人人可懂的深度學習

這本書淺確實做到了淺顯易懂。對於原理有很詳細的圖表展示，圖形展示，然後還有很詳細的這個過程分析。 基本上每個知識點都能看得懂。注意一下神經元的三個階段。最粗的MP神經元y=wx+b, 到後來的感知機出現了這個二值函數作爲激活函數,在現代的神經系統裏面，激活函數變成一個單調可微的函數，這是爲了滿足反向傳播鏈式法則的需要。 在看這本書之前，我其實還看過其他的神經網絡深度學習的書，特別是基於TensorFlow之類的書。但是這本書，內容更容易理解吧，作爲一個簡單的複習式的閱讀，感覺這個思維更清晰了，概念更清晰了。

是一本好書，沒有講深度學習的具體實現方法。但非常清晰透徹的講解了深度學習的原理。其中有很多作者巧妙的比喻，可以感覺到作者對深度學習有自己獨到的思考。但是這並不是一個人人可懂的深度學習教學書籍。

第一次看這本書是23年1月，也是我瞭解深度學習的第1本書。最近剛翻完第二遍。回過頭來看，我覺得我很慶幸我是以這本書爲起點了解深度學習。 這本書不長，意味着它不是一段漫長的馬拉松，對新手來說相對友好。 但是這本書把深度學習，或者主要是神經網絡的幾個主要概念都覆蓋到了∶感知機，多層感知機，激活函數，損失函數。梯度下降，反向傳播。尤其前4個概念，講的很清晰通俗。 然後講一下自己對閱讀本書內容的一些建議 書裏中間有兩章講的卷積神經網絡和循環神經網絡，是對基礎神經網絡的一種延伸，難度較大，比較難通過幾十頁內容去理解。所以其實這兩章閱讀起來感到困難的讀者，可以跳過，先閱讀梯度下降，反向傳播。 梯度下降跟反向傳播是神經網絡的核心概念，但是這兩章沒有講的特別好，單看這兩章要理解可能也不是很容易，但是這兩章對於神經網絡整體知識結構還是很重要的，建議另外再通過網上資料，視頻輔助理解。 總的來說，還是很不錯的一本入門書，希望能被更多人看到。

總體有一個直觀瞭解了，大學微積分都忘的差不多了

挺好的。比較簡單，沒有太多數學公式。5星。

在本書後段部分章節，例如〈神經網絡的訓練〉等，用了部分微積分的名詞，也有使用一些比較複雜的數學式。對於沒有相關數學基礎知識的閱讀者，其實還是不容易理解的。但還是可以讓沒有背景知識的閱讀者，對深度學習有些粗淺的認識。

書如其名，人人可懂。這是我看過的把深度學習概念講得最通俗易懂的書，結合大語言模型來理解核拓展書中概念效果更好，推薦對深度學習感興趣的道友一同閱讀此書，修煉築基。

本書用通俗易懂的文字介紹清楚了深度學習的概念、原理、歷史、當下和未來，沒有艱深的數學公式和推導，可讀性比較強，推薦所有想了解深度學習的入門讀者閱讀。

原理講解挺生動的，果然數學公式背後得看圖講解，有些概念更清楚了，但是後面的梯度下降算法公式還有點繞，需要再多讀幾遍多理解下

一本快速瞭解神經網絡與深度學習的入門讀物。