深度学习算法实践 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

吴岸城 著

图书标签:

• 深度学习
• 机器学习
• 算法
• 实践
• Python
• 神经网络
• TensorFlow
• PyTorch
• 模型
• 数据科学

出版社： 电子工业出版社

ISBN：9787121317934

版次：1

商品编码：12224062

品牌：Broadview

包装：平装

开本：16开

出版时间：2017-07-01

用纸：轻型纸

页数：304

字数：204000

正文语种：中文

产品特色

编辑推荐

适读人群 ：从业人员以及对算法、机器学习感兴趣的人群

《深度学习算法实践》以一位软件工程师在工作遇到的问题为主线，阐述了如何从软件工程的思维向算法思维转变，以及深度学习算法的概念与实践：比如在哪些场景下需要运用深度学习算法、如何将深度学习算法应用到任务中、提高工作效率？不仅如此，作者还结合程序员在工作中经常面临的产品需求，详细阐述了应该怎样从算法的角度来看待、分解需求，并结合经典的任务对深度学习算法做了清晰的分析：如何用RNN和CNN结合来提取深度文本特征？如何开始写一个Chatbot？如何在Chatbot中应用深度学习？强化学习为什么这么强大，它是万能的吗？强化学习可以用在什么地方？对于图形领域的深度网络来说，是否有通用的提高模型精度的方法？如何利用深度学习来预测股票的趋势？YouTube是如何推荐影片的，我们如何将YouTube的深度学习经验应用在推荐系统中……这些经典的应用案例，能让有志于学习深度学习的读者，快速地理解核心所在，并顺利地上手实践。

内容简介

《深度学习算法实践》以一位软件工程师在工作中遇到的问题为主线，阐述了如何从软件工程思维向算法思维转变、如何将任务分解成算法问题，并结合程序员在工作中经常面临的产品需求，详细阐述了应该怎样从算法的角度看待、分解需求，并结合经典的任务对深度学习算法做了清晰的分析。

