《深入理解神经网络》简介：

本书以神经网络为线索，沿着从线性模型到深度学习的路线讲解神经网络的原理和实现。本书将数学基础知识与机器学习和神经网络紧密结合，包含线性模型的结构与局限、损失函数、基于一阶和二阶信息的优化算法、模型自由度与正则化、神经网络的表达能力、反向传播与计算图自动求导、卷积神经网络等主题，帮助读者建立基于数学原理的较深刻的洞见和认知。本书还提供了逻辑回归、多层全连接神经网络和多种训练算法的Python实现，以及运用TensorFlow搭建和训练多种卷积神经网络的代码实例。

《深入理解神经网络》目录：

第一部分　线性模型
第1章　逻辑回归　　2
1.1　作为一个神经元的逻辑回归　　2
1.2　基础向量几何　　4
1.2.1　向量　　4
1.2.2　向量的和、数乘与零向量　　6
1.2.3　向量的内积、模与投影　　8
1.2.4　线性空间、基与线性函数　　11
1.2.5　直线、超平面与仿射函数　　14
1.3　从几何角度理解逻辑回归的能力和局限　　17
1.4　实例：根据鸟类骨骼判断生态类群　　20
1.5　小结　　24
第2章　模型评价与损失函数　　25
2.1　训练集与测试集　　25
2.2　分类模型的评价　　26
2.2.1　混淆矩阵　　26
2.2.2　正确率　　27
2.2.3　查准率　　27
2.2.4　查全率　　27
2.2.5　ROC曲线　　28
2.3　损失函数　　29
2.3.1　K-L散度与交叉熵　　29
2.3.2　最大似然估计　　31
2.3.3　从几何角度理解交叉熵损失　　33
2.4　小结　　35
第3章　梯度下降法　　36
3.1　多元函数的微分　　36
3.1.1　梯度　　37
3.1.2　方向导数　　40
3.1.3　偏导数　　43
3.1.4　驻点　　43
3.1.5　局部极小点　　44
3.2　梯度下降法　　46
3.2.1　反梯度场　　47
3.2.2　梯度下降法　　49
3.2.3　梯度下降法的问题　　50
3.3　梯度下降法的改进　　52
3.3.1　学习率调度　　52
3.3.2　冲量法　　54
3.3.3　AdaGrad　　55
3.3.4　RMSProp　　56
3.3.5　Adam　　57
3.4　运用梯度下降法训练逻辑回归　　59
3.5　梯度下降法训练逻辑回归的Python实现　　61
3.6　小结　　67
第4章　超越梯度下降　　68
4.1　矩阵　　68
4.1.1　矩阵基础　　68
4.1.2　矩阵的逆　　71
4.1.3　特征值与特征向量　　73
4.1.4　对称矩阵的谱分解　　74
4.1.5　奇异值分解　　76
4.1.6　二次型　　77
4.2　多元函数的局部二阶特性　　79
4.2.1　赫森矩阵　　79
4.2.2　二阶泰勒展开　　79
4.2.3　驻点的类型　　82
4.2.4　赫森矩阵的条件数　　84
4.3　基于二阶特性的优化　　87
4.3.1　牛顿法　　87
4.3.2　共轭方向法　　92
4.4　运用牛顿法训练逻辑回归　　95
4.5　牛顿法训练逻辑回归的Python实现　　98
4.6　小结　　100
第5章　正则化　　102
5.1　概率论回顾　　102
5.1.1　随机变量　　102
5.1.2　多元随机变量　　105
5.1.3　多元随机变量的期望和协方差矩阵　　106
5.1.4　样本均值和样本协方差矩阵　　106
5.1.5　主成分　　108
5.1.6　正态分布　　111
5.2　模型自由度与偏置?方差权衡　　115
5.2.1　最小二乘线性回归　　116
5.2.2　模型自由度　　118
5.2.3　偏置?方差权衡　　119
5.3　正则化　　122
5.3.1　岭回归与L_2正则化　　122
5.3.2　L_2正则化的贝叶斯视角　　125
5.3.3　L_1正则化　　126
5.4　过拟合与欠拟合　　127
5.5　运用L_2正则化训练逻辑回归　　130
5.6　运用L_2正则化训练逻辑回归的Python实现　　132
5.7　小结　　135
第二部分　神经网络
第6章　神经网络　　138
6.1　合作的神经元　　138
6.2　多层全连接神经网络　　142
6.3　激活函数　　145
6.3.1　Linear　　145
6.3.2　Logistic　　146
6.3.3　Tanh　　148
6.3.4　ReLU　　150
6.3.5　Leaky ReLU以及PReLU　　151
6.3.6　SoftPlus　　153
6.4　多分类与SoftMax　　154
6.5　小结　　157
第7章　反向传播　　158
7.1　映射　　158
7.1.1　仿射映射　　158
7.1.2　雅可比矩阵　　159
7.1.3　链式法则　　160
7.2　反向传播　　162
7.2.1　网络的符号表示　　162
7.2.2　原理　　163
7.2.3　实现　　166
7.3　相关问题　　169
7.3.1　计算量　　169
7.3.2　梯度消失　　170
7.3.3　正则化　　170
7.3.4　权值初始化　　170
7.3.5　提前停止　　171
7.4　多层全连接神经网络的Python实现　　173
7.5　小结　　181
第8章　计算图　　183
8.1　计算图模型　　183
8.1.1　简介　　183
8.1.2　多层全连接神经网络的计算图　　187
8.1.3　其他神经网络结构的计算图　　188
8.2　自动求导　　190
8.3　自动求导的实现　　192
8.4　计算图的Python实现　　195
8.5　小结　　214
第9章　卷积神经网络　　215
9.1　卷积　　215
9.1.1　一元函数的卷积　　215
9.1.2　多元函数的卷积　　219
9.1.3　滤波器　　223
9.2　卷积神经网络的组件　　228
9.2.1　卷积层　　228
9.2.2　激活层　　230
9.2.3　池化层　　231
9.2.4　全连接层　　233
9.2.5　跳跃连接　　234
9.3　深度学习的正则化方法　　236
9.3.1　权值衰减　　236
9.3.2　Dropout　　237
9.3.3　权值初始化　　237
9.3.4　批标准化　　238
9.3.5　数据增强　　239
9.4　小结　　239
第10章　经典CNN　　241
10.1　LeNet-5　　241
10.2　AlexNet　　245
10.3　VGGNet　　248
10.4　GoogLeNet　　251
10.5　ResNet　　255
10.6　小结　　257
第11章　TensorFlow实例　　258
11.1　多分类逻辑回归　　258
11.2　多层全连接神经网络　　266
11.3　LeNet-5　　269
11.4　AlexNet　　273
11.5　VGG16　　277
11.6　小结　　280
附录A　CNN与元胞自动机　　281
参考文献　　311
· · · · · ·