新書推薦：
《
革命与反革命：社会文化视野下的民国政治（近世中国丛书）
》
售價：HK$
93.2
《
画楼：《北洋画报》忆旧（年轮丛书）
》
售價：HK$
337.5
《
大国脊梁：漫画版
》
售價：HK$
80.2
《
跟着渤海小吏读历史：大唐气象（全三册）
》
售價：HK$
189.0
《
心智的构建：大脑如何创造我们的精神世界
》
售價：HK$
81.4
《
美国小史（揭秘“美国何以成为美国”，理解美国的经典入门读物）
》
售價：HK$
81.4
《
中国古代北方民族史丛书——东胡史
》
售價：HK$
87.8
《
巨人传（插图珍藏本）
》
售價：HK$
705.6
|
| 編輯推薦： |
零入门。本书在介绍深度学习时，也介绍了Python、TensorFlow、M-P模型、感知机等神经网络等基础知识，从而可以让读者零基础入门。
高可读。有别于其他同类书籍的深奥难懂，本书配合近300幅手绘图片，一图胜千言，辅以大量的哲理故事，通俗易懂，独辟蹊径。
重实战。除了理论部分的讲解不落窠臼，本书还重视实战，列举了大量具有启发意义的实战案例，循序渐进，让读者通过实战获得成就感。
抓前沿。本书紧抓领域前沿，Geoffrey Hinton的*研究成果神经胶囊网络，本书详细解读，辅以实战，让读者能够站在科研前沿。
|
| 內容簡介： |
深度学习是人工智能的前沿技术。《深度学习之美：AI时代的数据处理与*实践》深入浅出地介绍了深度学习的相关理论和实践，《深度学习之美：AI时代的数据处理与*实践》共分16章，采用理论和实践双主线写作方式。第1章给出深度学习的大图。第2章和第3章，讲解了机器学习的相关基础理论。第4章和第5章，讲解了Python基础和基于Python的机器学习实战。第6至10章，先后讲解了M-P模型、感知机、多层神经网络、BP神经网络等知识。第11章讲解了被广泛认可的深度学习框架TensorFlow。第12章和第13章详细讲解了卷积神经网络，并给出了相关的实战项目。第14章和第15章，分别讲解了循环递归网络和长短期记忆（LSTM）网络。第16章讲解了神经胶囊网络，并给出了神经胶囊网络设计的详细论述和实践案例分析。
《深度学习之美：AI时代的数据处理与*实践》结构完整、行文流畅，是一本难得的零基础入门、图文并茂、通俗易懂、理论结合实战的深度学习书籍
|
| 關於作者： |
张玉宏，2012年于电子科技大学取得博士学位，20092011年美国西北大学访问学者，电子科技大学博士后，现执教于河南工业大学。
中国计算机协会（CCF）会员，CCF YOCSEF郑州20182019年度副主席，ACMIEEE会员。《品味大数据》一书作者。主要研究方向为大数据、人工智能、技术哲学。发表学术论文20余篇，国内外学术作品7部。阿里云云栖社区专栏作家，博文累计阅读逾百万次。
|
| 目錄：
|
第１章 一入侯门深似海，深度学习深几许 1
1.1 深度学习的巨大影响 2
1.2 什么是学习 4
1.3 什么是机器学习 4
1.4 机器学习的4个象限 5
1.5 什么是深度学习 6
1.6 恋爱中的深度学习 7
1.7 深度学习的方法论 9
1.8 有没有浅层学习 13
1.9 本章小结 14
1.10 请你思考 14
参考资料 14
第2章 人工碳索意犹尽，智能硅来未可知 16
2.1 信数据者得永生吗 17
2.2 人工智能的江湖定位 18
2.3 深度学习的归属 19
2.4 机器学习的形式化定义 21
2.5 为什么要用神经网络 24
2.6 人工神经网络的特点 26
2.7 什么是通用近似定理 27
2.8 本章小结 31
2.9 请你思考 31
参考资料 31
第3章 机器学习三重门，中庸之道趋若人 33
3.1 监督学习 34
3.1.1 感性认知监督学习 34
3.1.2 监督学习的形式化描述 35
3.1.3 k-近邻算法 37
3.2 非监督学习 39
3.2.1 感性认识非监督学习 39
3.2.2 非监督学习的代表K均值聚类 41
3.3 半监督学习 45
3.4 从中庸之道看机器学习 47
3.5 强化学习 49