《深度学习算法实践》在表达上深入浅出，让有志于学习深度学习的读者，能够快速地理解核心所在，并顺利上手实践。

作者简介

吴岸城

致力于深度学习在文本、图像领域的应用。曾中兴通讯、亚信联创担任研发经理、技术经理等职务，现任菱歌科技首席算法科学家一职。

目录

1 开始 1

1.1 从传统的软件工程思维转型 1

1.2 建立算法思维 2

1.2.1 算法的开发流程 3

1.2.2 做算法的步骤 4

1.2.3 英特的总结 8

1.3 观察！观察！观察！重要的事情说三遍 11

2 文本分析实战 15

2.1 第一个文本问题 15

2.1.1 邮件标题的预处理 15

2.1.2 选用算法 18

2.1.3 用CNN做文本分类 21

2.2 情感分类 24

2.2.1 先分析需求 24

2.2.2 词法分析 25

2.2.3 机器学习 28

2.2.4 试试LSTM模型 30

2.3 文本深度特征提取 31

2.3.1 词特征表示 31

2.3.2 句子特征表示 42

2.3.3 深度语义模型 51

3 做一个对话机器人 53

3.1 理解人类提问 56

3.2 答案的抽取和选择 57

3.3 蕴含关系 62

3.4 生成式对话模型（Generative Model） 63

3.5 判断机器人说话的准确性 69

3.6 智能对话的总结和思考 70

4 视觉识别 73

4.1 从人脸识别开始 74

4.1.1 OpenCV能做什么 74

4.1.2 检测精度的进化：Dlib 79

4.1.3 表情识别：Openface 83

4.2 深度卷积网络 87

4.2.1 CNN的演化过程 87

4.2.2 深度卷积和更深的卷积 96

4.2.3 实现更深的卷积网络 103

4.2.4 残差网络的实现 108

4.2.5 十全大补药：通用的提高精度的方法 111

4.2.6 图像训练需要注意的地方 116

4.3 目标检测 125

4.3.1 用SSD来实现目标检测应用 133

4.3.2 SSD训练源码提示 136

4.4 视觉领域的应用 138

4.4.1 艺术风格画 138

4.4.2 看图说话：用文字描述一幅图像（BiRNN+CNN） 140

4.4.3 CNN的有趣应用：语音识别 142

5 强化学习实践 145

5.1 吃豆子和强化学习 145

5.2 马尔科夫决策过程 147

5.3 理解Q网络 150

5.4 模拟物理世界：OpenAI 152

5.5 实现一个DQN 154

5.5.1 DQN代码实现 154

5.5.2 DQN过程的图表化 160

5.6 关于强化学习的思考 163

5.6.1 强化学习的特殊性 163

5.6.2 知识的形成要素：记忆 165

5.6.3 终极理想：终身学习 170

6 预测与推荐 173

6.1 从Google的感冒预测说起 173

6.2 股票预测（一） 175

6.2.1 股票业务整理 176

6.2.2 数据获取和准备 179

6.2.3 模型搭建 183

6.2.4 优化 186

6.2.5 后续 187

6.3 股票预测（二） 189

6.4 深度学习在推荐领域的应用：Lookalike算法 197

6.4.1 调研 198

6.4.2 实现 201

6.4.3 结果 205

6.4.4 总结探讨 205

参考文献

前言/序言

随着机器智能的进步，人类预测技能的价值将会降低。原因在于机器预测比人工预测更为低价和优质，正如机器算数肯定比人力算数更为迅速准确。然而，这却并不像许多专家预言的意味着人类工作的末日，因为人类判断技能的价值将得以凸显。用经济学语言表述就是，判断是预测的互补品，因此当预测的成本降低，对判断的需求就会增大。

——The Simple Economics of Machine Intelligence，《哈佛商业评论》

当年互联网的大潮席卷一切时，数字通信技术被认为将颠覆商业、改变一切。之后的移动互联网也在某种程度上被认为将颠覆商业。经济学家总体上并没有被当时的互联网泡沫所忽悠。

现如今，有关人工智能的报道铺天盖地，有昔日“新经济”泡沫之势。这一次，基本的经济学原理和框架就足以帮助我们理解和预测这一技术形态对商业产生的影响。技术革命往往会使某些重要活动的成本降低，比如说通信或搜索信息等活动。究其实质，人工智能或者机器智能（Machine Intelligence）是一项预测技术，因此它的经济影响将围绕降低预测成本这个中心来展开。

对于已经身处这个大潮中的开发者、架构师、数据分析人员等，只能去拥抱这项技术。深度学习并不是一项凭空冒出来的技术，它在机器学习之上做了很多优化。本质上所有的有监督学习都是在探讨怎样无限地逼近目标函数（强化学习另外讨论），而深度网络就是让机器代替人类提取特征的工作变得更有可能真正实现。在经济学家的眼里，现阶段人工智能的本质是从预测（或分类问题）开始，我想通过几个实际的例子来和大家聊聊这个话题；另一方面，我的团队在工作中积累了一些实际经验，我们也希望能将这些经验贡献出来，如果能在某种程度上对读者有所帮助那就最好不过了。以上两点，促成了本书的诞生。

我写的前一本书（《神经网络与深度学习》，电子工业出版社出版）偏向于概念讲解，因为写的时候深度学习并不普及，让大众了解深度学习的基本概念是最急迫的目标。本书大部分内容则偏向于应用，因为无论是降低社会成本，还是发明创造出新算法，都离不开实践；如果还能从实践中思考一些东西，那就是举一反三的能力了——这是我们人类独特的价值。所以在本书后面的强化学习、股票预测等章节，我们都会留一些问题，读者可以亲自实践，用深度学习这个工具创造出更多的价值，更长远地说，为推动强人工智能贡献自己的一份力量。

我一直相信，创造具有意识的AI，对所有的科技人员都是一种诱惑，尽管有可能造出来就意味着人类的边缘化，但仍然要憋着劲儿去研究如何把它造出来——这简直就不像人类的自由意志，更像背后有一只手在推动着，我想上帝在造人时的心情也不过如此吧。

