![深入浅出神经网络与深度学习 - [澳]迈克尔·尼尔森（Michael Nielsen）](https://static.book345.com/covers/s/9787115542090.jpg)
本书深入讲解神经网络和深度学习技术，侧重于阐释深度学习的核心概念。作者以技术原理为导向，辅以贯穿全书的MNIST手写数字识别项目示例，介绍神经网络架构、反向传播算法、过拟合解决方案、卷积神经网络等内容，以及如何利用这些知识改进深度学习项目。学完本书后，读者将能够编写Python代码解决复杂的模式识别问题。
这是一本非常好的深度学习入门书，相信一定会得到大家的喜爱。
——李航
字节跳动科技有限公司人工智能实验室总监、ACL会士、IEEE会士、ACM杰出科学家
这本书从神经网络和深度学习的基本原理入手，详细地解释了神经网络和深度学习的核心概念，兼顾理论和实践，是深入了解神经网络和深度学习的一本好书。
——马少平
清华大学计算机系教授、博士生导师
我从看完第1章开始就被其深入浅出的文字以及清晰的代码实现所吸引。我相信，这本书的正式出版一定会让更多的读者受益。
——车万翔
哈尔滨工业大学计算机科学与技术学院信息检索研究中心教授、博士生导师
这是一本独特且有趣的神经网络入门书，其细致程度基本上做到了手把手教学，非常适合初学者。我期待这本书能照亮更多人的人工智能之路。
——俞扬
南京大学人工智能学院教授、博士生导师
这是一位物理学家写的机器学习书，内容清晰易懂，对神经网络的描述也直观形象，非常适合用来入门神经网络和深度学习。
——邱锡鹏
复旦大学计算机学院教授、博士生导师
这是一本关于神经网络和深度学习的“亲近”易读的书，它将带领你轻松入门人工智能世界。
——张伟楠
上海交通大学计算机科学与工程系副教授、博士生导师
这本不可多得的好书通过丰富的示例和代码实践做到了知行合一。
——王昊奋
同济大学特聘研究员、OpenKG联合创始人
这本量子物理学家笔下的好书以一个个生动的实例驱动你恨不得一口气读完！
——徐涵
华为欧洲研究院高级战略规划经理
- 以MNIST项目贯穿，手把手教你用Python实现神经网络。
- 物理学家视角，用直观方式解释反向传播等核心数学原理。
- 兼顾理论与实战，详细讲解过拟合、正则化及CNN架构。
- 希望系统入门深度学习，且具备基础微积分知识的读者。
- 想深入理解神经网络底层逻辑，而非仅调用框架的开发者。
- 对AI原理感兴趣，能接受一定数学推导和代码实践的爱好者。
- 建议结合原书网站互动内容阅读，体验更直观的学习效果。
- 部分章节翻译晦涩，建议对照英文原版或在线资源辅助理解。
- 书中数学推导详尽，非算法专业读者可略过复杂证明看结论。
- 公认的最佳神经网络入门书之一，概念讲解极其清晰透彻。
- 翻译质量参差不齐，部分读者强烈建议直接阅读英文原版。
- 内容虽薄但精华密集，适合反复研读以构建完整知识体系。
本导读基于书籍简介、目录、原文摘录、短评和书评生成，不等同于全文精读。
- "那么有一个较为可信的理由可以解释为什么用10个输出而非4个：如果有4个输出，那么第1个神经元将设法判断数字的最高有效位是什么。数字的最高有效位于数字形状不容易联系到一起。"
- "With that said, this idea of preferring simpler explanation should make you nervous. People sometimes refer to this idea as "Occam's Razor", and will zealously apply it as though it has the status of some general scientific principle. But, of course, it's not a general scientific principle. There is"
- "The end result is a network which breaks down a very complicated question - does this image show a face or not - into very simple questions answerable at the level of single pixels. It does this through a series of many layers, with early layers answering very simple and specific questions about the"
- "Neural networks are one of the most beautiful programming paradigms ever invented. In the conventional approach to programming, we tell the computer what to do, breaking big problems up into many small, precisely defined tasks that the computer can easily perform. By contrast, in a neural network we"
- "Where does the "softmax" name come from? Suppose we change the softmax function so the output activations are given by aLj=eczLj∑keczLk,(83) where c is a positive constant. Note that c=1 corresponds to the standard softmax function. But if we use a different value of c we get a different function, w"
- "假设神经网络错误地把一个“9”的图像分类为了“8”，我们可以计算如何修改权重和偏置，以使神经网络能够把图像分类为“9”。然后重复这项工作，反复改动权重和偏置来产生更好的输出。神经网络正是通过这种方式进行学习的。"
- "“隐藏”听上去有些神秘，我第一次听到这个词时，以为它涉及某些深奥的哲学或数学涵义，实际上它仅仅意味着“既非输入也非输出”。"
- "相比于神经网络中的输入层和输出层，设计隐藏层堪比艺术创作，尤其是无法将隐藏层的设计流程总结为简单的经验法则。不过，神经网络研究人员已经针对隐藏层提出了许多设计法则，它们有助于控制神经网络的行为，使之符合预期，例如可以利用这些法则估算隐藏层数量和训练神经网络所需的时间。后面会介绍其中几条设计法则。"
