《深度学习》是深度学习领域唯一的综合性图书，全称也叫做深度学习 AI圣经(Deep Learning)，由三位全球知名专家IanGoodfellow、YoshuaBengio、AaronCourville编著，全书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，深度学习全书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型，适用于相关专业的大学生或研究生使用。
《深度学习》可以说是深度学习与人工智能的入门宝典，许多算法爱好者、机器学习培训班、互联网企业的面试，很多都参考这本书。但本书晦涩，加上官方没有提供代码实现，因此某些地方较难理解。本站基于数学推导和产生原理重新描述了书中的概念，并用Python (numpy 库为主) 复现了书本内容（推导过程和代码实现均见pdf文件，重要部分的实现代码也放入code文件夹中）。
然而我水平有限，但我真诚地希望这项工作可以帮助到更多人学习深度学习算法。我需要大家的建议和帮助。如果你在阅读中遇到有误或解释不清的地方，希望可以汇总你的建议，提issue （最好不要一个一个地提）。如果你也想加入这项工作书写中或有其他问题，可以联系我的邮箱：deityrayleigh@gmail.com。
写的过程中参考了较多网上优秀的工作，所有参考资源保存在了reference.txt文件中。
| 中文章节 | 英文章节 | 下载 (含推导与代码实现) |
|---|---|---|
| 第一章 前言 | 1 Introduction | |
| 第二章 线性代数 | 2 Linear Algebra | |
| 第三章 概率与信息论 | 3 Probability and Information Theory | |
| 第四章 数值计算 | 4 Numerical Computation | |
| 第五章 机器学习基础 | 5 Machine Learning Basics | |
| 第六章 深度前馈网络 | 6 Deep Feedforward Networks | |
| 第七章 深度学习中的正则化 | 7 Regularization for Deep Learning | |
| 第八章 深度模型中的优化 | 8 Optimization for Training Deep Models | |
| 第九章 卷积网络 | 9 Convolutional Networks | |
| 第十章 序列建模：循环和递归网络 | 10 Sequence Modeling: Recurrent and Recursive Nets | |
| 第十一章 实践方法论 | 11 Practical Methodology | |
| 第十二章 应用 | 12 Applications | |
| 第十三章 线性因子模型 | 13 Linear Factor Models | |
| 第十四章 自编码器 | 14 Autoencoders | |
| 第十五章 表示学习 | 15 Representation Learning | |
| 第十六章 深度学习中的结构化概率模型 | 16 Structured Probabilistic Models for Deep Learning | |
| 第十七章 蒙特卡罗方法 | 17 Monte Carlo Methods | |
| 第十八章 直面配分函数 | 18 Confronting the Partition Function | |
| 第十九章 近似推断 | 19 Approximate Inference | |
| 第二十章 深度生成模型 | 20 Deep Generative Models |
尚未上传的章节会在后续陆续上传。