本书面向有一定基础、在工作中对深度学习有一定实际需求的读者；也面向那些有志于从传统的软件工程领域转型的工程师们。

本书一共分为6章。

第1章，主要讲从工程思维到算法思维的转变，对于有基础的读者来说稍显啰唆，但很重要，希望读者能仔细阅读。

第2章，阐述文本分析、文本深度特征等内容，已有基础的读者可以根据自己的需求部分略过。

第3章，主要介绍对话机器人的相关技术和发展。

第4章，主要介绍视觉，以人脸检测为例，从传统的OpenCV模式识别做人脸检测到用CNN网络做人脸表情识别。勾勒CNN的传承发展，讲述做图像分类、目标识别等其他应用。

第5章，主要讲区别于一般的有监督学习的另一个问题：强化学习和DQN网络实践。

第6章，主要讲预测与推荐，以股票为例，并同时讨论了深度学习在推荐领域的应用。

本书的完成得到了团队的大力支持：张帅、郭晓璐提供了图像方面的支持；周维提供了强化学习内容上的支持，在此衷心地感谢他们。

下面是本书用到的环境说明。

为保持一致性，本书所有的代码如无特殊说明都基于Python 2.7版本，系统环境为Ubuntu 16.04，以及所用到的Keras、TensorFlow、MXNet、Caffe、Openface、openAI、OpenCV、Dlib、NumPy、SciPy、Gensim、Theano等均为2016年9月的最新版本。

