概述
本书以较为通俗的语言介绍了深度学习的方方面面，从机器学习的基本任务到CNN、RNN，再到残差网络、强化学习、GAN等；讲述时将部分公式用比较通俗的语言进行了解释，便于建立直观的认识；使用TensorFlow工具介绍了手写板、图片分类、自动文本生成等基础学习案例。
本人认为最具特点的一章是第七章解释了一些机器学习中通用的问题，比如归一化、正则化、超参数等等。
##
基础篇
1 机器学习是什么
介绍基本学习基本概念，基本任务的分类包括分类、聚类、回归，以及结合多种任务的综合应用。
2 深度学习是什么
介绍神经网络的基本结构，包括神经元、激活函数等，深度学习的基本概念，并解释了深度学习为什么具备这么强的特性，最后列举了目前基于深度学习的一些商业案例。
3 TensorFlow框架与安装
介绍了TensorFlow框架的特点以及与其他框架的特性比较，并介绍了TensorFlow的集群、可视化、线上部署等高级特性。
原理与实践篇
4 前馈神经网络
首先介绍了导数、梯度下降、凸函数极值求解等基本概念，从线性回归求解入手逐步介绍神经网络的求解过程，在求解过程中解释了数据样本的训练集、验证集以及测试集。
5 手写板识别
基于MNIST数据集，以TensorFlow为工具介绍了手写数字识别案例，介绍了一个机器学习项目的基本流程。
6 卷积神经网络
首先介绍卷积、卷积核、池化、采样等基本概念，讲解了集中典型的CNN网络，包括VGG-16，GoogleNet等，最后使用CIFAR-10数据集进行了图片分类的案例分析。
7 综合问题
总结了在机器学习以及深度学习中的基本概念及其应用特点，包括归一化、正则化、梯度消息问题、参数初始化问题、超参数选取问题等
8 循环神经网络
从隐马尔科夫链入手介绍序列数据处理的模型，讲解了RNN模型的基本结构以及训练过程，由于RNN梯度爆炸和梯度消失的的问题引入了目前业界更加常用的LSTM模型，LSTM模型主要是在RNN模型的基础上增加了状态，这个状态可以通过各种激活函数控制以不同的比例参与到下一个序列的输入，概括来说包括输入遗忘部分、状态更新部分以及输出部分；最后实践了自动文本生成和聊天机器人两个例子。