3.6 本章小结 52
3.7 请你思考 53
参考资料 53
第4章 人生苦短对酒歌， 我用Python乐趣多 55
4.1 Python概要 56
4.1.1 为什么要用Python 56
4.1.2 Python中常用的库 58
4.2 Python的版本之争 61
4.3 Python环境配置 65
4.3.1 Windows下的安装与配置 65
4.3.2 Mac下的安装与配置 72
4.4 Python编程基础 76
4.4.1 如何运行Python代码 77
4.4.2 代码缩进 79
4.4.3 注释 80
4.4.4 Python中的数据结构 81
4.4.5 函数的设计 93
4.4.6 模块的导入与使用 101
4.4.7 面向对象程序设计 102
4.5 本章小结 112
4.6 请你思考 112
参考资料 113
第5章 机器学习终觉浅，Python带我来实践 114
5.1 线性回归 115
5.1.1 线性回归的概念 115
5.1.2 简易线性回归的Python实现详解 119
5.2 k-近邻算法 139
5.2.1 k-近邻算法的三个要素 140
5.2.2 k-近邻算法实战 143
5.2.3 使用scikit-learn实现k-近邻算法 155
5.3 本章小结 162
5.4 请你思考 162
参考资料 162
第6章 神经网络不胜语，M-P模型似可寻 164
6.1 M-P神经元模型是什么 165
6.2 模型背后的那些人和事 167
6.3 激活函数是怎样的一种存在 175
6.4 什么是卷积函数 176
6.5 本章小结 177
6.6 请你思考 178
参考资料 178
第7章 Hello World感知机，懂你我心才安息 179
7.1 网之初，感知机 180
7.2 感知机名称的由来 180
7.3 感性认识感知机 183
7.4 感知机是如何学习的 185
7.5 感知机训练法则 187
7.6 感知机的几何意义 190
7.7 基于Python的感知机实战 191
7.8 感知机的表征能力 196
7.9 本章小结 199
7.10 请你思考 199
参考资料 199
第8章 损失函数减肥用，神经网络调权重 201
8.1 多层网络解决异或问题 202
8.2 感性认识多层前馈神经网络 205
8.3 是浅而胖好，还是深而瘦佳 209
8.4 分布式特征表达 210
8.5 丢弃学习与集成学习 211
8.6 现实很丰满，理想很骨感 212
8.7 损失函数的定义 213
8.8 热力学定律与梯度弥散 215
8.9 本章小结 216
8.10 请你思考 216
参考资料 217
第9章 山重水复疑无路，最快下降问梯度 219
9.1 鸟飞派还飞不 220
9.2 1986年的那篇神作 221
9.3 多层感知机网络遇到的大问题 222
9.4 神经网络结构的设计 225
9.5 再议损失函数 227
9.6 什么是梯度 229
9.7 什么是梯度递减 231
9.8 梯度递减的线性回归实战 235
9.9 什么是随机梯度递减 238
9.10 利用SGD解决线性回归实战
240
9.11 本章小结 247
9.12 请你思考 248
参考资料 248
第10章 BP算法双向传，链式求导最缠绵 249
10.1 BP算法极简史 250
10.2 正向传播信息 251
10.3 求导中的链式法则 255
10.4 误差反向传播 264
10.4.1 基于随机梯度下降的BP算法 265
10.4.2 输出层神经元的权值训练 267
10.4.3 隐含层神经元的权值训练 270
10.4.4 BP算法的感性认知 273
10.4.5 关于BP算法的补充说明 278
10.5 BP算法实战详细解释 280
10.5.1 初始化网络 280
10.5.2 信息前向传播 282
10.5.3 误差反向传播 285
10.5.4 训练网络（解决异或问题） 288
10.5.5 利用BP算法预测小麦品种的分类
293
10.6 本章小结 301
10.7 请你思考 302
