1 深度学习简介

 1.1 人工智能、机器学习和深度学习

1.1.1 引言

1.1.2 人工智能、机器学习和深度学习三者的关系

 1.2 神经网络

1.2.1 感知器

1.2.2 激活函数

1.2.3 损失函数

1.2.4 梯度下降和随机梯度下降

1.2.5 反向传播算法简述

1.2.6 其他神经网络

 1.3 学习方法建议

1.3.1 网络资源

1.3.2 TensorFlow官方深度学习教程

1.3.3 开源社区

 1.4 TensorLayer

1.4.1 深度学习框架概况

1.4.2 TensorLayer概括

1.4.3 实验环境配置

2 多层感知器

 2.1 McCulloch-Pitts神经元模型

2.1.1 人工神经网络到底能干什么？到底在干什么

2.1.2 什么是激活函数？什么是偏值

 2.2 感知器

2.2.1 什么是线性分类器

2.2.2 线性分类器有什么优缺点

2.2.3 感知器实例和异或问题（XOR问题）

 2.3 多层感知器

 2.4 实现手写数字分类

 2.5 过拟合

2.5.1 什么是过拟合

2.5.2 Dropout

2.5.3 批规范化

2.5.4 L1、L2和其他正则化方法

2.5.5 Lp正则化的图形化解释

 2.6 再实现手写数字分类

2.6.1 数据迭代器

2.6.2 通过all_drop启动与关闭Dropout

2.6.3 通过参数共享实现训练测试切换

3 自编码器

 3.1 稀疏性

 3.2 稀疏自编码器

 3.3 实现手写数字特征提取

 3.4 降噪自编码器

 3.5 再实现手写数字特征提取

 3.6 堆栈式自编码器及其实现

4 卷积神经网络

 4.1 卷积原理

4.1.1 卷积操作

4.1.2 张量

4.1.3 卷积层

4.1.4 池化层

4.1.5 全连接层

 ……

5 词的向量表达

6 递归神经网络

7 深度增强学习

8 生成对抗网络

9 高级实现技巧

10 实例一：使用预训练卷积网络

11 实例二：图像语义分割及其医学图像应用

12 实例三：由文本生成图像

13 实例四：超高分辨率复原

14 实例五：文本反垃圾

中英对照表及其缩写

参考文献

董豪等编著的《深度学习(一起玩转TensorLayer)》由TensorLayer创始人领衔写作，TensorLayer社区众包完成，作者全部来自一线人工智能研究员和工程师，内容不仅覆盖了传统书籍都有的多层感知器、卷积网络、递归网络及增强学习等，还着重讲解了生成对抗网络、学习方法和实践经验，配有若干产品级别的实例。读者将会从零开始学会目前最新的深度学习技术，以及使用TL实现各种应用。

本书以通俗易懂的方式讲解深度学习技术，同时配有实现方法教学，面向深度学习初学者、进阶者，以及希望长期从事深度学习研究和产品开发的深度学习工程师和TensorFlow用户。

董豪等编著的《深度学习(一起玩转TensorLayer)》对深度学习的最新方法进行了更多的阐述，特别是生成对抗网络方面，该研究方向已在无监督学习方面取得重大突破，并已经开始在产业界产生非常大的影响。本书还介绍及使用了多种新的反卷积方法，如子像素卷积和缩放卷积。

研究深度学习需要做大量的实验，本书在讲解技术的同时传授了很多实验经验。除神经网络外，本书还讲解了数据预处理、数据后加工、训练、服务架设等任务，这些都是搭建整个学习系统和产品的基本工作流。