|Chapter 01| 導讀

1.1 什麼是深度學習？

1.2 會探討哪些技術？是否會不夠扎實？

1.3 需要哪些預備知識

1.4 深度學習的相關書籍這麼多，為什麼要看這本書？



|Chapter 02| 深度學習基礎理論

2.1 從人腦啟發的深度學習

2.2 什麼是訓練一個神經網路？

2.3 細解預測步驟：輸入、權重、激發

2.4 細解訓練步驟：損失、反向傳播、參數更新

2.5 自我檢驗



|Chapter 03| 深度學習必備實作知識與工具

3.1 Coding前你必須認識的工具

3.2 背考古題不算懂：訓練、測試、驗證集

3.3 幾分能力就做多少事：Overfitting、Underfitting、正則化

3.4 規格統一，做事更有效率：歸一化

3.5 參數初始化有套路

3.6 更優雅的進行優化

3.7 自我檢驗

3.8 參考文獻



|Chapter 04| PyTorch入門

4.1 深度學習框架之亂

4.2 PyTorch安裝

4.3 建立神經網路模型流程概述

4.4 基礎資料形式：Tensor

4.5 Tensor之間的連結網路：計算圖

4.6 PyTorch函數收納箱

4.7 PyTorch優化器

4.8 定義模型架構：Module

4.9 資料集處理

4.10 Hello Deep Learning! MNIST手寫數字辨識實作範例

4.11 自我檢驗



|Chapter 05| 自然語言處理

5.1 讓我著迷的Word2Vec

5.2 詞向量的使用與視覺化

5.3 語言與RNN

5.4 Hello RNN! 中文文本生成實作範例

5.5 打掉重練的勇氣：Google 翻譯與Seq2Seq

5.6 大躍進：注意力機制

5.7 注意力才是王道：Transformer

5.8 Hello Transformer! 二訪中文文本生成實作範例

5.9 再度大躍進：BERT

5.10 Hello BERT! 文字情緒分析實作範例

5.11 小結

5.12 自我檢驗

5.13 參考文獻



|Chapter 06| 電腦視覺

6.1 從ImageNet發起的資料大戰

6.2 圖像與CNN

6.3 文字也有結構，圖像也有序列

6.4 圖像描述生成實作範例

6.5 改變世界的GAN

6.6 字型風格轉換實作分享

6.7 小結

6.8 自我檢驗

6.9 參考文獻



|Chapter 07| 強化學習

7.1 決策與RL

7.2 用RL玩電動：Deep Atari

7.3 Hello RL! CartPole實作範例

7.4 用RL打撞球：DeepCueLearning實作分享

7.5 令世界驚艷的AlphaGo

7.6 小結

7.7 自我檢驗

7.8 參考文獻



|Chapter 08| 結語與解答

8.1 第二章解答

8.2 第三章解答

8.3 第四章解答

8.4 第五章解答

8.5 第六章解答

8.6 第七章解答

|Chapter 01| 導讀
1.1 什麼是深度學習？
1.2 會探討哪些技術？是否會不夠扎實？
1.3 需要哪些預備知識
1.4 深度學習的相關書籍這麼多，為什麼要看這本書？

|Chapter 02| 深度學習基礎理論
2.1 從人腦啟發的深度學習
2.2 什麼是訓練一個神經網路？
2.3 細解預測步驟：輸入、權重、激發
2.4 細解訓練步驟：損失、反向傳播、參數更新
2.5 自我檢驗

|Chapter 03| 深度學習必備實作知識與工具
3.1 Coding前你必須認識的工具
3.2 背考古題不算懂：訓練、測試、驗證集
3.3 幾分能力就做多少事：Overfitting、Underfitting、正則化
3.4 規格統一，做事更有效率：歸一化
3.5 參數初始化有套路
3.6 更優雅的進行優化
3.7 自我檢驗
3.8 參考文獻

|Chapter 04| PyTorch入門
4.1 深度學習框架之亂
4.2 PyTorch安裝
4.3 建立神經網路模型流程概述
4.4 基礎資料形式：Tensor
4.5 Tensor之間的連結網路：計算圖
4.6 PyTorch函數收納箱
4.7 PyTorch優化器
4.8 定義模型架構：Module
4.9 資料集處理
4.10 Hello Deep Learning! MNIST手寫數字辨識實作範例
4.11 自我檢驗

