我在阅读认知心理学的书时，其中提到了神经网络研究范式-把人脑看做神经元构成的网络来进行研究。碰巧又知道机器学习中有神经网络算法，就一直好奇这样一种生物结构如何在程序中体现。经过一个简单的利用神经网络识别手写数字的程序让你对其思想和用法有深刻的理解。真的很好玩啊！这也是我机器学习方面的第一本书，打算之后再这方面深刻挖掘。仅仅由于--真的好好玩啊！python
神经网络的名字很唬人，其实概念挺朴素的，是由含一个输入层一个输出层和若干隐藏层构成的有向无环图（这名字也唬人），看图像一目了然，为啥叫隐藏层呢，就是由于和输入输出不要紧，看不见，有点儿神秘。每层的每一个结点借助生物的概念称为神经元，各层之间神经元相互连接。算法训练包含两个阶段：输入向输出传送叫前向馈送信号，输出向输入传送叫反向偏差传播。把输入前馈计算获得输出，把输出与目标值比对计算偏差，把偏差反向传播修正连接权重。git
推荐很是适合入门神经网络编程的一本书《Python神经网络编程》，主要是三部分： 介绍神经网络的基本原理和知识；用Python写一个神经网络训练识别手写数字；对识别手写数字的程序的一些优化。github
清晰易懂，只用了一点数学，就把神经网络的构造和原理讲得很清楚。讲完理论，做者在书的第二部分进入实践，一步步编写了一段应用神经网络模型识别手写数字的代码，几乎每一步都伴有详细讲解。我的感受是，若是预先有一点点python的知识，会更容易理解这些代码。第三部分篇幅不长，主要是在某些方面略做延伸，意图应该是但愿激发读者进一步探究的兴趣。书中的计算和公式偶有小错误，基本都能经过上下文发现。算法
《Python神经网络编程》中文PDF+英文PDF+源代码编程
中文PDF，255页，带书签，彩色配图，文字能够复制；英文pdf，207页，带目录，彩色配图，文字能够复制；配套源代码。网络
下载: https://pan.baidu.com/s/1__Gvf950IP3JyaLrxmVFWA框架
提取码: cbrj机器学习
神经网络就是给定输入，通过一些处理，获得输出。当不知道具体的运算处理方式时，尝试使用模型来估计其运做方式，在这个过程当中能够基于模型输出和已知真实实例之间的比较来获得偏差、调整参数。常见的神经网络模型包括分类器和预测器。分类器是将已有数据分开；预测是根据给定输入，给出预测的输出。本质上没有太大差异。在分类过程当中其实就是要找到线分开各组数据，关键就是肯定这条线，也就是肯定斜率。函数
我认为，学习神经网络的重点不是学习如何使用一些特定神经网络库，神经网络库常常变化，深度学习工具常常更新。重点在于要领悟让神经网络工做的原理。技术来来去去，但原理是永恒的。工具
经过学习解决一个具体的问题，如教会计算机识别手写数字的问题，来学习神经网络和深度学习的核心理论。这个问题用常规的方法法来编程解决是很是困难的。然而，正如咱们所看到的，它能够很好地利用一个简单的神经网络来解决，只需几十行代码，没有特别的库。更多的是，咱们会经过屡次迭代来改进程序，逐步融入神经网络和深度学习的核心思想。
《神经网络与深度学习（美）Michael Nielsen 著》中文PDF+英文PDF+源代码
中文版PDF，206页，带书签目录；英文版PDF，292页，带书签目录；配套源代码。
下载: https://pan.baidu.com/s/1lxUtOSeyH-GuxFPb5Eb2oQ
提取码: mc5m
神经网络和深度学习给出了在图像识别、语义识别和NLP领域中不少问题的最好解决方案。本书将会教你在神经网络和深度学习背后的众多核心概念。
神经网络是计算智能和机器学习的重要分支，在诸多领域都取得了很大的成功。《神经网络与机器学习》结合近年来神经网络和机器学习的最新进展，从理论和实际应用出发，全面、系统地介绍了神经网络的基本模型、方法和技术，并将神经网络和机器学习有机地结合在一块儿。注重对数学分析方法和理论的探讨，也很是关注神经网络在模式识别、信号处理以及控制系统等实际工程问题的应用。举重若轻地对神经网络的基本模型和主要学习理论进行了深刻探讨和分析，经过大量的试验报告、例题和习题来帮助更好地学习神经网络。
《神经网络与机器学习第3版》中文PDF，598页，带目录；英文PDF，937页，带目录。
下载: https://pan.baidu.com/s/1s3M9o5kV-sckvOOHcQ_HCg
提取码: qe6r
包含 基于随机梯度降低的在线学习算法；小规模和大规模学习问题。2. 核方法，包括支持向量机和表达定理。信息论学习模型，包括链接、独立份量分析（ICA）、一致独立份量分析和信息瓶颈。 随机动态规划，包括逼近和神经动态规划。逐次状态估计算法，包括卡尔曼和粒子滤波器。利用逐次状态估计算法训练递归神经网络。 富有洞察力的面向计算机的试验。
“花书“《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠定性的经典教材。我的以为github上的中文版翻译的不错，有700多页，深度学习入门经典书籍，前几章的数学基础介绍的至关不错。第一部分基本就是统计学习最基础的线性代数，几率论等，第4章值得一读，讲了些数值分析里常涉及的几个概念(Poor Conditioning, Optimization method)。第5章介绍了Machine Learning各个算法。严格的数学推导较少。第二部分第7章讲的正则化(Regularization)，第8章的优化方法(Optimization)和11章的方法论是任何模型都离不开的。将(基本)全部正则化方法放到一块儿讲解并作横向比较。根据我的经验详细阐述了各类状况下对应方法选择。9,10,12章讲的是如今比较成熟的模型及其应用。第三部分讲的是深度学习领域比较活跃的科研问题。判别式模型(discriminative model)减小而生成式模型(generative model)增多就能够看出主流的研究方向。19章讲的EM算法，MAP，Sparse Coding都是Inference里重中之重。