参考资料 304
第11章 一骑红尘江湖笑，TensorFlow谷歌造
305
11.1 TensorFlow概述 306
11.2 深度学习框架比较 309
11.2.1 Theano
309
11.2.2 Keras
310
11.2.3 Caffe
311
11.2.4 PyTorch
312
11.3 TensorFlow的安装 313
11.3.1 Anaconda的安装 313
11.3.2 TensorFlow的CPU版本安装 315
11.3.3 TensorFlow的源码编译 323
11.4 Jupyter Notebook的使用 331
11.4.1 Jupyter Notebook的由来 331
11.4.2 Jupyter Notebook的安装 333
11.5 TensorFlow中的基础语法 337
11.5.1 什么是数据流图 338
11.5.2 构建第一个TensorFlow数据流图
339
11.5.3 可视化展现的TensorBoard 342
11.5.4 TensorFlow的张量思维 346
11.5.5 TensorFlow中的数据类型 348
11.5.6 TensorFlow中的操作类型 353
11.5.7 TensorFlow中的Graph对象 356
11.5.8 TensorFlow中的Session 358
11.5.9 TensorFlow中的placeholder 361
11.5.10 TensorFlow中的Variable对象
363
11.5.11 TensorFlow中的名称作用域 365
11.5.12 张量的Reduce方向 367
11.6 手写数字识别MNIST 372
11.6.1 MNIST数据集简介 373
11.6.2 MNIST数据的获取与预处理 375
11.6.3 分类模型的构建Softmax Regression 378
11.7 TensorFlow中的Eager执行模式 394
11.7.1 Eager执行模式的背景 394
11.7.2 Eager执行模式的安装 395
11.7.3 Eager执行模式的案例 395
11.7.4 Eager执行模式的MNIST模型构建 398
11.8 本章小结 401
11.9 请你思考 402
参考资料 403
第12章 全面连接困何处，卷积网络显神威 404
12.1 卷积神经网络的历史 405
12.1.1 眼在何方？路在何方？ 405
12.1.2 卷积神经网络的历史脉络 406
12.1.3 那场著名的学术赌局 410
12.2 卷积神经网络的概念 412
12.2.1 卷积的数学定义 412
12.2.2 生活中的卷积 413
12.3 图像处理中的卷积 414
12.3.1 计算机视界中的图像 414
12.3.2 什么是卷积核 415
12.3.3 卷积在图像处理中的应用 418
12.4 卷积神经网络的结构 420
12.5 卷积层要义 422
12.5.1 卷积层的设计动机 422
12.5.2 卷积层的局部连接 427
12.5.3 卷积层的3个核心概念 428
12.6 细说激活层 434
12.6.1 两个看似闲扯的问题 434
12.6.2 追寻问题的本质 435
12.6.3 ReLU的理论基础 437
12.6.4 ReLU的不足之处 441
12.7 详解池化层 442
12.8 勿忘全连接层 445
12.9 本章小结 446
12.10 请你思考 447
参考资料 448
第13章 纸上谈兵终觉浅，绝知卷积要编程 450
13.1 TensorFlow的CNN架构 451
13.2 卷积层的实现 452
13.2.1 TensorFlow中的卷积函数 452
13.2.2 图像处理中的常用卷积核 456
13.3 激活函数的使用 460
13.3.1 Sigmoid函数 460
13.3.2 Tanh函数 461
13.3.3 修正线性单元ReLU 462
13.3.4 Dropout函数 462
13.4 池化层的实现 466
