1.内容选择?：提供全栈式的解决方案 深度学习涉及范围比较广，既有对基础、原理的要求，也有对代码实现的要求。如何在较短时间内快速提高深度学习的水平？如何尽快把所学运用到实践中？这方面虽然没有捷径可言，但却有方法可循。本书基于这些考量，希望能给你提供一站式解决方案。具体内容包括?：机器学习与深度学习的三大基石（线性代数、概率与信息论及数值分析）?；机器学习与深度学习的基本理论和原理?；机器学习与深度学习的常用开发工具（Python、TensorFlow、Keras等）?；TensorFlow的高级封装及多个综合性实战项目等。 2.层次安排?：找准易撕口，快速实现由点到面的突破 我们打开塑料袋时，一般从易撕口开始，这样即使再牢固的袋子也很容易打开。面对深度学习这个“牢固袋子”，我们也可以采用类似方法，找准易撕口。如果没有，就创造一个易撕口，并通过这个易撕口，实现点到面的快速扩展。本书在面对很多抽象、深奥的算法时均采用了这种方法。我们知道BP算法、循环神经网络是深度学习中的两块“硬骨头”，所以我们在介绍BP算法时，先介绍单个神经如何实现BP算法这个易撕口，再延伸到一般情况?；在介绍循环神经网络时，我们也先以一个简单实例为易撕口，再延伸到一般情况。希望这种方式能帮助你把难题化易，把大事化小，把不可能转换为可能。 3.表达形式?：让图说话，一张好图胜过千言万语 机器学习、深度学习中有很多抽象的概念、复杂的算法、深奥的理论，如NumPy的广播机制、梯度下降对学习率敏感、神经网络中的共享参数、动量优化法、梯度消失或爆炸等，这些内容如果只用文字来描述，可能很难达到让人茅塞顿开的效果，但如果用一些图来展现，再加上适当的文字说明，往往能取得非常好的效果，正所谓一张好图胜过千言万语。 除了以上谈到的三个方面，为了帮助大家更好地理解，更快地掌握机器学习、深度学习这些人工智能的核心内容，本书还包含了其他方法，相信阅读本书的读者都能体会到。我们希望通过这些方法或方式带给你不一样的理解和体验，使你感到抽象数学不抽象、深度学习不深奥、复杂算法不复杂、难学的深度学习也易学，这也是我们写这本书的主要目的。 至于人工智能（AI）的重要性，想必就不用多说了。如果说2016年前属于摆事实论证阶段，那么2016年后已进入事实胜于雄辩阶段了，而2018年后应该撸起袖子加油干了。目前各行各业都忙于AI+，给人“忽如一夜春风来，千树万树梨花开”的感觉！