[深度學習之美】深度學習的淺度夢想（自序）

3 人贊了文章

這是一本有關「深度學習」的圖書！

這是一本有關「深度學習」通俗易懂的圖書！

這是一本有關「深度學習」的有點人文情懷的圖書！

我希望，我的讀者在讀這本書時，能給它這三種不同境界的漸進式的評價。第一個評價，說明它「有料」。第二個評價，說明它「有用」。第三個評價，說明它「有趣」。「有料、有用且有趣」是我對本書的定位，也是本書寫作的淺度夢想，不是有大咖說過嗎？「夢想還是要有的，萬一實現了呢？」

寫一本好書，真的很難！

但並非不能達成。竊以為，寫成一本好書，通常有兩條途徑達成。第一條我稱之為「自上而下大家傳道法」。也就是說，有些學術大家已在領域內功成名就，名聲斐然，他（她）們俯下身段，抽出時間，高屋建瓴，精耕細作，必出精品。比如，卡耐基梅隆大學的Tom Mitchell教授編寫的《機器學習》、國內南京大學周志華老師編寫的《機器學習》，都是業內口碑極好的暢銷常青樹，實為我輩楷模。

但「大家寫好書」並不是充分條件，因為大家們通常都非常忙，他們可能非常「有料、有錢（有經費）」，但卻未必「有閑」。要知道，寫作不僅僅是個腦力活，它還是極花費時間的體力活。

好在還有寫成好書的途第二條徑，我且稱之為「自下而上小兵探道法」。也就是說，寫書的作者本身並非領域專家，而是來自科研實戰一線，他們的眼前也時常迷茫一片，不得不肉搏每一個理論困惑，手刃每一個技術難題，一路走來，且泣且歌，終於爬上一個小山丘。鬆了口氣，渴了口水，嗯，我要把自己趟過的路，踩過的坑，寫出來總結一下，除了自勉一下，也讓尋路而來的同門或同道中人，不再這麼辛苦。

很顯然，我把自己的書定位為第二類（至少夢想是）。

我是一個科技寫作愛好者。我在網路上寫過很多大數據、深度學校的文章。有關於大數據主題的（主要發表在CSDN），也有關於深度學習的（主要發表於阿里雲-雲棲社區）。出於愛好寫作的原因，有時我也關注寫作的技巧。直到有一天，有個知名人士的一席話，一下子「電著」我了。他說，「寫作的終極技巧，就是看你寫的東西對讀者有沒有用？」

拿這個標準來度量一下，什麼辭藻華麗、什麼文筆優美，都可能是綠葉與浮雲。在這一瞬間，我也明白了，為什麼我所在的城市，地鐵時刻表的變更通知，寥寥幾百字，短短沒幾天，閱讀量也可以輕易10萬+。嗯，這樣的寫作，有乾貨，對讀者有用。好作品的要素，它都有！

於是，「對讀者有用」，就成為指導我寫作這本書的基準。以用戶的思維度量，就可以比較清晰地知道，什麼對讀者有用。

當前，人工智慧非常火爆。自從AlphaGo點燃世人對人工智慧的極大熱情，學術界或產業界都積極投身於此，試圖分得一杯羹。而當前（至少是當前）人工智慧的當紅主角就是「深度學習」。它不僅僅表現在AlphaGo一戰成名的技術上，還表現在圖像識別、語音識別、自然語言處理性能提升上，總總而生，林林而群。

當然，想「投身於此」並非易事。因為深度學習的門檻比較高。為了學習深度學，我把國內市面上大部分深度學習相關的書籍都來買來拜讀了（在後記中，我會感謝支持的各種基金），受益匪淺，但至少於我而言，它們大部分的學習曲線都是陡峭的，或者說他們大多高估了初學者的接受程度，為了懂它們，讀者真得需要「深度學習」。

在深度學習領域，的確也有一批高水平的讀者，但他/她們可能並不需要靠通過相對滯後的書籍來提高自己的知水平，新鮮出爐的arXiv論文，才是他/她們的菜。但高手畢竟有限，懵懵懂懂的初學者，數量還是相對龐大的。

