作为一本讲解人工神经网络原理的图书，《深入浅出人工神经网络》旨在让读者在短的时间内对这些原理知识有一个清晰明了的认识和理解。
《深入浅出人工神经网络》总共分为3部分，总计9章。第1部分讲解了人工神经网络的源头—生物神经网络的基础知识，第2部分讲解了学习人工神经网络的数学知识，第3部分讲解了几种常见而典型的人工神经网络模型，比如感知器、多层感知器、径向基函数神经网络、卷积神经网络、循环神经网络等。
《深入浅出人工神经网络》写作风格简洁明快，深入浅出，特别适合对人工神经网络/人工智能感兴趣的入门级读者。本书只聚焦原理性知识的讲解，不涉及编程实现，即使对程序编码尚不熟悉的读者也可以轻松阅读理解。本书还可用作高等院校以及相关培训机构的教学或参考用书。

中国人工智能学会副理事长焦李成先生推荐
中国信息通信研究院云计算与大数据研究所所长 何宝宏博士作序推荐
源自前华为技术专家的集大成之作
人工神经网络的大师级学院派作品
聚焦于原理讲解 不涉及编码实现 旨在传授纯粹的人工神经网络知识

近年来，人工神经网络又一次成为了人工智能领域的研究热点。随着研究工作的不断深入，人工神经网络在图像识别、语音识别、自动语言处理、自动控制、数据挖掘、预测估计以及生物、医学、经济等领域取得了越来越多令人惊叹的成功应用。
本书采用了浅显易懂、简洁明快的风格来讲解人工神经网络的原理性知识，其内容涵盖了生物神经元的基础知识、关键的数学知识点，以及多种常见而典型的人工神经网络模型，如感知器（Perceptron）、多层感知器（MLP）、径向基函数神经网络（RBFNN）、卷积神经网络（CNN）、循环神经网络（RNN）等。
本书旨在让读者在短时间内对人工神经网络的工作原理有一个清晰明了的认识和理解。本书只聚焦原理性知识的讲解，不涉及编程实现，即使对程序编码尚不熟悉的读者也可以轻松阅读理解。

江永红博士，生于1965年，1981~1985年就读于四川大学无线电电子学专业，获学士学位；1985~1988年就读于中国空间技术研究院通信与电子系统专业，获硕士学位；1988~1992年就读于西安电子科技大学通信与电子系统专业，获博士学位，主要研究人工神经网络在模糊控制系统中的应用；1992~1995年于华南理工大学进行博士后研究工作，其间申请并主持了国家自然科学基金项目“基于神经网络的谱估计方法”。
20世纪90年代中后期，江永红博士于新西兰梅西大学开设并讲授人工神经网络课程。20世纪90年代末期，入职华为技术有限公司，长期从事技术研发及培训工作，曾担任华为HCIE面试主考官，以及华为ICT技术认证系列书籍的审稿人。
在他编写的《HCNA网络技术学习指南》一书中，华为全球培训与认证部部长这样评价：“江永红博士在华为工作近20年，现为华为技术专家，且之前于国内外高校从事过多年的教学工作，对于知识的学习及传授方法有着深刻的领悟……”
江永红博士目前为YESLAB讲师，专门致力于人工神经网络、深度学习原理及应用的教学活动和知识普及工作。

第 1章　背景知识 1
1．1　什么是智能 /　1
1．2　大脑与神经元 /　2
1．3　关于人工智能/机器学习/神经网络/深度学习 /　7
第　2章 函数　10
2．1　函数的极限 /　10
2．2　函数的连续性 /　13
2．3　导数 /　14
2．4　凹凸性与拐点 /　21
2．5　极值与驻点 /　23
2．6　曲率 /　25
2．7　二元函数 /　27
第3章　梯度　34
3．1　矢量的概念 /　34
3．2　矢量的运算 /　35
3．3　矢量与坐标 /　37
3．4　方向角与方向余弦 /　39
3．5　矢量的数量积 /　40
3．6　函数的梯度 /　42
第4章　矩阵　50
4．1　矩阵的概念及运算 /　50
4．2　矩阵的初等变换 /　54
4．3　矢量的矩阵表示法 /　57
4．4　矩阵的秩 /　58
4．5　矩阵的逆 /　63
4．6　从标量函数到矩阵函数 /　69
第5章　MCP模型及感知器（Perceptron）　80
5．1　MCP模型 /　80
5．2　模式识别初探 /　84
5．3　感知器 /　88
5．4　凸集与单层感知器 /　94
5．5　XOR问题 /　98
第6章　多层感知器（MLP）　100
6．1　纵向串接 /　100
6．2　MLP的基本架构 /　102
6．3　BP算法 /　108
6．4　梯度下降法 /　120
6．5　极小值问题 /　121
6．6　学习率 /　123
6．7　批量训练 /　125
6．8　欠拟合与过拟合 /　127
6．9　容量 /　128
6．10　拓扑 /　130
6．11　收敛曲线 /　132
6．12　训练样本集 /　133
6．13　权值连接方式 /　135
第7章　径向基函数神经网络（RBFNN）　137
7．1　插值的概念 /　137
7．2　RBF /　141
7．3　从精确插值到RBFNN /　148
7．4　Cover定理 /　151
7．5　空间分割问题 /　154
7．6　训练策略 /　156
第8章　卷积神经网络（CNN）　157
8．1　卷积运算与相关运算 /　157
8．2　卷积核与特征映射图 /　188
8．3　CNN的一般结构 /　195
8．4　三种思想 /　207
8．5　边界策略 /　209
8．6　池化 /　211
8．7　CNN网络实例 /　214
8．8　Hubel-Wiesel实验 /　225
第9章　循环神经网络（RNN）　228
9．1　N-Gram模型 /　228
9．2　RNN示例 /　232
9．3　单向RNN /　237
9．4　BPTT算法 /　240
9．5　填空问题 /　255
9．6　双向RNN /　263
9．7　梯度爆炸与梯度消失 /　265
9．8　LSTM /　269
结束语　278