2018年推荐的第一本书《深度学习》

2017年刷爆了朋友圈的关键词之一

人工智能

而2017年最火的科技新书

它排第二 无人敢排第一

它就是AI圣经！《深度学习》

如果你还没有读过它

请接受这次异步图书君的重磅推荐！

《深度学习》

英文版由美国麻省理工学院 MIT 出版社于 2016 年 12 月推出，一经出版就风靡全球。 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 三位作者一直耕耘于机器学习领域的前沿，引领了深度学习的发展潮流，是深度学习众多方法的主要贡献者。《深度学习DEEP LEARNING》的一大特点是介绍深度学习算法的本质，脱离具体代码实现给出算法背后的逻辑，不写代码的人也完全可以看。

《深度学习（中文版）》7月22日在北京与杭州两大人工智能大会双城首发，首发图书当天售罄，新书上市第一天便荣登各大网店畅销新书榜第一名！付印当月加印5次，成为了7月人工智能月最为抢手的畅销书。

杭州人工智能大会《深度学习（中文版）》新书首发视频，三位作者发来祝贺！

本书的封面由艺术家Daniel Ambrosi提供的中央公园杜鹃花步道梦幻景观。在Ambrosi的亿级像素全景图上，应用Joseph Smarr（Google）和Chirs Lamb（NVIDIA）修改后的Google Deep Dream开源程序，创造了Daniel Ambrosi的“幻景”。因此本书也被读者誉为“花书”。

历史

第一作者Ian Goodfellow在接受吴恩达访谈时说："《深度学习》是我和Yoshua Bengio、Aaron Courville合著的，Aaron是我的博士生导师。这是关于现代深度学习的第一本教科书，英文版和中文版都很受欢迎，两种语言的加起来应该已经卖出7万本了（现在已远远超过这个数字）。我也收到了很多学生的反馈，说看书以后有很大的收获。我们的书和其它的书有一点不一样，我们在开头专门有一章讲深度学习里需要用到的数学知识。我从你在斯坦福教授的课程里学感受到线性代数和概率论是非常重要的，就是，人们对机器学习算法很感兴趣，但是如果想做一个优秀的实践者的话，就需要先掌握算法背后的基础数学原理才行。所以我们就在一开始集中介绍所需的数学知识，这样就不用学会全部的线性代数知识，但是可以很快学会深度学习最常用的那些线性代数知识。”

学习本书脉络

“花书”包括 3 个部分，第 1 部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识。第 2 部分系统深入地讲解现今已成熟的深度学习方法和技术。第 3 部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。因此，该书适用于不同层次的读者。本书的审校者张志华教授说：“我本人在阅读该书时受到启发良多，大有裨益，并采用该书作为教材在北京大学讲授深度学习课程。”

《深度学习》中文版内容组织结构图。从一章到另一章的箭头表示前一章是理解后一章的必备内容

这两类读者，一定要读“花书”。其中，一类受众是学习机器学习的大学生(本科或研究生)，包括那些已经开始职业生涯的深度学习和人工智能研究者。另一类受众是没有机器学习或统计背景，但希望能快速地掌握这方面知识，并在他们的产品或平台中使用深度学习的软件工程师。现已证明，深度学习在许多软件领域都是有用的，包括计算机视觉、语音和音频处理、自然语言处理、机器人技术、生物信息学和化学、电子游戏、搜索引擎、网络广告和金融。

读者可以随意跳过不感兴趣或与自己背景不相关的部分。熟悉线性代数、概率和基本机器学习概念的读者可以跳过第1部分。若读者只是想实现一个能工作的系统，则不需要阅读超出第2 部分的内容。我们假设所有读者都具备计算机科学背景。也假设读者熟悉编程，并且对计算的性能问题、复杂性理论、入门级微积分和一些图论术语有基本的了解。

这是一本涵盖深度学习技术细节的教科书，它告诉我们深度学习集技术、科学与艺术于一体，牵涉统计、优化、矩阵、算法、编程、分布式计算等多个领域。书中同时也蕴含了作者对深度学习的理解和思考，处处闪烁着深刻的思想，耐人回味。第 1 章关于深度学习的思想、历史发展等论述尤为透彻而精辟。

