本书是 2016 年出版，工具篇、实践篇的内容已经过时（下面有说明），建议想看的同学看看基础篇和理论篇即可。Caffe（Convolutional Architecture for Fast Feature Embedding）是一种深度学习框架，最初由伯克利视觉与学习中心（Berkeley Vision and Learning Center）开发并于 2014 年发布。它专注于卷积神经网络（Convolutional Neural Networks，CNNs）的训练和推理，并在其发布时受到广泛关注，因为它具有高效的计算性能和速度。Caffe 最初用于计算机视觉领域，用于图像分类、对象检测和图像分割等任务。pylearn2 是一个用 Python 编写的深度学习库，用于实现各种深度神经网络模型。它是 Theano 库的一种高级封装，旨在使深度学习的研究和实验更加容易。pylearn2 于 2013 年由蒙特利尔大学的研究人员开发，提供了许多用于构建和训练深度神经网络的工具和功能。pylearn2 构建在 Theano 库之上，但 Theano 于 2017 年宣布停止开发和维护。这导致了 pylearn2 在新的深度学习技术和模型方面的滞后，因为它无法利用新的 Theano 特性或性能优化。然而，随着时间的推移，深度学习领域发展迅速，出现了更多功能丰富、易用性更强的深度学习框架，如 TensorFlow、PyTorch。这些框架提供更多的灵活性、社区支持和更新，因此 Caffe 和 pylearn2 在某种程度上已经过时。

本书全面、系统地介绍深度学习相关的技术，包括人工神经网络，卷积神经网络，深度学习平台及源代码分析，深度学习入门与进阶，深度学习高级实践。所有章节均附有源程序，所有实验读者均可重现，具有高度的可操作性和实用性。通过学习本书，研究人员、深度学习爱好者，能够在 3 个月内，系统掌握深度学习相关的理论和技术。

深度学习的应用中，调参是一个非常重要也极为耗时的工作，同时还需要考虑不同的网络结构：对不同的参数，需要迭代地尝试各种参数取值，并进行实验验证，直到找到最优的参数，以取得最高的识别准确度。