13.5 规范化层 470
13.5.1 为什么需要规范化 470
13.5.2 局部响应规范化 472
13.5.3 批规范化 475
13.6 卷积神经网络在MNIST分类器中的应用 480
13.6.1 数据读取 480
13.6.2 初始化权值和偏置 480
13.6.3 卷积和池化 482
13.6.4 构建第一个卷积层 482
13.6.5 构建第二个卷积层 483
13.6.6 实现全连接层 484
13.6.7 实现Dropout层
485
13.6.8 实现Readout层
485
13.6.9 参数训练与模型评估 485
13.7 经典神经网络AlexNet的实现 488
13.7.1 AlexNet的网络架构 488
13.7.2 数据读取 490
13.7.3 初始化权值和偏置 491
13.7.4 卷积和池化 491
13.7.5 局部响应归一化层 492
13.7.6 构建卷积层 492
13.7.7 实现全连接层和Dropout层
493
13.7.8 实现Readout层
494
13.7.9 参数训练与模型评估 494
13.8 本章小结 495
13.9 请你思考 496
参考资料 496
第14章 循环递归RNN，序列建模套路深
498
14.1 你可能不具备的一种思维 499
14.2 标准神经网络的缺陷所在 501
14.3 RNN简史 502
14.3.1 Hopfield网络 503
14.3.2 Jordan递归神经网络 504
14.3.3 Elman递归神经网络 505
14.3.4 RNN的应用领域 506
14.4 RNN的理论基础 506
14.4.1 Elman递归神经网络 506
14.4.2 循环神经网络的生物学机理 508
14.5 RNN的结构 509
14.6 循环神经网络的训练 512
14.6.1 问题建模 512
14.6.2 确定优化目标函数 513
14.6.3 参数求解 513
14.7 基于RNN的TensorFlow实战正弦序列预测 514
14.7.1 生成数据 516
14.7.2 定义权值和偏置 517
14.7.3 前向传播 519
14.7.4 定义损失函数 522
14.7.5 参数训练与模型评估 522
14.8 本章小结 524
14.9 请你思考 524
参考资料 525
第15章 LSTM长短记，长序依赖可追忆 526
15.1 遗忘是好事还是坏事 527
15.2 施密德胡伯是何人 527
15.3 为什么需要LSTM 529
15.4 拆解LSTM 530
15.4.1 传统RNN的问题所在 530
15.4.2 改造的神经元 531
15.5 LSTM的前向计算 533
15.5.1 遗忘门 534
15.5.2 输入门 535
15.5.3 候选门 536
15.5.4 输出门 537
15.6 LSTM的训练流程 539
15.7 自然语言处理的一个假设 540
15.8 词向量表示方法 542
15.8.1 独热编码表示 543
15.8.2 分布式表示 545
15.8.3 词嵌入表示 547
15.9 自然语言处理的统计模型 549
15.9.1 NGram模型 549
15.9.2 基于神经网络的语言模型 550
15.9.3 基于循环神经网络的语言模型 553
15.9.4 LSTM语言模型的正则化 556
15.10 基于Penn Tree Bank的自然语言处理实战
560
15.10.1 下载及准备PTB数据集 561
15.10.2 导入基本包 562
15.10.3 定义相关的参数 562
15.10.4 语言模型的实现 563
15.10.5 训练并返回perplexity值
573
15.10.6 定义主函数并运行 575
15.10.7 运行结果 578
15.11 本章小结 579
15.12 请你思考 580
参考资料 580
第16章 卷积网络虽动人，胶囊网络更传神 583
16.1 从神经元到神经胶囊 584
16.2 卷积神经网络面临的挑战 584
16.3 神经胶囊的提出 588