作者在书中写到：“人工智能的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务，比如识别人们所说的话或图像中的脸。对于这些问题，我们人类往往可以凭直觉轻易地解决”。为了应对这些挑战，他们提出让计算机从经验中学习，并根据层次化的概念体系来理解世界，而每个概念通过与某些相对简单的概念之间的关系来定义。由此，作者给出了深度学习的定义：“层次化的概念让计算机构建较简单的概念来学习复杂概念。如果绘制出表示这些概念如何建立在彼此之上的一幅图，我们将得到一张 ‘深’(层次很多) 的图。由此，我们称这种方法为 AI 深度学习 (deep learning)”。

作者指出：“一般认为，到目前为止深度学习已经经历了三次发展浪潮：20 世纪 40 年代到 60 年代深度学习的雏形出现在控制论 (cybernetics) 中，20 世纪 80 年代到 90 年代深度学习以联结主义 (connectionism) 为代表，而从 2006 年开始，以深度学习之名复兴”。

这张维恩图展示了深度学习既是一种表示学习，也是一种机器学习，可以用于许多 (但不是全部)AI 方法。维恩图的每个部分包括一个 AI 技术的实例

谈到深度学习与脑科学或者神经科学的关系，作者强调：“如今神经科学在深度学习研究中的作用被削弱，主要原因是我们根本没有足够的关于大脑的信息作为指导去使用它。要获得对被大脑实际使用算法的深刻理解，我们需要有能力同时监测 (至少是) 数千相连神经元的活动。我们不能够做到这一点，所以我们甚至连大脑最简单、最深入研究的部分都还远远没有理解”。值得注意的是，我国有些专家热衷倡导人工智能与脑科学或认知学科的交叉研究，推动国家在所谓的“类脑智能”等领域投入大量资源。且不论我国是否真有同时精通人工智能和脑科学或认知心理学的学者，至少对交叉领域，我们都应该怀着务实、理性的求是态度。唯有如此，我们才有可能在这一波人工智能发展浪潮中有所作为，而不是又成为一群观潮人。

作者进一步指出：“媒体报道经常强调深度学习与大脑的相似性。的确，深度学习研究者比其他机器学习领域 (如核方法或贝叶斯统计) 的研究者更可能地引用大脑作为参考，但大家不应该认为深度学习在尝试模拟大脑。现代深度学习从许多领域获取灵感，特别是应用数学的基本内容如线性代数、概率论、信息论和数值优化。尽管一些深度学习的研究人员引用神经科学作为重要的灵感来源，然而其他学者完全不关心神经科学”。的确，对于广大青年学者和一线的工程师来说，我们是可以完全不用因为不懂神经 (或脑) 科学而对深度学习、人工智能踯躅不前。数学模型、计算方法和应用驱动才是我们研究人工智能的可行之道。深度学习和人工智能不是飘悬在我们头顶的框架，而是立足于我们脚下的技术。我们诚然可以从哲学层面或角度来欣赏科学与技术，但过度地从哲学层面来研究科学问题只会导致一些空洞的名词。关于人工神经网络在 20 世纪 90 年代中期的衰落，作者分析到：“基于神经网络和其他 AI 技术的创业公司开始寻求投资，其做法野心勃勃但不切实际。当 AI 研究不能实现这些不合理的期望时，投资者感到失望。同时，机器学习的其他领域取得了进步。比如，核方法和图模型都在很多重要任务上实现了很好的效果。这两个因素导致了神经网络热潮的第二次衰退，并一直持续到 2007 年”。“其兴也悖焉，其亡也忽焉”。这个教训也同样值得当今基于深度学习的创业界、工业界和学术界等警醒。

深度学习的由来

当人类第一次构思可编程计算机时，就已经在思考计算机能否变得智能 （尽管这距造出第一台计算机还有一百多年）（Lovelace, 1842）。如今，人工智能artificial intelligence（AI）已经成为一个具有众多实际应用和活跃研究课题的领域，并且正在蓬勃发展。我们期望通过智能软件自动地处理常规劳动、理解语音或图像、帮助医学诊断和支持基础科学研究。

在人工智能的早期，那些对人类智力来说非常困难、但对计算机来说相对简单的问题得到迅速解决，比如，那些可以通过一系列形式化的数学规则来描述的问题。人工智能的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务，如识别人们所说的话或图像中的脸。对于这些问题，我们人类往往可以凭借直觉轻易地解决。

针对这些比较直观的问题，本书讨论一种解决方案。该方案可以让计算机从经验中学习，并根据层次化的概念体系来理解世界，而每个概念则通过与某些相对简单的概念之间的关系来定义。让计算机从经验获取知识，可以避免由人类来给计算机形式化地指定它需要的所有知识。层次化的概念让计算机构建较简单的概念来学习复杂概念。如果绘制出表示这些概念如何建立在彼此之上的图，我们将得到一张“深”（层次很多） 的图。基于这个原因，我们称这种方法为 AI 深度学习Deep Learning。

