深度学习全书:公式+推导+代码+TensorFlow全程案例 — 书籍拆解
读到哪:未读。
readState不 是 read/partial 的书不能当锚。
| 项 | |
|---|---|
| 作者 | 洪锦魁 主编；陈昭明 著 |
| 版次 | 待填(版次或出版年) |
| 格式 | epub ｜ 文本源 epub-builtin |
| 许可 | 自购/个人收藏 |
| 来源 | 主人个人藏书,2026-08 放入收件箱 |
| 清洗 | 删页眉页脚 0 行、页码 0 行、断词接回 0 处 |
我们重写的拆解(0 章)
（还没写。拆解是这本书对我们的真正产出——底下的元数据只是索引。）
为什么收它
需要看推导过程时的中文出处。
合法性
自购/个人收藏。来源:主人个人藏书,2026-08 放入收件箱。原始文件不入库,转码文本入库(私有库)。
出版方怎么说
（起草参考,不是我们的判断。真正的「覆盖什么/不覆盖什么」写进 frontmatter 的 claims / notCovered)
出版 方简介(仅供起草参考,不是我们的判断):全书共有15章，分为5部分。 第一篇说明深度学习的概念，包括数理基础，特点是结合编程解题，加深读者印象。 第二篇说明TensorFlow的学习地图，从张量、自动微分、梯度下降乃至神经层的实践，逐步解构神经网络。 第三篇介绍CNN算法、影像应用、转移学习等。 第四篇则进入自然语言处理及语音识别的领域，介绍RNN/BERT/Transformer算法、相关应用等。 第五篇介绍了强化学习的基础知识，包括马尔可夫决策过程、动态规划、蒙特卡洛、Q Learning算法，当然，还有相关案例实践。
它覆盖什么、不覆盖什么
（还没读到能下判断的程度。claims / notCovered 空着就是空着,不猜。)
怎么引用它
(依据: book=shen-du-xue-xi-quan-shu §前言)
章节名对不上会被 lab:validate 拦下;页码锚(§p.123)同样可用。
结构(136 段,共 270k 字符)
| 段 | 章节 | 页 | 规模 |
|---|---|---|---|
| 01 | 内容简介 | — | 0.6k |
| 02 | 作者简介 | — | 0.4k |
| 03 | — | 0.5k | |
| 04 | 前言 | — | 1.7k |
| 05 | 第一篇 深度学习导论 | — | 0.3k |
| 06 | 第1章 深度学习导论 | — | 2.0k |
| 07 | 1-2 AI的学习地图 | — | 0.9k |
| 08 | 1-3 机器学习应用领域 | — | 0.5k |
| 09 | 1-4 机器学习开发流程 | — | 1.2k |
| 10 | 1-5 开发环境安装 | — | 2.5k |
| 11 | 第2章 神经网络原理 | — | 1.4k |
| 12 | 2-2 线性代数 | — | 2.8k |
| 13 | 2-3 微积分 | — | 5.8k |
| 14 | 2-4 概率与统计 | — | 15.2k |
| 15 | 2-5 线性规划 | — | 0.8k |
| 16 | 2-6 普通最小二乘法与最大似然估计法 | — | 2.7k |
| 17 | 2-7 神经网络求解 | — | 3.3k |
| 18 | 第二篇 TensorFlow基础篇 | — | 0.5k |
| 19 | 第3章 TensorFlow架构与主要功能 | — | 0.4k |
| 20 | 3-2 TensorFlow架构 | — | 1.3k |
| 21 | 3-3 张量运算 | — | 2.8k |
| 22 | 3-4 自动微分 | — | 1.4k |
| 23 | 3-5 神经网络层 | — | 1.9k |
| 24 | 第4章 神经网络实践 | — | 0.2k |
| 25 | 4-1 撰写第一个神经网络程序 | — | 8.0k |
| 26 | 4-2 Keras模型种类 | — | 1.4k |
| 27 | 4-3 神经层 | — | 1.6k |
| 28 | 4-4 激活函数 | — | 1.8k |
| 29 | 4-5 损失函数 | — | 1.9k |
| 30 | 4-6 优化器 | — | 2.1k |