本书的部分源代码整理在：/Book_DeepLearning_ Practice，仅供研究使用，使用时请注明来源，如需用作商业或其他用途，请联系作者取得授权。

《算法的炼金术：精通数据驱动的智能》 一、 概述：解锁智能的奥秘，洞察数据背后的力量 在信息爆炸的时代，数据已成为驱动社会进步、重塑商业格局的关键要素。然而，原始数据的价值往往被其庞杂和表面信息的迷惑所掩盖。真正能够释放数据潜能，转化为洞察力、预测能力甚至创造力的，是那些深邃而精巧的算法。《算法的炼金术：精通数据驱动的智能》并非一本聚焦于特定深度学习框架的“how-to”手册，也不是对现有模型堆砌的简单罗列。本书的目标，是带领读者深入理解驱动当今智能技术蓬勃发展的核心算法思想，探寻它们如何在纷繁复杂的数据世界中提炼出金子般的智慧。 我们相信，理解算法的“为什么”比仅仅掌握“怎么用”更为重要。因此，本书将以一种严谨而富有启发性的方式，剖析各类经典与前沿算法的内在逻辑、数学原理以及它们在解决现实问题时的应用范式。这不是一本速成指南，而是需要读者沉浸其中，进行深入思考与实践的旅程。通过本书，你将不再是算法的使用者，而是其理解者、分析者，甚至是创新者。 二、 核心内容：算法的思维体系构建 本书的核心在于构建一套完整的算法思维体系，使读者能够举一反三，触类旁通。我们不局限于某个狭窄的领域，而是从最基础的概念出发，逐步构建起一座理解复杂智能系统的桥梁。 第一篇：数学基础与理论基石 在深入算法之前，扎实的数学基础是不可或缺的。本篇将回顾并提炼与现代算法紧密相关的数学概念，而非进行枯燥的数学定理推导。 线性代数：数据的语言。 理解向量、矩阵、张量及其运算，它们是数据表示和转换的核心。我们将重点关注特征值、特征向量、矩阵分解等概念，它们如何帮助我们理解数据的内在结构和降维。 概率论与数理统计：不确定性的量化。 概率分布、期望、方差、贝叶斯定理、最大似然估计等，这些是理解模型不确定性、进行模型评估和优化的基石。我们将探讨如何用统计学原理来解释算法的学习过程。 微积分：优化的驱动力。 梯度、导数、链式法则，它们是理解模型如何通过迭代优化来找到最佳参数的关键。我们将深入理解损失函数、梯度下降及其变种的原理。 第二篇：经典算法的智慧传承 本篇将回顾并深入解析那些奠定了现代智能技术基石的经典算法，理解它们的演进逻辑和适用场景。 监督学习的基石： 线性模型与逻辑回归： 从最简单的回归和分类模型出发，理解线性决策边界以及概率建模的思想。 支持向量机（SVM）： 探讨最大间隔原理，核函数如何实现非线性映射，以及SVM在处理高维数据时的优势。 决策树与集成方法： 理解树形结构的决策过程，以及如何通过随机森林、梯度提升等集成方法来克服单模型弱点，提升鲁棒性与准确性。 无监督学习的探索： 聚类算法： K-Means、DBSCAN等算法如何发现数据中的自然分组，理解距离度量和密度估计在聚类中的作用。 降维技术： 主成分分析（PCA）、t-SNE等方法如何减少数据维度，保留重要信息，并用于可视化和特征提取。 关联规则挖掘： Apriori算法如何发现数据项之间的有趣关联，例如在购物篮分析中的应用。 概率图模型：结构化预测的利器。 马尔可夫链与隐马尔可夫模型（HMM）： 理解序列数据的建模方式，在语音识别、自然语言处理等领域的经典应用。 贝叶斯网络： 探讨变量间的因果关系和条件独立性，如何进行推理和学习。 第三篇：模型演进与前沿探索 本篇将聚焦于现代智能技术的核心驱动力——更强大的模型和更精妙的训练技巧。 神经网络的深度解析： 感知机与多层感知机（MLP）： 从最基础的神经元模型出发，理解激活函数、前向传播和反向传播算法。 卷积神经网络（CNN）： 深入理解卷积操作、池化操作、感受野以及CNN在图像识别、计算机视觉领域的强大能力。我们将探讨不同CNN架构的设计理念。 循环神经网络（RNN）与长短期记忆网络（LSTM）： 理解如何处理序列数据，记忆机制如何克服梯度消失问题，在自然语言处理、时间序列分析中的应用。 Transformer模型： 重点解析Attention机制，理解其在并行计算和捕捉长距离依赖方面的革命性优势，及其在自然语言处理领域的统治地位。 生成模型与创造力： 生成对抗网络（GAN）： 深入理解生成器与判别器的博弈过程，以及GAN在图像生成、风格迁移等方面的应用。 变分自编码器（VAE）： 探讨概率编码和解码的思想，如何学习数据的潜在分布，并用于生成和异常检测。 强化学习的决策之道： 马尔可夫决策过程（MDP）： 理解状态、动作、奖励以及策略的概念。 Q-Learning与Deep Q-Networks（DQN）： 探讨基于价值的强化学习方法，以及如何与神经网络结合实现更复杂的决策。 策略梯度方法： 理解直接优化策略的优势，以及Actor-Critic等方法的结合。 第四篇：算法的工程化与实践智慧 再强大的算法也需要落地的工程化才能发挥价值。本篇将探讨算法在实际应用中需要考虑的关键问题。 特征工程的艺术： 如何从原始数据中提取、构建对模型有益的特征，理解其在模型性能中的关键作用。 模型训练与优化： 损失函数设计、优化器选择（SGD, Adam, RMSprop等）、学习率调度、正则化技术（L1, L2, Dropout）如何提升模型性能和泛化能力。 模型评估与选择： 准确率、召回率、F1分数、ROC曲线、AUC等评估指标的含义与选择。交叉验证、网格搜索、随机搜索等超参数调优方法。 模型部署与推理： 模型压缩、量化、高效推理引擎等如何在资源受限的环境中部署模型。 可解释性AI（XAI）的探索： 理解模型决策过程的重要性，以及LIME、SHAP等可解释性工具的应用。 三、 学习路径与方法论：主动的求知之旅 《算法的炼金术》并非要求读者死记硬背公式，而是倡导一种主动的学习方法。 1. 原理至上： 强调对每个算法背后的数学原理和逻辑推导的理解。不要满足于“知道怎么用”，而是要探究“为什么这样有效”。 2. 联系实际： 每一类算法的讲解都将结合其在不同领域的典型应用场景，帮助读者将理论知识与实际问题联系起来。 3. 动手实践： 本书提供丰富的案例分析和代码片段（但不提供完整可直接运行的代码），鼓励读者在真实的编程环境中动手实现、调试和修改算法，加深理解。 4. 批判性思维： 鼓励读者对不同算法的优劣、适用范围以及潜在的局限性进行批判性思考，培养独立分析和解决问题的能力。 5. 持续学习： 智能算法领域发展迅速，本书旨在构建扎实的基础，使读者能够更有效地学习和掌握未来的新技术。 四、 目标读者：渴望深度理解的探索者 本书面向所有对数据科学、人工智能、机器学习以及算法原理有浓厚兴趣的读者，包括但不限于： 软件工程师和开发者： 希望从“调用API”升级到“理解并构建底层算法”的开发者。 数据科学家和分析师： 寻求深化对算法理解，提升模型构建与分析能力的数据专业人士。 在校学生： 计算机科学、统计学、数学等相关专业的学生，希望系统学习算法理论并为未来研究或职业生涯打下坚实基础。 对智能技术充满好奇的爱好者： 希望拨开迷雾，真正理解人工智能等技术背后运行机制的读者。 五、 结语：通往智能时代的罗盘 《算法的炼金术：精通数据驱动的智能》将成为你通往智能时代的一份珍贵罗盘。它将带领你穿越算法的浩瀚星辰，点亮你对数据背后智慧的理解之光。我们相信，通过本书的学习，你将能够更自信地驾驭数据，更有力地推动智能技术的发展，并在这个快速变化的时代中，找到属于自己的创新之路。 这是一场思维的洗礼，一次智慧的升华，一场对数据价值的深度探索。

