火遍日本 IT 圈的深度学习入门书，你读完了吗？

几个月前，小编借着调查 AI 类技术书市场情况的机会，发现了一本比较特殊的技术书，于是向大家推荐了这本《深度学习入门：基于 Python 的理论与实现》。

说它特殊，是因为在 AI 火热的当下，众多相关书籍跟风出版，不但读者定位很模糊，内容安排上相似性也很大。

而本书的读者定位十分精准，再跟上 Python 语言的加持，让这本技术书受到大众的关注。

原本书是在日本出版，影响力竟超过了实力派的「花书」，长期在日亚 AI 类图书霸榜。第一次在日亚的网站上看到这本书时，完全被评论吸睛了，评论阵容大概是这样的。

被日本网友称为「神本」（即「神作」）的这本深度学习入门书是如何安排内容的？

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。

第二章

感知机

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。

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，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。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

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）。

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。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）。

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

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。

小编读后感

从数据和评论上来分析，此书对于技术图书来讲属于罕见畅销书。一方面反应出深度学习的势头高昂，另一方面也说明这本书的内容确实有吸引人的地方。

我认真翻看一遍本书，跟高深的学术内容相比要容易得很多，即使我这扑街的数学基础也理解了里面大部分的概念与模型。但全部知识点，我却没有能顺利的形成思维导图。

在前两天，虽然提倡独立学习的我，还是做了一次伸手党，拿到了一份比较详实的思维导图，头脑瞬间明朗了。