| 31 | 4-7 效果衡量指标 | — | 2.1k |
| 32 | 4-8 超参数调校 | — | 1.6k |
| 33 | 5-1 特征转换 | — | 0.6k |
| 34 | 5-2 模型存盘与加载 | — | 0.8k |
| 35 | 5-3 模型汇总与结构图 | — | 0.7k |
| 36 | 5-4 回调函数 | — | 2.8k |
| 37 | 5-5 TensorBoard | — | 2.9k |
| 38 | 5-6 模型部署与TensorFlow Serving | — | 3.3k |
| 39 | 5-7 TensorFlow Dataset | — | 4.2k |
| 40 | 第6章 卷积神经网络 | — | 0.3k |
| 41 | 6-1 卷积神经网络简介 | — | 0.8k |
| 42 | 6-2 卷积 | — | 1.1k |
| 43 | 6-3 各式卷积 | — | 0.8k |
| 44 | 6-4 池化层 | — | 0.4k |
| 45 | 6-5 CNN模型实践 | — | 2.2k |
| 46 | 6-6 影像数据增补 | — | 2.4k |
| 47 | 6-7 可解释的AI | — | 2.5k |
| 48 | 第7章 预先训练的模型 | — | 0.3k |
| 49 | 7-1 预先训练的模型简介 | — | 1.5k |
| 50 | 7-2 采用完整的模型 | — | 1.4k |
| 51 | 7-3 采用部分模型 | — | 1.1k |
| 52 | 7-4 转移学习 | — | 1.6k |
| 53 | 7-5 Batch Normalization说明 | — | 2.7k |
| 54 | 第三篇 进阶的影像应用 | — | 0.3k |
| 55 | 第8章 目标检测 | — | 0.6k |
| 56 | 8-1 图像辨识模型的发展 | — | 0.7k |
| 57 | 8-2 滑动窗口 | — | 0.9k |
| 58 | 8-3 方向梯度直方图 | — | 2.8k |
| 59 | 8-4 R-CNN目标检测 | — | 3.4k |
| 60 | 8-5 R-CNN改良 | — | 2.2k |
| 61 | 8-6 YOLO算法简介 | — | 1.4k |
| 62 | 8-7 YOLO环境配置 | — | 4.4k |
| 63 | 8-8 以TensorFlow实践YOLO模型 | — | 1.2k |
| 64 | 8-9 YOLO模型训练 | — | 4.1k |
| 65 | 8-10 SSD算法 | — | 0.5k |
| 66 | 8-11 TensorFlow Object Detection API | — | 2.9k |
| 67 | 8-12 目标检测的效果衡量指标 | — | 0.5k |
| 68 | 8-13 总结 | — | 0.4k |
| 69 | 第9章 进阶的影像应用 | — | 0.2k |
| 70 | 9-1 语义分割介绍 | — | 0.5k |
| 71 | 9-2 自动编码器 | — | 1.8k |
| 72 | 9-3 语义分割实践 | — | 2.0k |
| 73 | 9-4 实例分割 | — | 1.3k |
| 74 | 9-5 风格转换——人人都可以是毕加索 | — | 3.0k |
| 75 | 9-6 脸部辨识 | — | 6.9k |
| 76 | 9-7 光学文字辨识 | — | 1.7k |
| 77 | 9-8 车牌辨识 | — | 1.4k |
| 78 | 9-9 卷积神经网络的缺点 | — | 0.5k |
| 79 | 第10章 生成对抗网络 | — | 0.7k |
| 80 | 10-1 生成对抗网络介绍 | — | 1.0k |
| 81 | 10-2 生成对抗网络种类 | — | 1.3k |
| 82 | 10-3 DCGAN | — | 2.3k |
| 83 | 10-4 Progressive GAN | — | 1.6k |
| 84 | 10-5 Conditional GAN | — | 1.2k |
| 85 | 10-6 Pix2Pix | — | 2.1k |
