深度学习正在为广泛的行业带来革命性的变化。对于许多应用来说，深度学习通过做出更快和更准确的预测，证明其已经超越人类的预测。本书提供了自上而下和自下而上的方法来展示深度学习对不同领域现实问题的解决方案。这些应用程序包括计算机视觉、自然语言处理、时间序列预测和机器人。
本书主要内容：
第 1章 编程环境、 GPU计算、云解决方案和深度学习框架 主要包括与环境和 GPU计算相关的信息和方案。对于在不同平台上设置环境有问题的读者来说，这是一个必读内容。
第 2章 前馈神经网络 提供了与前馈神经网络有关的一系列方法，并作为其他章节的基础。本章的重点是为不同网络拓扑常见的实现问题提供解决方案。
第 3章 卷积神经网络 着重介绍卷积神经网络及其在计算机视觉中的应用。它提供了有关 CNN中使用的技术和优化方法。
第 4章 递归神经网络 提供了一系列与递归神经网络相关的方法，包括 LSTM（长短期记忆）网络和 GRU（门控递归神经元）。本章的重点是为循环神经网络的常见的实现问题提供解决方案。
第 5章 强化学习 涵盖强化学习神经网络的各种方法。本章介绍了在单智能体环境中深度强化学习的概念。
第 6章 生成对抗网络 提供了与无监督学习问题相关的一系列方法，这包括图像生成和超分辨率的生成对抗网络。
第 7章 计算机视觉 包含图像编码相关的数据处理方法，如视频帧。将提供使用 Python处理图像数据的经典技术，以及用于图像检测、分