16.4 神经胶囊理论初探 591
16.4.1 神经胶囊的生物学基础 591
16.4.2 神经胶囊网络的哲学基础 592
16.5 神经胶囊的实例化参数 594
16.6 神经胶囊的工作流程 598
16.6.1 神经胶囊向量的计算 598
16.6.2 动态路由的工作机理 600
16.6.3 判断多数字存在性的边缘损失函数 606
16.6.4 胶囊神经网络的结构 607
16.7 CapsNet的验证与实验 614
16.7.1 重构和预测效果 614
16.7.2 胶囊输出向量的维度表征意义 616
16.7.3 重叠图像的分割 617
16.8 神经胶囊网络的TensorFlow实现
618
16.8.1 导入基本包及读取数据集 619
16.8.2 图像输入 619
16.8.3 卷积层Conv1的实现 619
16.8.4 PrimaryCaps层的实现 620
16.8.5 全连接层 622
16.8.6 路由协议算法 628
16.8.7 估计实体出现的概率 630
16.8.8 损失函数的实现 631
16.8.9 额外设置 639
16.8.10 训练和评估 640
16.8.11 运行结果 643
16.9 本章小结 644
16.10 请你思考 645
16.11 深度学习美在何处 646
参考资料 647
后记 648
索引 651
|
| 內容試閱：
|
推荐序一
通俗也是一种美德
这是一个大数据时代。
这也是一个人工智能时代。
如果说大数据技术是还有待人们去研究、去挖掘、去洞察的问题，那么人工智能无疑是这个问题的解决方案，至少是方案之一。
人的智能，无疑是学习的产物。那么机器的智能呢，它何尝不是学习的产物？只不过在当下，它被深深地打上了深度学习的烙印。通过深度学习，我们可以把大数据挖掘的技术问题转换为可计算的问题。
有人说，深度学习不仅是一种算法的升级，更是一种思维模式的升级。其带来的颠覆性在于，它把人类过去痴迷的算法问题演变成数据和计算问题。吴军博士更是断言，未来只有2%的人有能力在智能时代独领风骚，成为时代的弄潮儿。所以，拥抱人工智能，携手深度学习，不仅是一种时代的召唤，而且顺应了当前科学技术对人才的紧迫需求。
深度学习矗立于人工智能的前沿。我们远眺它容易，但近爱它却不易。在信息过剩的时代，我们可能会悲哀地发现，知识鸿沟横在我们面前。的确，大量有关深度学习的书籍占据着我们的书架，数不尽的博客充斥着我们的屏幕。然而，很多时候，我们依然对深度学习敬而远之。
这个敬是真实的，这个远通常是被迫的。因为找到一本通俗易懂的有关深度学习的读物，并非易事。
张玉宏博士所著的《深度学习之美：AI时代的数据处理与最佳实践》，正是在这种背景下以通俗易懂的姿态面世的书籍。如果用一句话来形容这本书，那就是通俗易懂也是一种美德。
在任何时代，能把复杂的事情解释清楚，都是一项非常有用的本领。张玉宏博士是一名高校教师，加之他还是一名科技作家，因此，通俗易懂、行文流畅、幽默风趣，便成了这本书的特征。
这里有一个比喻：如果你爱好明史，且古文基础深厚，去阅读《明史》可能是你的不二选择；但倘若你不太喜欢学究气的著作，那就推荐你去读读当年明月所写的《明朝那些事儿》。本书仿佛就是《明朝那些事儿》版的深度学习。巧妙的比喻、合理的推断、趣味的故事，时不时地散落在书里，妙趣横生。
当然，这本书也不是十全十美的，但瑕不掩瑜，如果你想零基础入门深度学习，那么相信这本书一定能够给你提供很多帮助。
黄文坚
墨宽投资创始人、《TensorFlow实战》作者
2018年5月于北京
推荐序二
技术，也可以美到极致
和张玉宏博士认识是在2015年，那个时候我还在CSDN&《程序员》杂志做编辑。结缘的过程颇为巧合，仅仅是因为一次无意浏览，看到他在CSDN论坛义务回答网友的问题，被其认真、高水平和深入浅出的回答所吸引，倾慕之下，我策划了一次采访。而这次采访奠定了我们的友谊，文章在CSDN作为头条发布并获得3万多的阅读量后，我们在论文翻译、《程序员》杂志供稿上开始了合作。