於是，我想，寫一本零基礎入門的、通俗易懂的、圖文並茂的、理論結合實戰的深度學習書籍，對廣大的深度學習初學者來說，應該有用的。

本書的寫作風格，也緊扣前面的四個修飾詞的。章節的安排也是按照循序漸進的節奏鋪呈展開的。為了降低門檻和強調實踐性，本書採用了雙主線寫作，一條主線是理論脈絡，從基礎的機器學習概念，到感知機、MP模型、全連接網路、再到深度學習網路，由深入淺出地講解相關的理論。另外一條主線是實戰沒落，從Python 零基礎入門說起，直到TensorFlow的高級應用。

全書共分16章，具體說來，第1章給出深度學習的大圖（Big Picture），讓讀者有個宏觀認知。第2章至第3章，我們給出了機器學習的相關基礎理論。僅僅懂點理論不夠啊，我們需要動手實踐，用什麼實踐呢？最熱門的機器學習語言非Python莫屬了。於是我們在第4章添加了Python基礎，以邊學邊用邊提高為基調，我們在5章用講解基於Python的機器學習實戰。

有了部分Python基礎，也有了部分機器學習基礎，接下來，我們該學習部分神經網路的相關理論了。於是在第6章至第10章，我們先後後講解了M-P模型、感知機、多層神經網路、BP神經網路等領域知識。其間大部分的理論都配有Python實戰講解，就是讓讀者「頂天（上接理論）立地（下接實戰）」的質感。接下來的問題就是，如果所有神經網路學習的項目都是Python手工編寫，是不是效率太低了呢？

是的，是該考慮用高效率框架的時候了，於是在第十一章，我們講解了被廣泛認可的深度學習框架TensorFlow。有了這個基礎，後面的深度學習理論就以此做實戰基礎。在第12章，詳細講解了卷積神經網路。隨後，在第13章，我們站在實戰的基礎中，我們對卷積神經網路的TensorFlow實踐，做了詳細介紹。

任何一項技術都有其不足。在第14章，我們講解了循環遞歸網路（RNN）。在第15章，我們講解了長短期記憶（LSTM）網路，以上兩章的內容，並非都是高冷的理論，除了給出理論背後有意思的小故事，我們還結合了TensorFlow進行了實戰演練。在第16章，我們還順便「驚鴻一瞥」解讀了Hinton教授的新作「神經網路膠囊（CapsNet）」，點出卷積神經網路的不足，並給出了神經膠囊的詳細論述和實踐案例分析。

本書的部分章節的部分內容（共計14篇），先後發表在技術達人云集的雲棲社區（https://yq.aliyun.com/topic/111），然後被很多熱心的網友轉載到CSDN、知乎、微信公眾號、百度百家等自媒體中，受到了很多讀者的認可。於吾心，有樂陶然。

當然，從我對自己的定位——「小兵探道」可知，我對深度學習的認知，仍處於一種探索階段，我仍是一個深度學習的學習者。在圖書中、在網路里，我學習了、參考了很多有價值的資料。這裡，對這些有價值的資料的提供者、生產者，我表示深深的敬意和謝意。

有時候，我甚至把自己定位一個「知識的搬運工」、深度學習知識的梳理者。即使如此，由於學術水平尚淺，我對一些理論或技術的理解，可能是膚淺的，甚至是錯誤的，所以，如果本書「有誤」，且如果讀者「有閑」，不妨給出你的寶貴建議和意見，在此表示感謝。同時，由於時間和精力有限，很多有用的深度學習理論和技術還沒有涉及到，只待日後補上。

作者的聯繫信箱為：zhangyuhong001@gmail.com。

張玉宏

2018年3月

本文部分節選自《深度學習之美：AI時代的數據處理與最佳實踐》（張玉宏著，電子工業出版社，2018年7月出版）。

（連載待續）