“花书“《深度学习》中文PDF和英文PDF，中文PDF，带目录，文字能复制；英文PDF，带目录，文字能复制；
下载: https://pan.baidu.com/s/1szXe5K1uBpv06v3ESyd3Cw
提取码: sw6k
动手学深度学习交付有关深度学习的交互式学习体验。不只阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不一样，每一节都是一个能够下载并运行的 Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一块儿。此外，还能够访问并参与书中内容的讨论。分为3个部分：第一部分介绍深度学习的背景，提供预备知识，并包括深度学习最基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和天然语言处理中的重要应用。
《动手学深度学习》 PDF代码+《神经网络与深度学习 》PDF，《动手学深度学习(李沐等著)》 中文PDF，530页，带书签，文字能够复制。配套源代码；《神经网络与深度学习 (吴岸城)著》中文PDF，233页，带书签目录。
下载: https://pan.baidu.com/s/1Ji3gxgbl6wRCkoq_AP-kaw
提取码: 1qjc
PyTorch是一个基于Python的深度学习平台，该平台简单易用上手快，从计算机视觉、天然语言处理再到强化学习，PyTorch的功能强大，支持PyTorch的工具包有用于天然语言处理的Allen NLP，用于几率图模型的Pyro，扩展了PyTorch的功能。经过学习《深度学习入门之PyTorch》，能够从机器学习和深度学习的基础理论入手，从零开始学习 PyTorch，了解 PyTorch 基础，以及如何用 PyTorch 框架搭建模型。学到机器学习中的线性回归和 Logistic 回归、深度学习的优化方法、多层全链接神经网络、卷积神经网络、循环神经网络，以及生成对抗网络，最后经过实战了解深度学习前沿的研究成果，以及 PyTorch 在实际项目中的应用。
《PyTorch深度学习实战》《深度学习之Pytorch》+代码
《深度学习之Pytorch廖星宇》PDF，232页，带书签，文字可复制。《PyTorch深度学习实战侯宜军著）》PDF，121页，带书签，文字能够复制；配套源代码。
下载: https://pan.baidu.com/s/1xPLGesq9GdKRaida9K94sg
提取码: brhy
《PyTorch深度学习实战侯宜军著》第1章是Pytorch简介和环境搭建；第2～8章是Keras的软件框架说明，包含了层的说明，优化器和损失函数等；第9～10章重点介绍了深度学习中的卷积和池化的概念；第11～12章是介绍用神经网络模型搭建图像识别系统的实战经验；第13～16章介绍如何使用LSTM模型来处理天然语言。
PyTorch和Tensorflow，Keras，Theano等其余深度学习框架都不一样，它是动态计算图模式，其应用模型支持在运行过程当中根据运行参数动态改变，而其余几种框架都是静态计算图模式，其模型在运行以前就已经确
TensorFlow是谷歌2015年开源的主流深度学习框架，目前已获得普遍应用。《TensorFlow：实战Google深度学习框架第2版》为TensorFlow入门参考书，帮助快速、有效的方式上手TensorFlow和深度学习。书中省略了烦琐的数学模型推导，从实际应用问题出发，经过具体的TensorFlow示例介绍如何使用深度学习解决实际问题。书中包含深度学习的入门知识和大量实践经验，是走进这个前沿、热门的人工智能领域的优选参考书。
第2版将书中全部示例代码从TensorFlow 0.9.0升级到了TensorFlow 1.4.0。在升级API的同时，第2版也补充了更多只有TensorFlow 1.4.0才支持的功能。另外，第2版还新增两章分别介绍TensorFlow高层封装和深度学习在天然语言领域应用的内容。适用于想要使用深度学习或TensorFlow的数据科学家、工程师，但愿了解深度学习的大数据平台工程师，对人工智能、深度学习感兴趣的计算机相关从业人员。
《TensorFlow实战Google深度学习框架 第2版 》中文PDF和代码，《TensorFlow实战Google深度学习框架第2版》中文PDF，带目录标签，文字能够复制，363页。配套源代码。
下载: https://pan.baidu.com/s/1qnPtpD4xXDAe4F51lWZC3w
提取码: mcgv
以前读过一些论文，对理论比较熟，因此书的前面很快就学会了。对我这种代码渣很友好，少见的用汉语写的tensorflow好书，良心之做，不少细节都点出来了，而不是造名词式的八股。