2018年最值得閱讀的12本深度學習圖書

如果你想成為人工智慧革命的一部分，那麼深度學習是必須要學習的技術之一。這裡有12本深度學習入門的最佳圖書推薦。

人工智慧，特別是深度學習，在過去5年取得了巨大的進步。

在過去，深度學習是一個只有少數研究人員關注的小眾領域。如今它已經成為一種主流技術，許多我們日常使用的應用和服務都已經開始使用深度學習來完成一些過去不可想像的任務。

深度學習並不是一個新鮮事物。自從20世紀40年代Warren McCulloch和Walter Pitts發明了一種基於數學和演算法的神經網路的計算模型起就存在了。

然而，「深度學習」獲得廣泛的關注是從2006年Geoffrey Hinton和Ruslan Salakhutdinov發表的一篇論文開始的。這篇論文顯示，多層的神經網路可以通過逐層訓練的方式來進行預訓練。

2009年研究人員又發現當數據集足夠大時，實際上我們不需要預訓練過程，同時很多任務的錯誤率能夠得到顯著的下降。

到了2012年，谷歌的深度學習系統在貓臉識別的圖像任務獲得人類級別的正確率。

2017年，谷歌的DeepMind發明的AlphaGo演算法能夠在沒有人類干預的情況下能夠自我學習進行象棋、圍棋和將棋等遊戲。

然而，這些僅僅只是一個開始。隨著數據集不斷增大和處理器性能不斷提升，我們已經可以在超大規模的數據集上進行深度模型的訓練。

因此，如果你想成為這次變革的一部分，現在就是開始學習深度學習的最佳時機。

如今，GPU和大數據集一應俱全，我們已經很多機會來學習深度學習。在學習了深度學習以後，我們就可以訓練機器來完成一些不可思議的任務，例如人臉識別、癌症檢測，甚至是股票市場預測。

這也是今天我們要推薦的圖書能夠派得上用場的地方，因為它們能夠幫助你從零開始學習深度學習。本篇文章推薦的這些書每一本都有自己的優點，以下這些圖書我按照個人推薦進行了排序。

1 Hands-On Machine Learning with Scikit-Learn and TensorFlow

這是這份書單中我認為最好的一本。因為它以實操的形式，通過流行的機器學習庫Scikit-Learn和谷歌的TensorFlow介紹了深度學習。

跟很多深度學習書籍一樣，這本書包括很多數學公式。但是它卻不是一個參考綜述，而是一個適合閱讀的圖書。作者嘗試向所有人解釋清楚複雜的概念，我個人認為這是一個很大的加分點。此外，我喜歡這本書的另外一點是它通過一個完整的機器學習項目從頭到尾來介紹機器學習。你能感受到如何處理真實數據，如何進行數據可視化來獲得洞察，以及如何為機器學習模型做好數據準備。

本書你將了解一個著名的MNIST分類器，如何訓練模型，了解基本的機器學習分類器，例如支持向量機，決策樹和隨機森林等。這些都是為了為本書下一部分做準備。下一部分主要介紹TensorFlow和基本的神經網路概念和深度神經網路。

我認為這本書的結構很好，並且以正確的順序介紹相關主題。雖然書中有很多數學公式，但是其中的觀點和具體的例子都解釋得很好。

2 Deep Learning

第二本書是《深度學習》，這也可能是這份書單中最全面最完整的一本書。本書由深度學習領域的專家撰寫，作者為Ian Goodfellow，Yoshua Bengio和Aaron Courville。這本書也得到了企業家埃隆·馬斯克的認可。

很多人認為本書是AI聖經，這種說法是正確的，因為它將這個領域多年的研究彙集到一本書中。這本書並不適合意志薄弱者。由於它是以典型的教材方式編寫，且充滿數學公式，所以並不是十分有趣，適合作為睡前讀物。

