入門深度學習，讀對書很重要

雷鋒網按：本文作者為 Jeffries Consulting 創始人 Daniel Jeffries，雷鋒網編譯。

Daniel Jeffries：多年來，由於實驗室研究和現實應用效果之間的鴻溝，少有人持續研究人工智慧，AI在很多領域停滯不前。

但近兩年，AI 在一些領域陸續有了重大突破，比如：圖像識別；自動駕駛；Alpha Go等。許多八九十年代的演算法，由於硬體慢和缺乏數據等原因束之高閣。而現在，有眾多大數據集和大規模并行晶元的支持，這些演算法終於初見成效。

在過去的一年多時間裡，研究人員奮筆疾書，競相出版專著，以滿足讀者對深度學習知識的渴求。第一本關於深度學習的書已經上架，更多的將會在夏天或者明年年初陸續上架。我有幸提前拜讀了若干專著的初稿，這些書的最終出版讓人期待萬分。

接下來給大家推薦一些深度學習書籍，這些書可以引導大家如何學習人工智慧，對深度學習的快速理解有很大幫助。

理論和實踐相互兼顧

我父親常說「凡事均衡最好。」

對此我深信不疑，且奉為圭臬。當然，我承認在周末或者維加斯的時候，偶爾也會將其拋諸腦後。

我贊成理論與實踐要相互均衡。比如針對某個問題，給一個明確的背景信息，然後根據實例讓我自己動手實踐。書本不要過多闡述理論知識，應該讓讀者邊學習邊查漏補缺。設想有一本書，非常抽象，或者羅列大量的實例，卻不解釋問題的來龍去脈，你還能看下去嗎？

每個人都有自己的學習習慣，應該清楚地知道怎麼學，才能卓有成效。我始終認為花時間去買那些與我無用的書，特別容易錯過真正適合的。如果你喜歡通篇理論，那就不必繼續看我的推薦了。如果你喜歡看那些理論與實踐結合相宜得章的書，相信我推薦的書單會讓你會喜歡。

書單

• 《Deep Learning》

第一本書是Ian Goodfellow的《Deep Learning》。作者在Google Brain和OpenAI上做出了突出貢獻。不少人認為這本書是深度學習領域的聖經，因為它是迄今為止唯一一本融合了前幾十年研究工作的鴻篇巨著。

不過，除非你有較好的數學基礎，否則不建議你從本書入門，因為讀起來挫敗感十足。書中不僅有大量的公式，同時寫得比較枯燥、乾巴。儘管Goodfellow希望能給讀者傳授更多的知識，但事與願違，該書讀起來不能引人入勝，比較乏味。確實會做和會教是兩碼事。

我估計明年首次參加大學深度學習課程的學生手中會擁有這本書，而其中的許多人會因為這本書難懂而堅持不下去。這本書比較適合那些經過幾年相關工作后，仍想進一步掌握深度學習的從業者。對於擁有較多專業領域知識且正準備初次進軍AI行業的專業程序員而言，這也是一本比較全面的指南。

本書免費中文版請點此。

• 《Hands-On Machine Learning with Scikit-Learn and Tensorflow》

第二本是剛出版的《Hands-On Machine Learning with Scikit-Learn and Tensorflow》。雖然這本書也有大量的公式，不過作者Aurélien Géron用簡單的方式詮釋了複雜的概念。全書寫得通俗易懂，可讀性很強，不過我也不強烈推薦。

《數學不好還學AI》系列文章，是本書很好的補充，尤其是該系列的第五篇《用卷積神經網路進行圖像識別》和第七篇《自然語言處理》。在我的印象里，這本書有詳盡的實例和相應代碼，兩者完美結合。在Safari的在線叢書中我讀過初稿，當時許多部分沒有寫完，而且網站將一些公式轉換的莫名其妙，這並不影響我對內容的理解。

