去噪得分匹配+噪聲對比估計+估計配分函數）

第十九章：近似推斷（把推斷視作優化問題+期望最大化+最大後驗推斷和稀疏編碼+變分推斷和變分學習+學成近似推斷）

第二十章：深度生成模型（玻爾茲曼機+受限玻爾茲曼機+深度信念網絡+深度玻爾茲曼機+實值數據上的玻爾茲曼機+卷積玻爾茲曼機+用於結構化或序列輸出的玻爾茲曼機+其他玻爾茲曼機+通過隨機操作的反向傳播+有向生成網絡+從自編碼器采樣+生成隨機網絡+其他生成方案+評估生成模型+結論）

如果大傢在學習人工智能的路上有所困惑，也可和迪迦交流，並且以下整理的學習路線圖、資料筆記。

內含：

• ①人工智能學習路線
• ②兩大框架TensorFlow、pytorch理論+實戰視頻教程，以及深度學習、Python入門、數學基礎、神經網絡、圖像處理、NLP等等幾乎包含所有必學的視頻教程、項目、代碼、論文
• ③熱門電子書籍+國外（斯坦福、吳恩達等大佬教程）+論文合集

學習路線圖

二、結尾

我相信隻要學習就會有回報，最難的是能否堅持下去，結果是美好的，過程是痛苦的。

但！如果我們轉變一下心態，也許就不一樣瞭。

不知道大傢有沒有看過“心流”這本書，達到心流狀態就會感到快樂。和自己技能相當的目標、自身喜愛、有及時的反饋，這樣的話就會從努力驗證目標的重要性，轉換為目標驗證努力的重要性，你就會發現，其實享受過程才是最美好的。

最後，如果大傢需要深度學習花園書中文電子版可以si心我【花書】可huo得！文章中提及的資料、學習路線圖也可一同huo qu！