评分☆☆☆☆☆

作为一名对人工智能和机器学习充满好奇的初学者，我一直在寻找一本能够清晰、系统地介绍深度学习核心概念和实践方法的书籍。市面上关于深度学习的资料浩如烟海，但很多要么过于理论化，要么过于零散，难以形成完整的知识体系。我希望找到一本能够真正帮助我理解“为什么”和“怎么做”的书。这本书的出版，无疑给我带来了新的希望。我非常期待它能从基础的神经网络结构讲起，逐步深入到卷积神经网络（CNN）在图像处理领域的应用，以及循环神经网络（RNN）在序列数据处理上的威力。同时，我也希望能看到书中对各种常用深度学习框架，如TensorFlow或PyTorch的详细介绍和实战演练，让我能够快速上手，将理论知识转化为实际项目。此外，对于模型训练中的一些关键环节，比如数据预处理、损失函数选择、优化器设计以及正则化技巧，我也希望书中能有深入的探讨，并提供实用的调参建议，这对于提升模型性能至关重要。总而言之，我希望这本书能够成为我深度学习学习之路上的得力助手，帮助我构建扎实的理论基础和丰富的实践经验。

评分☆☆☆☆☆

作为一名经验丰富的软件工程师，我一直关注着人工智能技术在实际业务中的落地。最近，我们团队开始探索利用深度学习来解决一些自然语言处理（NLP）相关的挑战，比如文本分类、情感分析、机器翻译、问答系统等。我非常看重书籍的实用性和可操作性，希望它能够提供清晰的代码示例和完整的项目流程。我期待这本书能够从NLP的基础概念讲起，逐步介绍词嵌入（word embeddings）技术，如Word2Vec、GloVe，以及更强大的预训练语言模型，如BERT、GPT系列。书中能够详细讲解如何使用这些模型来构建实际的NLP应用，包括如何加载预训练模型，如何进行微调以适应特定任务，以及如何评估模型的性能。我也希望书中能够涉及一些NLP领域的常用工具和库，比如NLTK、SpaCy、Hugging Face Transformers等，并提供相关的教程和示例。此外，对于大规模语料的处理、模型部署和推理优化等实际工程问题，如果书中能有所提及并提供解决方案，那将极大地提升这本书的价值。

