前言

能夠透過現象看本質，通過結果分析原因，這是人類擁有智能的主要表現。現象和結果就展現在我們面前，是顯式（Explicit）的，很容易獲取；本質和原因藏在它們身后，是隱式（Implicit）的，不容易被發現。深度學習就是一門這樣的科學，它試圖以人工神經網絡（Artificial Neural Network，ANN）為工具，揭示網絡參數與樣本之間的本質關系。但在這樣做之前，我們有必要理解什么是梯度下降法（GD）和反向傳播算法（BP）。它們是揭示上述關系的關鍵，是本書從第2章開始所有內容的核心。梯度概念來源于微分和偏導，所以讀者需要擁有一定的微積分的知識。最起碼，需要知道什么是切線和切線的斜率，以及如何計算偏導。

也許這并不是一個很高的要求，但作為計算機專業的科研和教育工作者，我們深感很多大學生并不是沒有學習理論，而是不會在實踐中使用理論。例如，學了微積分，卻不知道能派什么用場；學了編譯原理，以為只有在開發編譯系統中才有用。可是，你知道嗎？這些理論在深度學習中卻很重要。

所以，學以致用是本書的宗旨。本書不僅要講理論和理論的實質，還要講如何用代碼實現這些理論。讀者需要一邊看書，一邊在計算機上動手編程，同時提高自己的理論水平和動手能力。

提到計算機理論和數學原理，可能有些讀者心里會打退堂鼓。其實，計算機理論和數學原理是用來指導我們工作的，能夠幫助我們更輕松地完成深度學習編程任務。它們都是為“懶人”服務的，也是像我一樣的“懶人”發明的。因為懶得應付程序設計或者軟件開發過程中千變萬化的復雜情況，我們就從其中提煉、抽象出了一些固定不變的東西，這些就是計算機理論和數學原理。所以，如果你想有技巧地偷懶，就學習計算機理論和數學原理吧，它會給你打開一個新天地，讓你從一個更高的角度看深度學習、人工智能和程序設計。

所以，盡管本書的確會用到Python編程和人工智能框架Tensorflow（TF），也會講解部分具體的語法和約定，但是都不是重點。重點是問題分解方法、遞歸的實質、梯度下降法、反向傳播原理、三層神經網絡、模型的結構和訓練方法以及梯度分析。Python和TF不過是實現它們的工具。如果愿意，你也可以使用其他語言或者其他框架。

本書的目的是提高讀者對深度學習基礎理論的深刻理解。對很多基礎性理論、數學、方法和算法的理解，例如面向對象、梯度、遞歸程序設計方法、數的進制等，都是編者30年來從事計算機科學理論研究和教學工作經驗的總結。對讀者來說，學習這些經驗的價值可能超過了學習深度學習本身。

本書用到的Python版本為3.5以上，Tensorflow版本為1.9.0～1.14.0。由于TF框架還在飛速更新中，所以不要奇怪可能有些代碼不能在你的機器上運行。我們建議把TF的版本設置在上述版本范圍之內，或者上網搜索一下怎么做。

雖然本書已經提供了所有的代碼，但建議讀者一開始不要看代碼，而是跟隨本書一行一行地手寫代碼，這對學習深度學習是有很大好處的。如果程序總是出錯，卻又找不到原因，這時才有必要下載代碼，然后運行看看結果如何。

請讀者先安裝好PyCharm社區版或以上版本，這是我們的集成開發環境。最好準備一個GPU，否則單GPU和多GPU訓練就無法學習。書中用到的包主要是numpy和GPU版的Tensorflow，這些包可以通過pip安裝。

本書寫作過程中得到了李珂、趙昕、雷璐丹、潘志銳、權甲和吳鵬輝等人的大力協助，謝謝你們！

讓我們從五猴分桃問題開始，一步一步地開啟奇妙的深度學習之旅吧。

編者

關注本微信公眾號

回復“深度學習”下載配套資源