本书以系统性地介绍深度学习理论和相关技术应用为目标，对框架实现及多种深度学习模型进行了详细讲解，并且在介绍计算机图形学（CV）和自然语言处理（NLP）任务之外，还会对科学研究、城市监测等方面的范例应用进行讲解。本书知识全面、实用，共10章，内容包括深度学习数学基础，深度学习基础模型（全连接网络、卷积神经网络、循环神经网络和Transformer等）和实现，多场景多领域最佳实践，模型优化、加速与部署等。本书配套有完整的案例源码，获取方式见封底。 本书适合有数据分析需求的技术人员、科研人员，以及互联网数据分析人员阅读，还可以作为深度学习培训班及相关专业研究生的教学参考用书。

前言
第1章 深度学习方法概述
1.1 阅读本书前需要的准备工作
1.2 机器学习方法的定义
1.3 为什么要使用机器学习方法
1.4 深度学习方法的产生与发展
1.5 深度学习应用领域与发展前景
1.6 如何开始学习
1.7 本书的章节编排
1.8 总结
第2章 深度学习的数学基础
2.1 深度学习中的线性代数
2.1.1 机器学习中的数据与矩阵
2.1.2 矩阵的运算
2.1.3 图像的矩阵格式
2.1.4 文本的矩阵格式
2.2 优化算法
2.2.1 求一元函数的极小值问题
2.2.2 多元函数求导与梯度下降法
2.2.3 使用PyTorch进行的求导和优化
2.2.4 方程求解与欠定问题和正则化
2.2.5 再论双十一预测问题与超定问题
2.3 概率与统计
2.3.1 概率、条件概率与贝叶斯理论
2.3.2 极大似然估计与大后验估计
2.4 总结
第3章 深度学习基础模型和实现：全连接网络
3.1 逻辑回归算法
3.1.1 数据和模型
3.1.2 交叉熵损失函数
3.1.3 小批量梯度下降法
3.1.4 正则化影响
3.2 训练集、验证集、测试集及精度评价标准
3.2.1 分类问题精度评价标准
3.2.2 回归问题精度评价标准
3.2.3 过拟合和欠拟合问题
……
第4章 深度学习基础模型和实现：卷积神经网络
第5章 深度学习基础模型和实现：循环神经网络和Transformer
第6章 深度学习基础模型和实现：深层设计和优化结构
第7章 信号和图形学应用
第8章 自然语言和时序数据处理类应用
第9章 图像、信号、文本等跨模态转换
第10章 深度学习模型压缩与加速