有人说想要入门深度学习需要有一定的数学基础，有人说学习深度学习要先掌握机器学习，那只懂一点 Python 就想学习深度学习，这可能吗？
答案是可以一试！
深度学习因为涉及到很多复杂的理论知识让很多新手感到迷茫，还有一些人好不容易入门了，但是又缺乏上手实践的机会。所以一本好的深度学习入门教程尤为关键。
深度学习圈内真正意义上的入门书
《深度学习入门：基于Python的理论与实现》
被圈内人称为「鱼书」，目前累计销量已经超过 10 万册，旨在帮助大家解决深度学习入门困难的问题。
这本书
不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络
，不仅将复杂的理论简单化，还提供了上手实践的机会。很多读者评价这本书：“
压倒性的好懂，是真正的深度学习入门书
。
”如果你觉得“
花书
”学起来有点累，不如试试这本！
第一章，Python入门
作为全书的开篇，本章是每
本书都会
有的常规章节，简单介绍了 Python 以及其使用方法，如果你已经掌握了 Python、NumPy、Matplotlib 的相关知识，这章你是完全可以跳过的，直接去读后边的章节。如果你零基础入门的话，建议你从头看起，了解一下 Python 语言的相关内容。
这章会介绍到感知机 （perceptron）这一算法。感知机是由美国学者 Frank Rosenblatt 在 1957 年提出来的。为何我们现在还要学习这一很久以前就有的算法呢？因为感知机也是作为神经网络（深度学习）的起源的算法。因此，学习感知机的构造也就是学习通向神经网络和深度学习的一种重要思想。
第三章，神经网络
这一部分主要介绍神经网络相关知识，神经网络的一个重要性质是它可以自动地从数据中学习到合适的权重参数。这章中首先介绍神经网络的概要，然后重点关注神经网络进行识别时的处理。
第四章，神经网络的学习
这章的主题是神经网络的学习。这里所说的“学习”是指从训练数据中自动获取最优权重参数的过程。为了使神经网络能进行学习，将导入损失函数这一指标。而学习的目的就是以该损失函数为基准，找出能使它的值达到最小的权重参数。为了找出尽可能小的损失函数的值，作者利用了函数斜率的梯度法。
第五章，误差反向传播法
数值微分虽然简单，也容易实现，但缺点是计算上比较费时间。这章会引入一个能够高效计算权重参数的梯度的方法——误差反向传播法。正确理解误差反向传播法，我个人认为有两种方法：一种是基于数学式；另一种是基于计算图（computational graph）。前者是比较常见的方法，机器学习相关的图书中多数都是以数学式为中心展开论述的。因为这种方法严密且简洁，所以确实非常合理，但如果一上来就围绕数学式进行探讨，会忽略一些根本的东西，止步于式子的罗列。因此，这一章希望大家通过计算图，直观地理解误差反向传播法。然后，再结合实际的代码加深理解，相信大家一定会有种“原来如此！”的感觉。
第六章，与学习相关的技巧
这章会介绍神经网络学习中的一些重要观点，主题涉及寻找最优权重参数的最优化方法、权重参数的初始值、超参数的设定方法等。此外，为了应对过拟合，本章还将介绍权值衰减、Dropout 等正则化方法，并进行实现。最后将对近年来众多研究中使用的 Batch Normalization 方法进行简单的介绍。使用本章介绍的方法，可以高效地进行神经网络（深度学习）的学习，提高识别精度。
第七章，卷积神经网络
这部分的主题是卷积神经网络（Convolutional Neural Network，CNN）。CNN 被用于图像识别、语音识别等各种场合，在图像识别的比赛中，基于深度学习的方法几乎都以 CNN 为基础。这章将详细介绍 CNN 的结构，并用 Python 实现其处理内容。
第八章，深度学习
关于神经网络，我们已经学了很多东西，比如构成神经网络的各种层、学习时的有效技巧、对图像特别有效的 CNN、参数的最优化方法等，这些都是深度学习中的重要技术。基于之前介绍的网络，只需通过叠加层，就可以创建深度网络。这章会涉及深度学习的性质、课题和可能性，然后对当前的深度学习进行概括性的说明。
看过内容概览后，想必还不熟悉这本书的小伙伴已经对这本书有了一个大概了解。如果想要真的入门深度学习的话，不仅需要扎实的理论知识，还要有必要的实践。如果你觉得市面上的深度学习图书太深，那不如从这本书开始，慢慢入门！
如果把这本书比作一本关于汽车的书，那么它并不会教你具体的驾驶方法，而是要让你理解汽车的原理。为了让你理解汽车的结构，必须打开汽车的引擎盖，把零件一个一个地拿在手里观察，并尝试操作它们。之后，用尽可能简单的形式提取汽车的本质，并组装汽车模型。通过制造汽车模型的过程，让你感受到自己可以实际制造出汽车，并在这一过程中熟悉汽车相关的技术。就是这本书的目的了！是不是很有趣。
陆宇杰 | 译
豆瓣评分 9.5，本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用 Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。
作译者简介
斋藤康毅（作者）：东京工业大学毕业，并完成东京大学研究生院课程。现从事计算机视觉与机器学习相关的研究和开发工作。是
Introducing Python、Python in Practice、The Elements of Computing Systems、Building Machine Learning Systems with Python
的日文版译者。
陆宇杰（译者）：众安科技 NLP 算法工程师。主要研究方向为自然语言处理及其应用，对图像识别、机器学习、深度学习等领域有密切关注。Python爱好者。
1.2 Python的安装 2
1.3 Python解释器 4
1.4 Python脚本文件 9
1.5 NumPy 11
1.6 Matplotlib 16
2.1 感知机是什么 21
2.2 简单逻辑电路 23
2.3 感知机的实现 25
2.4 感知机的局限性 28
2.5 多层感知机 31
2.6 从与非门到计算机 35
3.1 从感知机到神经网络 37
3.2 激活函数 42
3.3 多维数组的运算 50
3.4 3层神经网络的实现 56
3.5 输出层的设计 63
3.6 手写数字识别 69
4.1 从数据中学习 81
4.2 损失函数 85
4.3 数值微分 94
4.4 梯度 100
4.5 学习算法的实现 109
5.1 计算图 121
5.2 链式法则 126
5.3 反向传播 130
5.4 简单层的实现 135
5.5 激活函数层的实现 139
5.6 Affine/Softmax层的实现 144
5.7 误差反向传播法的实现 154
6.1 参数的更新 163
6.2 权重的初始值 176
6.3 Batch Normalization 184
6.4 正则化 188
6.5 超参数的验证 195
