逻辑回归是机器学习中使用十分广泛的算法，由于它可以看做一层神经网络，因此也是深度学习的基础。本文详细介绍逻辑回归的基本原理及算法实现，最后介绍一个图像识别领域中的猫问题实例。所有内容都是根据吴恩达coursera课程学习整理后得到，详细信息请学习其课程。

线性回归是机器学习中最为重要的算法之一，简单高效，也是神经网络等非线性模型的基础。本文介绍线性回归、局部加权线性回归、L2/L1约束下回归（分别叫岭回归和Lasso回归），并引用MLiA一书中的程序和例子介绍算法细节和应用场景。

在深度学习中，大多数的应用都是优化神经网络参数。在风格转换中，将是优化图像的像素值。本文利用事先训练好的VGG模型提取图像特征，然后利用隐藏层的特征信息计算内容代价函数和风格代价函数，通过最小化这连个代价函数之和，优化合成图像的像素值，得到风格转换之后的新图像。

本文介绍人脸识别算法，包括如何实现triplet代价函数，用训练好的模型将人脸图像映射为一个128维的编码向量，计算编码向量之间的距离实现人脸鉴定和人脸识别。

本文将介绍一种功能强大的目标检测算法---YOLO算法。详细介绍YOLO算法的工作流程：输入图像经过CNN到编码数据体，再经阈值滤波和非最大值压制（NMS）去除多余的边框，最终得到目标检测结果及坐标。由于YOLO网络训练需要大量带标签数据以及强大计算量，本文使用已经训练好的网络，在Keras框架下，用一个汽车检测的例子展示这种算法的工作机制。

本文将介绍如何构建一种非常深的卷积神经网络，该网络称为剩余网络（ResNets）。理论上讲，非常深的网络可以刻画非常复杂的函数，但是实际上受梯度消失的影响，训练速度很慢，难以训练。本文介绍ResNets这种十分经典的深度卷积神经网络架构，并通过Keras编程框架一步一步构建ResNets网络。

Keras是一种比Tensorflow更加高层次的深度学习编程框架，可以快速的构建深度神经网络，测试学习模型性能。本文介绍如何使用Keras搭建一个简单的卷积神经网络。

本文将介绍如何在Tensorflow框架下实现卷积神经网络，并以一个手势识别的实例展示卷积神经网络在计算机视觉中的应用。

本文将介绍卷积神经网络的基本原理，以及如何利用numpy库函数搭建CNN，包括实现卷积层、POOL层以及对应的正传和反传。

本文介绍一种十分通用的深度学习编程框架：Tensorflow。该变成框架主要包含两个对象：张量和操作。通过这两个对象可以建立一个计算图，再启动会话以执行该计算图。对深度神经网络应用来说，只需要在会话中运行“optimizer”对象，Tensoflow就可以自动运行反传和模型更新，十分便捷。