本書首先介紹了基本的數學基礎知識，包括線性代數、概率論。然後再介紹機器學習的基礎知識。最後開始介紹深度學習。

如果你是一個有抱負的學生想要掌握深度學習並深入研究，或者你想教授深度學習課程，那麼這本書肯定會對你有幫助。這本書可能是目前關於深度學習最全面的圖書。

3 Deep Learning for the Layman

正如這本書的書名所顯示的，本書是一本通識讀物，是一本」外行「也能看懂的深度學習書籍。

本書首先介紹了什麼是深度學習以及為什麼我們需要深度學習。然後，介紹了有監督學習、無監督學習和強化學習的區別，具體地介紹了分類和聚類等主題。隨後，介紹了人工神經網路，以及如何逐層組合成網路結構。最後，介紹了深度學習，包括計算機視覺中廣泛使用的卷積神經網路（CNN）。

我認為這本書真的是對深入學習的一個介紹，並了解了所涉及的概念。實際上，我不確定這本書是否有益處，但是如果你想要一本簡明的英語指南，它同時也能幫助你實現這一目的，那麼這本書可能是適合你的。

4 Make Your Own Neural Network

嚴格來講，這不是一本」深度學習「的圖書。但是這本書能夠讓你全面了解神經網路的工作原理，這些能夠幫助你理解深度神經網路。

本書通過實現兩個Python神經網路的例子來理解神經網路的原理。從對機器學習的高度概括中，逐步深入到神經網路的細節。

本書要求的數學沒有超過中學水平多少，但是確實包括了微積分的一些介紹，並以儘可能讓更多人能懂的方式加以解釋。

整本書分為兩大部分。第一部分主要將想法和理論，第二部分則側重實踐。在第二部分，你將學習Python語言，並逐步建立自己的一個能夠識別數字的神經網路。作為獎勵，你還將學習如何在Raspberry Pi上運行您的神經網路！

對於那些想學習基本的神經網路細節的人來說，這一本奇妙的書。同時可以作為本書單中其他圖書的前置閱讀圖書。

5 Deep Learning for Beginners

本書不涉及太多深度學習的數學知識，而是使用圖表來幫助理解深度學習的基本概念和演算法。作者使用簡單的例子來顯示深度學習演算法的工作原理。通過這些例子一步一步組合來逐漸介紹演算法更複雜的部分。

這本書適合的讀者面很廣，從計算機初學者，到數據科學專家，到希望使用簡單的方式向學生解釋深度學習的教師。

本書的組織架構。首先學習人工神經網路的基礎知識和機器學習與深度學習的不同。然後學習多層感知器（MLP），卷積神經網路(CNN)和其他的深度學習演算法。

本書是一本非常好的入門圖書，它將概念解釋得很清晰。如果你希望一些更實踐的內容，建議選擇本書單的其他圖書。

6 Neural Networks and Deep Learning: Deep Learning explained to your granny

在我看來，任何一本能夠將事情進行簡單地解釋，讓奶奶都能聽懂和理解的書，是值得推薦的！

本書帶你一步一步地了解神經網路和深度學習的基礎知識，特別適合那些希望了解深度學習主題但又不想陷入數學細節的讀者。

因此在簡要地介紹機器學習之後，你將了解有監督學習和無監督學習，然後深入研究神經元、激活函數和不同類型的網路結構。

最後，你將學習到深度學習的工作原理，主要類型的神經網路（例如卷積神經網路），如何讓神經網路擁有記憶功能，以及各種框架和庫。

7 Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms

本書適合對Python熟悉且有微積分背景的讀者入門深度學習。不僅如此，本書還包括機器學習的基礎知識，神經網路和教會讀者如何訓練前饋神經網路。

本書的一大亮點是深度使用TensorFlow這個谷歌的神經網路API。實際上本書有一整章專門介紹TensorFlow，我個人認為這是一個加分點。書的其他部分介紹了一些高級特性，例如梯度下降法、卷積濾波器和深度強化學習等。

然而，本書有很好的圖表，數學內容很少且都有這很好的解釋。

8 Learning TensorFlow: A Guide to Building Deep Learning Systems

本書提供了TensorFlow實際動手的方法，適合數據科學家、工程師、學生和研究人員參考。

本書首先提供了慢慢地提供TensorFlow的基本樣例。然後進入更深的主題，例如CNN等神經網路結構，如何處理文本和序列數據，如何使用TensorBoard進行可視化，TensorFlow抽象庫和多線程輸入管道。

