【導讀】IanGoodfellow、YoshuaBengio、AaronCourville的《深度學習》花書被奉為AI圣經。但是要掌握這本書卻并非易事。MingchaoZhu同學基于數學推導和產生原理重新描述了書中的概念，并用Python (numpy 庫為主) 復現了書本內容，在Github上開放，歡迎大家查看學習。

Deep Learning

《深度學習》是深度學習領域唯一的綜合性圖書，全稱也叫做深度學習 AI圣經(Deep Learning)，由三位全球知名專家IanGoodfellow、YoshuaBengio、AaronCourville編著，全書囊括了數學及相關概念的背景知識，包括線性代數、概率論、信息論、數值優化以及機器學習中的相關內容。同時，它還介紹了工業界中實踐者用到的深度學習技術，包括深度前饋網絡、正則化、優化算法、卷積網絡、序列建模和實踐方法等，并且調研了諸如自然語言處理、語音識別、計算機視覺、在線推薦系統、生物信息學以及視頻游戲方面的應用。最后，深度學習全書還提供了一些研究方向，涵蓋的理論主題包括線性因子模型、自編碼器、表示學習、結構化概率模型、蒙特卡羅方法、配分函數、近似推斷以及深度生成模型，適用于相關專業的大學生或研究生使用。

可以下載《深度學習》的中文版pdf和英文版直接閱讀。

《深度學習》可以說是深度學習與人工智能的入門寶典，許多算法愛好者、機器學習培訓班、互聯網企業的面試，很多都參考這本書。但本書晦澀，加上官方沒有提供代碼實現，因此某些地方較難理解。本站基于數學推導和產生原理重新描述了書中的概念，并用Python (numpy 庫為主) 復現了書本內容（推導過程和代碼實現均見pdf文件，重要部分的實現代碼也放入code文件夾中）。

然而我水平有限，但我真誠地希望這項工作可以幫助到更多人學習深度學習算法。我需要大家的建議和幫助。如果你在閱讀中遇到有誤或解釋不清的地方，希望可以匯總你的建議，提issue （最好不要一個一個地提）。如果你也想加入這項工作書寫中或有其他問題，可以聯系我的郵箱：。

寫的過程中參考了較多網上優秀的工作，所有參考資源保存在了reference.txt文件中。

| 中文章節 | 英文章節 | 下載
(含推導與代碼實現) | | ------------ | ------------ | ------------ | | 第一章 前言 | 1 Introduction | | | 第二章 線性代數 | 2 Linear Algebra | | | 第三章 概率與信息論 | 3 Probability and Information Theory | | | 第四章 數值計算 | 4 Numerical Computation | | | 第五章 機器學習基礎 | 5 Machine Learning Basics | | | 第六章 深度前饋網絡 | 6 Deep Feedforward Networks | | | 第七章 深度學習中的正則化 | 7 Regularization for Deep Learning | | | 第八章 深度模型中的優化 | 8 Optimization for Training Deep Models | | | 第九章 卷積網絡 | 9 Convolutional Networks | | | 第十章 序列建模：循環和遞歸網絡 | 10 Sequence Modeling: Recurrent and Recursive Nets | | | 第十一章 實踐方法論 | 11 Practical Methodology | | | 第十二章 應用 | 12 Applications | | | 第十三章 線性因子模型 | 13 Linear Factor Models | | | 第十四章 自編碼器 | 14 Autoencoders | | | 第十五章 表示學習 | 15 Representation Learning | | | 第十六章 深度學習中的結構化概率模型 | 16 Structured Probabilistic Models for Deep Learning | | | 第十七章 蒙特卡羅方法 | 17 Monte Carlo Methods | | | 第十八章 直面配分函數 | 18 Confronting the Partition Function | | | 第十九章 近似推斷 | 19 Approximate Inference | | | 第二十章 深度生成模型 | 20 Deep Generative Models | |

尚未上傳的章節會在后續陸續上傳。