描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787121342462丛书名: 博文视点AI系列
√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的新研究成果——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。
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，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
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。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。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？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. com/topic/111），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。
张玉宏
2018年3月
要想战胜深度学习陡峭的学习曲线，领悟到它的美，其实需要很长的学习时间，也要求具有一定的数学功底。而这本《深度学习之美》内容丰富，紧抓前沿，用轻松的语言和恰当的类比帮助大家越过晦涩的公式，行文流畅、图文并茂，是一本难得的零基础入门教程。
——知衣科技CEO，郑泽宇
科普书籍有两种写法，一种是用通俗语言讲解深奥概念，另一种是用江湖传闻诉说来龙去脉。很显然，作者将两者很好地进行了融合。很少见到把深度学习的大众科普与前沿科学结合在一本书中论述，且不致人迷茫的，本书的作者做到了。因此，强烈建议所有对深度学习望而生畏却又心驰神往的人持卷品读。
——科大讯飞研究院研究主管，李鑫
深度学习给人的反应往往是复杂的网络结构和繁冗的数学公式，让人望而却步。张博士所著的这本《深度学习之美》却能独辟蹊径，不落窠臼，于轻松嬉笑间将深度学习的道理娓娓道来，让人在享受阅读的同时领悟深度学习之美，可谓雅俗共赏的科普佳作。
——极客时间专栏作者、贵州大学副教授，王天一
作者十分擅长以幽默、浅显的语言讲解复杂的知识，在介绍专业知识的同时还介绍了每项技术发展的历史脉络。这些历史故事不仅为本书增添了趣味性，更能帮助读者理解每项技术是在什么条件下为解决什么问题而开发的，十分可贵。相信无论是专业人士还是非专业人士，在阅读本书时都能有所收获。
——Google机器翻译组工程师，梁博文
评论
还没有评论。