本书是深度学习课程的入门教材，从原理、模型、应用3个维度指导读者掌握深度学习技术及应用。本书共3个部分。第1部分为深度学习的基础，包括第1章和第2章，分别介绍了深度学习的基本概念及其和神经网络之间的关系；第2部分为深度学习的框架，包括第3章，介绍了深度学习的主流框架TensorFlow2.0的基本使用；第3部分是深度学习的高级主题，即第4章、第5章和第6章，分别讨论了卷积神经网络、循环神经网络及迁移学习。 全书所讲解的案例均配有代码实现，并对代码进行了详细注解，读者通过对案例代码的学习和实践，可以深入了解全书讲解的内容。本书适合对人工智能、深度学习技术感兴趣的工程技术人员阅读，也适合人工智能、计算机科学技术相关专业的学生学习参考。

第1章 深度学习简介
1.1 深度学习的起源与发展
1.2 深度学习的定义
1.3 深度学习的优势
1.4 深度学习的应用
1.5 深度学习的主流框架
1.5.1 TensorFlow
1.5.2 Pytorch
1.5.3 Deeplearning4j(DL4J)
第2章 神经网络与深度学习
2.1 人脑神经网络
2.2 人工神经网络
2.2.1 感知器
2.2.2 单层神经网络
2.2.3 多层神经网络
2.2.4 激活函数
2.3 走向深度学习
第3章 TensorFlow环境使用
3.1 TensorFlow简介
3.1.1 TensorFlow与Keras的关系
3.1.2 TensorFlow 1.x与TensorFlow 2.x的区别
3.2 TensorFlow基础
3.2.1 张量
3.2.2 变量
3.2.3 计算图
3.3 基于TensorFlow的深度学习建模构建
3.3.1 建模目的
3.3.2 数据处理
3.3.3 模型搭建
3.3.4 模型编译
3.3.5 模型训练
3.3.6 模型验证
3.3.7 模型保存
3.3.8 小结
3.4 基于TensorFlow的手写数字识别
3.4.1 数据简介
3.4.2 数据处理
3.4.3 模型搭建
3.4.4 模型调优
3.4.5 总结
第4章 卷积神经网络
4.1 什么是卷积神经网络
4.2 输入层
4.3 卷积层
4.3.1 填充
4.3.2 步幅
4.4 池化层
4.5 全连接层
4.6 Dropout
4.7 数据增强
4.8 典型卷积神经网络算法
4.8.1 LeNet-5网络
4.8.2 AlexNet
4.8.3 VGG16
4.9 卷积神经网络案例
4.9.1 数据简介
4.9.2 数据处理
4.9.3 模型搭建
4.9.4 总结
第5章 循环神经网络
5.1 什么是循环神经网络
5.2 长短期记忆和门控循环单元
5.2.1 长短期记忆（LSTM）
5.2.2 门控循环单元（GRU）
5.3 双向循环神经网络
5.4 深度循环神经网络案例
5.4.1 准备操作
5.4.2 数据简介
5.4.3 数据处理
5.4.4 网络模型搭建
5.4.5 模型训练
5.4.6 小结
第6章 迁移学习
6.1 什么是迁移学习
6.2 迁移学习的工作原理
6.3 迁移学习的优势
6.4 迁移学习的方法
6.5 微调
6.6 利用迁移学习对花进行分类
6.6.1 准备操作
6.6.2 数据处理
6.6.3 网络模型搭建
6.6.4 模型训练
6.6.5 微调
6.6.6 小结