国内外大牛对本书的赞誉

《深度学习》的中文译本忠实客观地表述了英文原稿的内容。本书的三位共同作者是一 个老中青三代结合的整体，既有深度学习领域的奠基人，也有处于研究生涯中期的领域中坚， 更有领域里近年涌现的新星。所以，本书的结构行文很好地考虑到了处于研究生涯各个不同 阶段的学生和研究人员的需求，是一本非常好的关于深度学习的教科书。

深度学习近年来在学术界和产业界都取得了极大的成功，但诚如本书作者所说，深度学 习是创建人工智能系统的一个重要的方法，但不是全部的方法。期望在人工智能领域有所作 为的研究人员，可以通过本书充分思考深度学习和传统机器学习、人工智能算法的联系和区 别，共同推进本领域的发展。

——微软研究院首席研究员华刚博士

这是一本还在写作阶段就被开发、研究和工程人员极大关注的深度学习教科书。它的出 版表明我们进入了一个系统化理解和组织深度学习框架的新时代。这本书从浅入深介绍了基 础数学、机器学习经验，以及现阶段深度学习的理论和发展。它能帮助AI 技术爱好者和从业 人员在三位专家学者的思维带领下全方位了解深度学习。

——腾讯优图杰出科学家、香港中文大学教授贾佳亚

深度学习代表了我们这个时代的人工智能技术。这部由该领域最权威的几位学者Good- fellow、Bengio、Courville 撰写的题为《深度学习》的著作，涵盖了深度学习的基础与应用、理 论与实践等各个方面的主要技术，观点鲜明，论述深刻，讲解详尽，内容充实。相信这是每一 位关注深度学习人士的必读书目和必备宝典。感谢张志华教授等的辛勤审校，使这部大作能 够这么快与中文读者见面。

——华为诺亚方舟实验室主任，北京大学、南京大学客座教授，IEEE Fellow 李航

从基础前馈神经网络到深度生成模型，从数学模型到最佳实践，这本书覆盖了深度学习的各 个方面。《深度学习》是当下最适合的入门书籍，强烈推荐给此领域的研究者和从业人员。

——亚马逊主任科学家、Apache MXNet 发起人之一李沐

出自三位深度学习最前沿权威学者的教科书一定要在案前放一本。本书的第二部分是精 华，对深度学习的基本技术进行了深入浅出的精彩阐述。

——ResNet 作者之一、Face++ 首席科学家孙剑

过去十年里，深度学习的广泛应用开创了人工智能的新时代。这本教材是深度学习领域 有重要影响的几位学者共同撰写。它涵盖了深度学习的主要方向，为想进入该领域的研究人 员、工程师以及初学者提供了一个很好的系统性教材。

——香港中文大学信息工程系主任汤晓鸥教授

这是一本教科书，又不只是一本教科书。任何对深度学习感兴趣的读者，本书在很长一段 时间里，都将是你能获得的最全面系统的资料，以及思考并真正推进深度学习产业应用、构 建智能化社会框架的绝佳理论起点。

—— 新智元创始人兼CEO 杨静

第一章 深度学习发展史

《深度学习》

点击封面试读

作者：

【美】Ian Goodfellow（伊恩·古德费洛） , 【加】Yoshua Bengio（约书亚·本吉奥） ,【加】Aaron Courville（亚伦·库维尔）

配套资源

《深度学习》英文版配套网站是http://www.deeplearningbook.org。网站上提供了各种补充材料，包括练习、讲义幻灯片、错误更正以及其他应该对读者和讲师有用的资源。

《深度学习》中文版的读者，可以直接在“异步图书”后台回复关键词“深度学习”获取更多图书信息。

延伸推荐

在“异步图书”后台回复“关注”，即可免费获得2000门在线视频课程；推荐朋友关注根据提示获取赠书链接，免费得异步图书一本。赶紧来参加哦！

扫一扫上方二维码，回复“关注”参与活动！

今日话题：你最近阅读的是哪本书？异步图书君将选出1名读者赠送文中新书一本。1.5日抽奖选出。

昨日获奖读者：Frodo Baggins

请获奖读者，在表单中填写获奖信息https://www.wenjuan.in/s/m2iaqif/

点击阅读原文，试读更多新书