本书按照从理论到实践，从实践到创造的顺序讲解深度学习领域的知识与技术，代码翔实，公式简单易懂。 本书第1章介绍深度学习的概念和目前的形势，第2章介绍Python编程语言基础，第3章使用Python语言计算极限、导数、级数等数学问题，第4章讲解深度学习的基本原理与PyTorch框架的基本使用，第5章和第6章详细讲述经典网络结构CNN和RCNN，第7~9章介绍自研深度学习框架，并详细讨论之前忽略的深度学习底层实现上的算法和细节，第10章介绍目前机器学习的前沿无监督学习，第11章主要讲解深度学习模型以Web应用形式部署的技术。 本书适合有高等数学基础、希望了解深度学习领域知识和技术的初学者阅读，也可作为相关培训机构的参考用书。

张伟振，主要从事系统架构设计、深度学习在计算机视觉任务中的应用方面的研究，在计算机图形学、大型软件架构设计、后台开发、桌面应用、游戏、Web应用等领域亦有较丰富经验。

前言 深度学习及神经网络算法涵盖较广的计算机和数学领域，如果使用PyTorch、TensorFlow等深度框架，并记住它们的使用规则，可能能够应付大部分的情况并绕过许多细节，但知其然而不知其所以然，显然只是学习深度学习的第一步，通用的深度学习框架并不总是能满足所有的需求，如果要从使用到扩展乃至创造，就需要掌握远比简单使用更多的知识和细节。 得益于PyTorch、TensorFlow等深度学习框架都是开源的，有些时候通过发掘它们的源码来进阶相对简单，例如我想知道PyTorch是如何实现Adam的，可以将光标移到torch.optim.Adam类名上，使用快捷键Ctrl+B或Ctrl+鼠标跳转到声明，便可以发现它调用了torch.optim.functional.adam函数，同样进入torch.optim.functional.adam，在这里可以发现Adam的算法实现。但这种方法并不总是能得到想知道的答案（实际上，大部分时候都无法奏效）。 作为一个成熟的框架，PyTorch 1.7.0的源码已经难以全部阅读（C++/Python代码行数都在十万量级），且出于程序健壮性的考虑，其源码含有不少条件判断语句，对阅读也会造成一定的阻碍，因此对读者而言阅读本书中的代码和解读相比直接阅读深度学习框架的源码应该效率更高。在有自研深度框架的经验后，使用这些成熟框架显然会事半功倍，而且也能知道当它们无法满足要求时如何扩展。 深度学习理论由来已久，但限于计算机的运算速度近几年才被推上风口浪尖。深度学习中的大量运算往往以矩阵或张量为载体，它们的运算有高度的并行性，因此能够在具有许...