还未被超越的两本深度学习，一本用来入门，一本用来进阶

###入门深度学习请看《动手学深度学习》

####入门优势： 书的每一章用文字、数学、图示和代码来多方面介绍一个知识点。它是一个Jupyter记事本，可以独立运行。包含20个左右的文字和代码块，可以15分钟左右读完。

源文件是Markdown，不保存执行输出，并开源在Github上。这样方便更多人贡献和改动审阅，同时可以很容易的不断加新章节。

任何改动都会触发持续集成服务重新执行记事本来获得执行输出，这样保证代码的正确性。一个记事本的执行时间控制在不超过十分钟。这对展示复杂模型的训练颇为挑战。

执行无误后直接用三种格式发布在网上：含有执行输出的Jupyter记事本，可以直接浏览的HTML，和适合打印的PDF。

可以像LaTeX那样方便的索引图、表、公式和文献。

每一章都有可以讨论的链接。

####内容和结构 本书内容大体可以分为3个部分。

第一部分（第1章~第3章）涵盖预备工作和基础知识。第1章介绍深度学习的背景。第2章提供动手学深度学习所需要的预备知识，例如，如何获取并运行本书中的代码。第3章包括深度学习最基础的概念和技术，如多层感知机和模型正则化。如果读者时间有限，并且只想了解深度学习最基础的概念和技术，那么只需阅读第一部分。

第二部分（第4章~第6章）关注现代深度学习技术。第4章描述深度学习计算的各个重要组成部分，并为实现后续更复杂的模型打下基础。第5章解释近年来令深度学习在计算机视觉领域大获成功的卷积神经网络。第6章阐述近年来常用于处理序列数据的循环神经网络。阅读第二部分有助于掌握现代深度学习技术。

第三部分（第7章~第10章）讨论计算性能和应用。第7章评价各种用来训练深度学习模型的优化算法。第8章检验影响深度学习计算性能的几个重要因素。第9章和第10章分别列举深度学习在计算机视觉和自然语言处理中的重要应用。这部分内容读者可根据兴趣选择阅读。

图0-1描绘了本书的结构，其中由A章指向B章的箭头表明A章的知识有助于理解B章的内容。

图0-1　本书的结构

###《动手学深度学习 （平装）》

作者：阿斯顿·张（Aston Zhang） 李沐（Mu Li）[美] 扎卡里 C. 立顿（Zachary C. Lipton）[德] 亚历山大 J. 斯莫拉（Alexander J. Smola）

###编辑推荐 - 亚马逊科学家李沐等重磅作品； - 交互式实战环境下动手学深度学习的全新模式，原理与实战完美结合 - 韩家炜/Bernhard Schölkopf/周志华/张潼/余凯/漆远/沈强 联袂推荐 - 加州大学伯克利等全球15 所知名大学用于教学

本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以下载并运行的 Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一起。此外，读者还可以访问并参与书中内容的讨论。

###深度学习进阶当然是深度学习领域圣经“花书”Deep Learning的中文版《学深度学习》

豆瓣评分8.3，649个评价。

该书包括3 个部分，第1 部分介绍基本的数学工具和机器学习的概念，它们是深度学习 的预备知识。第2 部分系统深入地讲解现今已成熟的深度学习方法和技术。第3 部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。因此，该书适用于不同层次的读者。我本人在阅读该书时受到启发良多，大有裨益，并采用该书作为教材在北京大学讲授深度学习课程。

这是一本涵盖深度学习技术细节的教科书，它告诉我们深度学习集技术、科学与艺术于一体，牵涉统计、优化、矩阵、算法、编程、分布式计算等多个领域。书中同时也蕴含了作者对深度学习的理解和思考，处处闪烁着深刻的思想，耐人回味。

本书面向的读者及内容结构

本书对各类读者都有一定的用处，但主要是为两类受众而写的。其中，一类受众是学习机器学习的大学生(本科或研究生)，包括那些已经开始职业生涯的深度学习和人工智能研究者。另一类受众是没有机器学习或统计背景，但希望能快速地掌握这方面知识，并在他们的产品或平台中使用深度学习的软件工程师。现已证明，深度学习在许多软件领域都是有用的，包括计算机视觉、语音和音频处理、自然语言处理、机器人技术、生物信息学和化学、电子游戏、搜索引擎、网络广告和金融。

为了更好地服务各类读者，我们将本书组织为3个部分。第1部分介绍基本的数学工具和机器学习的概念。第2部分介绍最成熟的深度学习算法，这些技术基本上已经得到解决。第3部分讨论某些具有展望性的想法，它们被广泛地认为是深度学习未来的研究重点。

读者可以随意跳过不感兴趣或与自己背景不相关的部分。熟悉线性代数、概率和基本机器学习概念的读者可以跳过第1部分。若读者只是想实现一个能工作的系统，则不需要阅读超出第2部分的内容。为了帮助读者选择章节，图1.6给出了本书高层组织结构的流程图。

###深度学习[Deep Learning]

作者：【美】Ian Goodfellow（伊恩·古德费洛）, 【加】Yoshua Bengio（约书亚·本吉奥）, 【加】Aaron Courville（亚伦·库维尔） 译者：赵申剑, 黎彧君, 李凯, 符天凡

• AI圣经！深度学习领域奠基性的经典畅销书！

• 所有数据科学家和机器学习从业者的bi读图书！

• 特斯拉CEO埃隆·马斯克等国内外众多专家推jian！

本书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，本书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。

封面特色：由艺术家DanielAmbrosi提供的中央公园杜鹃花步道梦幻景观。在Ambrosi的亿级像素全景图上，应用JosephSmarr（Google）和ChirsLamb（NVIDIA）修改后的GoogleDeepDream开源程序，创造了DanielAmbrosi的“幻景”。

本文转载自异步社区。

原文链接：https://www.epubit.com/articleDetails?id=NN4b97f08f-a754-431a-a094-6d31670fb292