仅仅牛刀小试，张博士翻译的文章就篇篇阅读量破万。对于晦涩难懂的技术文章而言，阅读量破万是很高的数字，无异于如今朋友圈的10万阅读量。其中最值得一提的是《PayPal高级工程总监：读完这100篇论文就能成大数据高手》这篇文章，在2015年阅读量近6万后，2017年又被某大数据公众号转载，在朋友圈刷屏。为此，我在微博上有感而发：有价值的内容，是经得起时间冲刷的。然而，文章被追捧的背后，则是张博士呕心沥血的付出，也许只有我知道为了保障质量，那100篇论文张博士全部下载并看了一遍，独立注解超过50％，前后花了整整一周时间，通宵达旦，聚沙成塔。
2016年我来到阿里巴巴做云栖社区的内容运营，和张博士的合作也来到了这里。云栖社区是阿里云运营、阿里技术协会和集团技术团队支持的开放技术社区，是云计算、大数据和人工智能顶级社区之一。在这个阶段，张博士在技术文章翻译上又有了另外一种风格：局部放大翻译，就某个点深度解读，并加入自己的认识，这种类似书评式的写作方式，让原本枯燥的技术文章显得很有趣，在阅读量上也是立竿见影他的文章的阅读量比一般技术文章的阅读量多好几倍，这在彼时的社区是极为少见的。
后来，张博士和我说，他想发表系列文章，细致地讲一讲深度学习，我非常认同和支持他做这件事。
于是接下来的几个月，张博士不断受到以下赞誉：
文章形象生动，耐人寻味，重燃深度学习的欲望。
这个系列写得太棒了！！！谢谢您愿意分享。
大神，更新的频率可以稍微快点吗？万分感谢！
有人甚至用追剧来形容自己的感受，并评论：期待好久了，终于更新了，作者辛苦了，感谢作者提供该优秀文章以供学习。
容易理解，害怕大神不更新。
这些赞誉，说的是在社区篇篇10多万阅读量的文章：
一入侯门深似海，深度学习深几许（深度学习入门系列之一）
人工碳索意犹尽，智能硅来未可知（深度学习入门系列之二）
神经网络不胜语， M-P模型似可寻（深度学习入门系列之三）
机器学习三重门，中庸之道趋若人（深度学习入门系列之四）
Hello World感知机，懂你我心才安息（深度学习入门系列之五）
损失函数减肥用，神经网络调权重（深度学习入门系列之六）
山重水复疑无路，最快下降问梯度（深度学习入门系列之七）
BP算法双向传，链式求导最缠绵（深度学习入门系列之八）
全面连接困何处，卷积网络见解深（深度学习入门系列之九）
卷地风来忽吹散，积得飘零美如画（深度学习入门系列之十）
局部连接来减参，权值共享肩并肩（深度学习入门系列之十一）
激活引入非线性，池化预防过拟合（深度学习入门系列之十二）
循环递归RNN，序列建模套路深（深度学习入门系列之十三）
LSTM长短记，长序依赖可追忆（深度学习入门系列之十四）
上面这些文章，光看标题就非同凡响，是的，能把技术文章的标题写得这么文艺和生动，一看文学功力就十分深厚。内容更不用说，通俗易懂、图文并茂、形象生动。用这么幽默的语言，将那么高大上的技术讲得一个过路人都能够听懂，这是真的好文章。身边的一位朋友如此述说。而更值得一提的是，在每篇博文后面，除了小结，还有请你思考，考察读者对知识的掌握情况，锻炼读者的思辨能力，让读者能够进一步主动学习，触类旁通。
这样出色的文章，也许只有张博士才能写出来。为什么呢？我想，一方面得益于其读博士时，在美国西北大学有过两年访学经历，他在中美教育差异上有过深刻的思考；另一方面，也源自他丰富的教学经验是的，他在河南工业大学执教多年，懂得教与授的拿捏。对于张博士的教学，学生袁虎是这么谈论自己的感受的：他的课跟美国高校的课堂比较接近开放、平等、互动性强，鼓励学生去思考。上课的时候，他并不死守课本知识，而是特别注重教授给我们学习方法。袁虎还特别指出，他们专业出来的几个技术大神多多少少都算是张博士的门徒。
在云栖社区的连载，从2017年5月17日开始，到8月17日结束，一共14篇文章，很多读者追剧至此，仍意犹未尽。有读者说：作为机器学习小白，楼主的文章真是赞。楼主，出书吧！！！看博客真担心哪天突然就没有了。因为一些原因，社区的博客篇幅有限，内容浅尝辄止他觉得自己可以做得更多、更好。
因此，《深度学习之美：AI时代的数据处理与最佳实践》在这里和大家见面了。可以说，拿到这本书的读者是非常幸运的，因为你们不需要每天刷博客追剧，也不需要苦苦等待。你们可以边捧书边喝咖啡，在橘黄色的台灯下、在安静的深夜里看个尽兴。
