《深度学习》

这本书讲什么？

三位深度学习奠基者合写的教科书，把神经网络从线性代数、概率论与数值计算讲起，一直推到卷积网络、循环网络、正则化与生成模型。它不追求覆盖面，而是坚持一条原则：先理解数学结构，再理解为什么某些结构在实践中有效。

为什么值得读？

当“深度学习”被简化成调参和堆算力时，这本书提醒你这门技术建立在什么之上：可微分的表示、梯度的传播与统计估计的边界。它的价值在于让你知道模型的假设在哪里，因而知道它会在哪里失败。

核心思想

• 深度学习的核心是把输入逐层变换为更抽象、更可分的表示，而不是手工设计特征。
• 反向传播只是链式法则的高效实现，真正困难的是如何设计出易于优化的深度结构。
• 正则化、数据规模与模型容量之间的张力，决定了泛化能力，而非训练误差。
• 许多实践技巧可以用少数几个数学原理（表示、优化、概率）统一解释。

这本书试图回答什么？

• 为什么深层网络能够学习到有用的表示，而浅层模型不能？
• 在什么条件下，一个在训练集上表现优异的模型会在新数据上失败？

适合谁？

适合已具备线性代数、微积分与概率基础，并希望理解而非仅调用深度学习工具的人。