| 86 | 10-7 CycleGAN | — | 2.1k |
| 87 | 10-8 GAN挑战 | — | 1.1k |
| 88 | 10-9 深度伪造 | — | 1.8k |
| 89 | 第四篇 自然语言处理 | — | 0.5k |
| 90 | 第11章 自然语言处理的介绍 | — | 0.6k |
| 91 | 11-1 词袋与TF-IDF | — | 1.8k |
| 92 | 11-2 词汇前置处理 | — | 2.9k |
| 93 | 11-3 词向量 | — | 5.2k |
| 94 | 11-4 GloVe模型 | — | 1.3k |
| 95 | 11-5 中文处理 | — | 1.1k |
| 96 | 11-6 spaCy库 | — | 1.7k |
| 97 | 第12章 自然语言处理的算法 | — | 0.3k |
| 98 | 12-1 循环神经网络 | — | 2.0k |
| 99 | 12-2 长短期记忆网络 | — | 2.4k |
| 100 | 12-3 LSTM重要参数与多层LSTM | — | 4.0k |
| 101 | 12-4 Gate Recurrent Unit | — | 0.6k |
| 102 | 12-5 股价预测 | — | 1.6k |
| 103 | 12-6 注意力机制 | — | 3.5k |
| 104 | 12-7 Transformer架构 | — | 2.1k |
| 105 | 12-8 BERT | — | 2.7k |
| 106 | 12-9 Transformers库 | — | 6.1k |
| 107 | 12-10 总结 | — | 0.3k |
| 108 | 第13章 聊天机器人 | — | 0.5k |
| 109 | 13-1 ChatBot类别 | — | 0.8k |
| 110 | 13-2 ChatBot设计 | — | 2.4k |
| 111 | 13-3 ChatBot实践 | — | 0.9k |
| 112 | 13-4 ChatBot工具框架 | — | 5.2k |
| 113 | 13-5 Dialogflow实践 | — | 6.2k |
| 114 | 第14章 语音识别 | — | 0.8k |
| 115 | 14-1 语音基本认识 | — | 4.5k |
| 116 | 14-2 语音前置处理 | — | 4.4k |
| 117 | 14-3 语音相关的深度学习应用 | — | 4.8k |
| 118 | 14-4 自动语音识别 | — | 2.6k |
| 119 | 14-5 自动语音识别实践 | — | 1.4k |
| 120 | 14-6 总结 | — | 0.5k |
| 121 | 第五篇 强化学习 | — | 0.2k |
| 122 | 第15章 强化学习 | — | 0.7k |
| 123 | 15-1 强化学习的基础 | — | 2.6k |
| 124 | 15-2 强化学习模型 | — | 1.7k |
| 125 | 15-3 简单的强化学习架构 | — | 2.0k |
| 126 | 15-4 Gym库 | — | 3.3k |
| 127 | 15-5 Gym扩充功能 | — | 0.8k |
| 128 | 15-6 动态规划 | — | 2.1k |
| 129 | 15-7 值循环 | — | 0.7k |
| 130 | 15-8 蒙特卡洛 | — | 3.1k |
| 131 | 15-9 时序差分 | — | 3.1k |
| 132 | 15-10 其他算法 | — | 0.9k |
| 133 | 15-11 井字游戏 | — | 1.1k |
| 134 | 15-12 木棒小车 | — | 0.5k |
| 135 | 15-13 总结 | — | 0.3k |
| 136 | — | 4.3k |
我们自己的读书笔记(0 篇)
（还没有。读完某章后写进 docs/shen-du-xue-xi-quan-shu/notes/,那才是这本书对我们的产出。）
本页由 node scripts/book-build.mjs 生成:表格来自转码结果,散文来自书卡正文。不要手改本页。