人工智能在当下非常火爆。不可否认，也许你可以从汗牛充栋的网上获得深度学习的一些知识点或技巧，但网络中的知识是碎片化的。尤其对于初学者，如果想走得更远，需要一本书系统地进行指导，并从底层思考这些知识的来龙去脉，以及知识之间的关联，本书正是这样一本书。
结集成册的《深度学习之美：AI时代的数据处理与最佳实践》除了继承之前博文趣味性、通俗易懂等诸多优点之外，篇幅更宏大（此前的连载只是一个起步），内容上还增加了实战环节，让大家能够学以致用，在实践中与理论印证。另外，相比此前连载的博文，书籍中增加了许多张老师亲自绘制的趣图，诙谐地说明了不同知识点或概念间的区别。在理论上，张博士也对公式的前因后果给出了详细的推导过程，只有知道它是怎么来的，才能更好地运用它。学习知识不正是这样吗？
社会变化非常快，因此人们总爱反复核算事物的价值，喜欢性价比高的东西。如何衡量一本书的价值，除了看它是否能帮到你之外（技能价值），还要看它的社会价值。本书是张博士深度学习的思想随笔，兴之所至的内容，往往也是精彩至极、深度思考的结晶。
我非常佩服张博士，他不仅博览群书，还能够将不同类型的书籍内化，并结合生活案例，以一种非常有趣的形式将深奥的知识表达出来，比如用求婚耳光等例子讲解激活函数和卷积函数。尤其是中庸之道的例子，让大家在悟透一个很难弄懂的知识点的同时，自己的思想也从富有哲理的故事中变得不一样。
这种技术领域的人文情怀，绝非一般高手能做到的。上述认识，相信手握此书的您，也会很快感受到。
@我是主题曲哥哥，网易高级编辑
前阿里云资深内容运营、CSDN&《程序员》杂志编辑
2018年5月
自序
深度学习的浅度梦想
这是一本有关深度学习的图书！
这是一本有关深度学习通俗易懂的图书！
这是一本有关深度学习的、有些人文情怀的图书！
我希望，我的读者在读这本书时，能给它这三种不同境界的渐进式的评价。第一个评价，说明它有料。第二个评价，说明它有用。第三个评价，说明它有趣。有料、有用且有趣是我对本书的定位，也是写作本书的浅度梦想，不是有大咖说过吗，梦想还是要有的，万一实现了呢？
写一本好书，真的很难！
但并非不能达成。窃以为，写成一本好书，通常有两条途径。第一条我称之为自上而下大家传道法。也就是说，有些学术大家已在领域内功成名就，名声斐然，他们俯下身段，抽出时间，高屋建瓴，精耕细作，必出精品。比如，卡耐基梅隆大学的Tom Mitchell教授编写的《机器学习》、南京大学周志华老师编写的《机器学习》，都是业内口碑极好的畅销常青树，实为我辈楷模。
但大家写好书并不是充分条件，因为大家通常都非常忙，他们可能非常有料、有钱（有经费），但却未必有闲。要知道，写作不仅仅是一项脑力活，它还是一项极花费时间的体力活。
好在还有写成好书的第二条途径，我且称之为自下而上小兵探道法。也就是说，写书的作者本身并非领域专家，而是来自科研实战一线，他们的眼前也时常迷茫一片，不得不肉搏每一个理论困惑，手刃每一个技术难题，一路走来，且泣且歌，终于爬上一个小山丘。松了口气，渴了口水，嗯，我要把自己趟过的河，踩过的坑，写出来总结一下，除了自勉，也能让寻路而来的同门或同道中人，不再这么辛苦。
很显然，我把自己定位为第二类（至少梦想是）。
我是一个科技写作爱好者，我在网络上写过很多有关于大数据主题的（主要发表在CSDN）文章，也有关于深度学习的（主要发表于阿里云-云栖社区）。出于爱好写作的原因，有时我也关注写作的技巧。直到有一天，一位知名人士的一席话，一下子电着我了。他说，写作的终极技巧，就是看你写的东西对读者有没有用。拿这个标准来衡量一下，什么辞藻华丽、什么文笔优美，都可能是绿叶与浮云。在这一瞬间，我也明白了，为什么我所在的城市，地铁时刻表的变更通知，寥寥几百字，短短没几天，阅读量也可以轻易达到10万。嗯，这样的写作，有干货，对读者有用。好作品的要素，它都有！
于是，对读者有用，就成为指导我写作这本书的宗旨。以用户的思维度量，就可以比较清晰地知道，什么对读者有用。