和其他優秀的修改稿一樣，最終版本相比初稿有了質的飛躍，完美詮釋了作者的觀點和採用的實例。本書內容的組織非常自然流暢，各種觀點都有清晰的實例證明，雷鋒網()建議讀者看第一遍的時候，不要去管那些公式，以後根據需要再去深入推敲。

• 《Deep Learning with Python》

第三本是《Deep Learning with Python》。作者是Keras框架的構建者Francois Chollet。不過這本書還得過段時間才能出版，通過Manning的MEAP系統可以閱讀前三章的內容，寫得很好，我極力推薦此書。

正如Chollet在編寫Keras框架時一樣，神奇地將複雜概念簡單化，文中措詞巧妙，可讀性強。即使是AI和深度學習中最有挑戰性的概念，同樣也解釋的通俗易懂。讀了這本書我才真正理解什麼是張量。書中有大量不錯的實例，大家可以在他的 Github 上看看代碼。隨著正式出版的臨近，這本書也越來越完整，請關注並支持作者。同時，盡量能先在MEAP上跟進閱讀，並通過給作者留言，完善這本書。

• 《Deep Learning: A Practitioner's Approach》

第四本是《Deep Learning: A Practitioner's Approach》。該書主要使用Java的深度學習框架DL4J。目前AI領域的研究大多數使用Python語言實現，不過隨著越來越多企業湧入機器學習領域，可能Java的使用會逐漸增多。由於Java龐大的生態系統，現在的大公司里，它仍然是主要的開發工具。

本書的作者之一Josh Patterson，邀請我出席五月第一周舉辦的Red Hat Summit（紅帽峰會），到時我有機會通讀本書的發行版。先說明這本書是面向深度學習初學者的。雷鋒網建議，如果你已經有一些深度學習的基本知識並想進一步深入研究如何用Java實現深度學習，請直接跳過前面的例子。但是如果你沒什麼深度學習經驗，Java也沒那麼熟悉，那麼這本書值得你手不釋卷，反覆研讀。尤其是「第 4 章：出色的深度學習架構」，本章提供了一個可以幫你解決現實應用中架構問題的關鍵方法。

雖然我不熟悉Java語言，但我把它分享給我的幾個以程序為生的同事後，他們非常喜歡。在介紹深度學習上，書中的實例和書本的總體結構顯得非常專業，期待夏天能夠出版。

• 《TensorFlow Machine Learning Cookbook》

最後推薦的是《TensorFlow Machine Learning Cookbook》。雖然書中的內容和代碼有一些錯別字，不過像自然語言處理等內容上，還是列舉了許多不錯的實例。和其他手冊書一樣，本書也偏重代碼，如果你不太了解卷積神經網路的輸入輸出，你會被許多基本概念搞暈，買書前如果你已經看過其它的書，並且對書中的例子進行了實戰，那麼這本書可以給你提供更多的練習與實踐。

雷鋒網提醒，請不要以此書入門，也不建議單獨購買此書。

結語

肯定有些書正在編寫中，還有些書已經出版，不過我沒機會去拜讀過，將來有機會讀到的話，我會繼續推薦的。還等什麼呢，抓緊開始吧，深度學習的魔力盡在你的掌握中！

via hackernoon

由淺入深，清華大學鄧志東教授的神經網路培訓！

該課程將系統介紹人工智慧中的神經網路，特別是深度學習的發展現狀、基本原理和主要方法。包括：人工智慧綜述，生物神經系統，人工神經元模型，BP網路，Hopfield網路，深度卷積神經網路（CNN），長短期記憶網路（LSTM）和深度強化學習等。重點分析若干典型CNN模型，並結合具體應用案例，進行編程實操剖析。

課程將補充介紹最新的科研成果與前沿領域（提供50篇以上最原始與最新的人工神經網路代表性英文論文，包括深度學習2016年的最新論文)，強調各種理論方法在解決實際問題中的綜合應用。雷鋒網傾情推薦！