本书主要内容

本书共包括21章，内容编排如下：

第1～11章主要介绍深度卷积神经相关的项目。其中，第1～3章属于入门章节，主要讨论深度学习中最基础的图像识别问题；第4～7章讨论了其他计算机视觉相关的实践案例，如目标识别、人脸识别、图像风格迁移等；第8～11章介绍了GAN模型和它的几个重要变体。

第12～17章主要介绍RNN、LSTM相关的项目。RNN、LSTM通常用来处理序列型数据，第12章是一个入门章节，会详细介绍RNN和LSTM的原理、实现方法和一个应用实例——Char RNN；第13～17章讨论一些更复杂也更具体的案例，如序列分类、词嵌入表示、时间序列预测、机器翻译等。

第18～21章主要介绍强化学习相关的项目。第18、19章分别介绍了相对简单的QLearning和SARSA算法，第20章和第21章介绍了更复杂的DQN和策略梯度算法。