当前，人工智能非常火爆。自从AlphaGo点燃世人对人工智能的极大热情后，学术界和产业界都积极投身于此，试图分得一杯羹。而当前（至少是当前）人工智能的当红主角就是深度学习，它不仅仅表现在AlphaGo一战成名的技术上，还表现在图像识别、语音识别、自然语言处理性能提升上，总总而生，林林而群。
当然，想投身于此并非易事，因为深度学习的门槛比较高。为了搞懂深度学习，我把国内市面上大部分与深度学习相关的书籍都买来拜读了（在后记中，我会感谢支持的各种基金），受益匪浅，但至少于我而言，它们大部分的学习曲线都是陡峭的，或者说它们大多高估了初学者的接受程度，为了读懂它们，读者真的需要深度学习。
在深度学习领域，的确也有一批高水平的读者，但他们可能并不需要通过相对滞后的书籍来提高自己的知识水平，新鲜出炉的arXiv论文，才是他们的菜。但高手毕竟有限，懵懵懂懂的初学者，数量还是相当庞大的。
于是，我想，写一本零基础入门的、通俗易懂的、图文并茂的、理论结合实战的深度学习书籍，对广大的深度学习初学者来说，应该是有用的。
本书的写作风格，也紧扣前面的四个修饰词，章节的安排也是按照循序渐进的节奏展开的。为了降低门槛和强调实践性，本书采用了双主线写作方式，一条主线是理论脉络，从基础的机器学习概念，到感知机、M-P模型、全连接网络，再到深度学习网络，深入浅出地讲解相关的理论。另外一条主线是实战脉络，从Python零基础入门说起，直到TensorFlow的高级应用。
全书共分16章，具体来说，第1章给出深度学习的大图（Big Picture），让读者对其有一个宏观认知。第2章和第3章，给出了机器学习的相关基础理论。仅仅懂理论是不够的，还需要动手实践，用什么实践呢？最热门的机器学习语言非Python莫属了。于是我们在第4章添加了Python基础，以边学边用边提高为基调，并在第5章讲解了基于Python的机器学习实战。
有了部分Python基础，也有了部分机器学习基础，接下来，我们该学习与神经网络相关的理论了。于是在第6章至第10章，我们先后讲解了M-P模型、感知机、多层神经网络、BP神经网络等知识。其中大部分的理论都配有Python实战讲解，就是让读者有顶天（上接理论）立地（下接实战）的感觉。接下来的问题就是，如果所有神经网络学习的项目都是Python手工编写的，是不是效率太低了呢？
是的，是该考虑用高效率框架的时候了，于是在第11章，我们讲解了被广泛认可的深度学习框架TensorFlow。有了这个基础，后面的深度学习理论就以此做实战基础。第12章详细讲解了卷积神经网络。随后，在第13章，我们站在实战的基础上，对卷积神经网络的TensorFlow实践进行了详细介绍。
任何一项技术都有其不足。在第14章，我们讲解了循环递归网络（RNN）。在第15章，我们讲解了长短期记忆（LSTM）网络。以上两章内容，并非都是高冷的理论，除了给出理论背后有意思的小故事，还结合TensorFlow进行了实战演练。在第16章，我们顺便惊鸿一瞥解读了Hinton教授的新作神经网络胶囊（CapsNet），点出卷积神经网络的不足，并给出了神经胶囊的详细论述和实践案例分析。
本书中的部分内容（共计14篇），先后发表在技术达人云集的云栖社区（https：yq.aliyun.
comtopic111），然后被很多热心的网友转载到CSDN、知乎、微信公众号、百度百家等自媒体中，受到了很多读者的认可。于吾心，有乐陶然。
当然，从我对自己的定位小兵探道可知，我对深度学习的认知，仍处于一种探索阶段，我仍是一个深度学习的学习者。在图书中、在网络中，我学习并参考了很多有价值的资料。这里，我对这些有价值的资料的提供者、生产者，表示深深的敬意和谢意。
有时候，我甚至把自己定位为一个知识的搬运工、深度学习知识的梳理者。即使如此，由于学术水平尚浅，我对一些理论或技术的理解，可能是肤浅的，甚至是错误的，所以，如果本书有误，且如果读者有闲，不妨给出您的宝贵建议和意见，我在此表示深深的感谢。同时，由于时间和精力有限，很多有用的深度学习理论和技术还没有涉及，只待日后补上。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