學習TensorFlow的終極目標是如何用TensorFlow保存和導出模型來構建和部署產品化的深度學習系統，如何使用TensorFlow服務API。

9 Deep Learning with Python

本書使用Python語言和開源的Keras框架介紹深度學習。本書的一大優點是作者可讀性非常強。人工智慧和深度學習中的複雜概念被簡單地闡述出來，使得讀者很容易理解。作者也避免了數學符號，而是通過30多個代碼片段來解釋概念。

通過本書，你將從頭開始學習深度學習。學習圖像分類模型，學習如何在文本和序列數據上使用深度學習技術，如何使用聖經網路生成文本和圖像。

本書要求讀者有中級的Python基礎，但是不需要讀者有機器學習、TensorFlow或Keras基礎。噢，你也不需要有高深的數學背景，只要高中水平的數學就可以讓你跟上並理解核心思想。

10 Deep Learning: A Practitioner"s Approach

我推薦的第10本書是《Deep Learning: A Practitioner"s Approach》。與這份書單中的其他圖書不同的是使用了DL4J這個Java庫來訓練和實現深度神經網路。

當前大部分AI研究者使用Python語言，因為Python能夠用於快速實現原型系統。然而隨著越來越多的機構接受了深度學習（很多機構使用Java），我們將會看到更多使用Java實現的AI演算法。

本書是一本針對初學者的書，如果你在Java或深度學習領域已經很有經驗，可以直接去看它的例子。如果你沒有深度學習的經驗，但又很好的Java基礎，建議你逐頁閱讀本書。如果你不了解Java，則需要先去入門Java。

通過閱讀這本書，你將大致了解機器學習，特別是深度學習的基本概念。你將了解深度神經網路是如何從基本的神經網路演化而來。了解一些深度網路的架構，例如卷積神經網路（CNN）和循環神經網路(RNN)。

如果你對Hadoop和Spark熟悉，你將能夠直接結合這些技術來使用DL4J。

11 Pro Deep Learning with TensorFlow

本書基於TensorFlow系統手把手教你從零開始學習深度學習。快速掌握TensorFlow的API,學習如何優化不同的深度學習網路架構。

本書將幫助你開發調整現有神經網路結構所需的數學知識和直覺，甚至幫助你發明全新的網路結構來挑戰當前最好的結果。

書中的所有代碼都以Jupyter Notebook的格式提供。因為我本人使用過TensorFlow,我覺得這種格式的源代碼在開發時將會非常方便。

本書的最佳閱讀對象為數據科學家和機器學習專家，軟體工程師、研究生和開源愛好者。你將能夠學習到數學基礎和機器學習準則，幫助你的研究和部署深度學習解決方案到產品中。

12 TensorFlow for Deep Learning

該書通過基礎的實踐案例介紹了深度學習的概念。適合擁有軟體系統開發經驗而沒有深度學習架構經驗的開發者學習。

該書將會告訴你如何設計系統來完成物體識別、語音轉換、視頻分析和藥品潛在藥性預測等任務。

通過這本書，你將對TensorFlow系統的API有深入的認識。例如如何在大數據集上訓練神經網路，如何用TensorFlow訓練卷積網路、循環網路，長短期記憶LSTM和強化學習等。

這本書要求讀者掌握線性代數和微積分的基礎知識，但是這是一本實踐的教材，目的是教會讀者如何構建能夠學習的系統。

小結

這就是目前我推薦的12本深度學習最佳圖書。

人工智慧，特別是深度學習，已經是一種非常高效的技術。利用這種技術已經完成了很多非凡的任務。然而它仍然處於起步階段，目前還有很夠機構並沒有接受這項技術。這也為我們希望學習這個主題的人提供了機會。

深度學習能夠對工業進行變革，很多創業公司來說還有很多尚未想到的創意。我認為我們目前還處於這場變革的開始階段。

作為一個Java開發者，我已經擁有一些深度學習的經驗，但是很多我的同事並沒有開始接觸它。

所以，把握現在的機會，從人群中向前走一步開始學習深度學習吧，或許你能夠帶來矽谷的下一個AI創業巨頭？即使你不準備創業，這也將成為你的簡歷中的一個閃亮的加分項~

文章來源：https://www.bonkersabouttech.com/ai/best-deep-learning-books/494

原作者：Baz Edwards

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！