|Chapter 05| 自然語言處理
5.1 讓我著迷的Word2Vec
5.2 詞向量的使用與視覺化
5.3 語言與RNN
5.4 Hello RNN! 中文文本生成實作範例
5.5 打掉重練的勇氣：Google 翻譯與Seq2Seq
5.6 大躍進：注意力機制
5.7 注意力才是王道：Transformer
5.8 Hello Transformer! 二訪中文文本生成實作範例
5.9 再度大躍進：BERT
5.10 Hello BERT! 文字情緒分析實作範例
5.11 小結
5.12 自我檢驗
5.13 參考文獻

|Chapter 06| 電腦視覺
6.1 從ImageNet發起的資料大戰
6.2 圖像與CNN
6.3 文字也有結構，圖像也有序列
6.4 圖像描述生成實作範例
6.5 改變世界的GAN
6.6 字型風格轉換實作分享
6.7 小結
6.8 自我檢驗
6.9 參考文獻

|Chapter 07| 強化學習
7.1 決策與RL
7.2 用RL玩電動：Deep Atari
7.3 Hello RL! CartPole實作範例
7.4 用RL打撞球：DeepCueLearning實作分享
7.5 令世界驚艷的AlphaGo
7.6 小結
7.7 自我檢驗
7.8 參考文獻

|Chapter 08| 結語與解答
8.1 第二章解答
8.2 第三章解答
8.3 第四章解答
8.4 第五章解答
8.5 第六章解答
8.6 第七章解答

|Chapter 01| 導讀

1.1 什麼是深度學習？

1.2 會探討哪些技術？是否會不夠扎實？

1.3 需要哪些預備知識

1.4 深度學習的相關書籍這麼多，為什麼要看這本書？



|Chapter 02| 深度學習基礎理論

2.1 從人腦啟發的深度學習

2.2 什麼是訓練一個神經網路？

2.3 細解預測步驟：輸入、權重、激發

2.4 細解訓練步驟：損失、反向傳播、參數更新

2.5 自我檢驗



|Chapter 03| 深度學習必備實作知識與工具

3.1 Coding前你必須認識的工具

3.2 背考古題不算懂：訓練、測試、驗證集

3.3 幾分能力就做多少事：Overfitting、Underfitting、正則化

3.4 規格統一，做事更有效率：歸一化

3.5 參數初始化有套路

3.6 更優雅的進行優化

3.7 自我檢驗

3.8 參考文獻



|Chapter 04| PyTorch入門

4.1 深度學習框架之亂

4.2 PyTorch安裝

4.3 建立神經網路模型流程概述

4.4 基礎資料形式：Tensor

4.5 Tensor之間的連結網路：計算圖

4.6 PyTorch函數收納箱

4.7 PyTorch優化器

4.8 定義模型架構：Module

4.9 資料集處理

4.10 Hello Deep Learning! MNIST手寫數字辨識實作範例

4.11 自我檢驗



|Chapter 05| 自然語言處理

5.1 讓我著迷的Word2Vec

5.2 詞向量的使用與視覺化

5.3 語言與RNN

5.4 Hello RNN! 中文文本生成實作範例

5.5 打掉重練的勇氣：Google 翻譯與Seq2Seq

5.6 大躍進：注意力機制

5.7 注意力才是王道：Transformer

5.8 Hello Transformer! 二訪中文文本生成實作範例

5.9 再度大躍進：BERT

5.10 Hello BERT! 文字情緒分析實作範例

5.11 小結

5.12 自我檢驗

5.13 參考文獻



|Chapter 06| 電腦視覺

6.1 從ImageNet發起的資料大戰

6.2 圖像與CNN

6.3 文字也有結構，圖像也有序列

6.4 圖像描述生成實作範例

6.5 改變世界的GAN

6.6 字型風格轉換實作分享

6.7 小結

6.8 自我檢驗

6.9 參考文獻



|Chapter 07| 強化學習

7.1 決策與RL

7.2 用RL玩電動：Deep Atari

7.3 Hello RL! CartPole實作範例

7.4 用RL打撞球：DeepCueLearning實作分享

7.5 令世界驚艷的AlphaGo

7.6 小結

7.7 自我檢驗

7.8 參考文獻



|Chapter 08| 結語與解答

8.1 第二章解答

8.2 第三章解答

8.3 第四章解答

8.4 第五章解答

8.5 第六章解答

8.6 第七章解答