评分☆☆☆☆☆

我是一名正在进行计算机视觉方向研究生学习的学生，对于深度学习在图像识别、目标检测、图像分割等方面的最新进展非常关注。在研究过程中，我经常需要阅读大量的学术论文，并尝试复现其中的模型。然而，很多时候，论文中的描述往往不够详细，或者需要对一些底层算法有更深入的理解才能更好地实现。我希望这本书能够深入剖析一些经典的深度学习模型，比如ResNet、Inception、YOLO、Mask R-CNN等，详细介绍它们的网络结构、设计思想以及关键技术点。更重要的是，我希望能看到书中对这些模型在实际数据集上的训练过程和性能评估有详细的讲解，包括如何选择合适的预训练模型，如何进行微调（fine-tuning），以及如何利用数据增强技术来提升模型的泛化能力。对于一些更前沿的研究方向，如注意力机制（attention mechanisms）、Transformer在视觉领域的应用，甚至是生成对抗网络（GANs）在图像生成和风格迁移方面的应用，我也希望能有相关的介绍和案例分析。这本书的出现，如果能提供这样的深度和广度，对我进行学术研究将有巨大的帮助。

评分☆☆☆☆☆

我是一名对数据科学充满热情的从业者，在工作中经常需要处理各种类型的数据，并从中提取有价值的信息。深度学习在处理大规模、高维度数据方面展现出了强大的潜力，但我一直缺乏系统性的学习。我希望这本书能够帮助我理解深度学习的核心思想，以及它与传统机器学习方法的区别。我期待书中能够用通俗易懂的语言解释复杂的数学原理，并通过丰富的图示和类比来加深理解。同时，我也希望书中能够介绍不同类型的深度学习模型，并说明它们各自适用的场景。例如，何时选择全连接网络（FC-NN），何时选择卷积神经网络（CNN），何时选择循环神经网络（RNN），以及何时选择更先进的模型结构。书中对模型训练过程中的各种超参数和技巧的解释，比如学习率衰减、批量归一化（Batch Normalization）、Dropout等，也至关重要，能够帮助我更好地调优模型。此外，如果书中还能包含一些真实世界的数据集案例，并指导我如何利用深度学习解决这些问题，那将是非常宝贵的学习资源。

评分☆☆☆☆☆

作为一个对技术趋势保持敏锐的读者，我非常关注深度学习的最新发展和未来方向。除了掌握现有技术，我也希望能对未来的发展有所预见。我期待这本书能够不仅仅停留在对现有算法的介绍，而是能探讨一些前沿的研究课题和挑战。比如，可解释性AI（Explainable AI, XAI）在深度学习中的应用，如何理解和解释模型的决策过程，这对构建信任和调试模型都非常重要。我也希望能了解联邦学习（Federated Learning）的概念及其在保护数据隐私方面的作用，以及图神经网络（Graph Neural Networks, GNNs）在处理图结构数据方面的潜力，这在社交网络分析、推荐系统等领域有着广泛的应用。此外，对于深度强化学习（Deep Reinforcement Learning, DRL）在游戏、机器人控制等领域的突破，我也希望书中能有所涉及。这本书如果能提供对这些前沿领域的概览，并指出未来的研究方向，将非常有启发性，帮助我把握技术脉搏，为未来的学习和研究指明方向。

评分☆☆☆☆☆

第3章偏重Web后端编程；

评分☆☆☆☆☆

618优惠，屯了一堆书，很便宜，够看挺长一段时间的了。

评分☆☆☆☆☆

京东，书，都不用说了，当然都是好评，关键是京东活动买书优惠活动很大，非常感谢，一个月买了10多次书总共100多本，至于书的内容，就不能都看完再评了，无论什么书，只要看了都会有收获的，毕竟都是别人花了好几年或者是半辈子早就出来的成果

评分☆☆☆☆☆

书籍不错，有塑封，这次六一八优惠很给力，一下子买了好多。

评分☆☆☆☆☆

强化学习应该会在我的工作中起到作用

评分☆☆☆☆☆

神经网络方面不错的一本书

评分☆☆☆☆☆

个人带全队的优点在于，他可以把个人能力发挥到极致，一个人完成拿球摆脱、传球渗透甚至最后的射门。但缺点在于，你拿球越多，对手就越容易集中优势兵力去防守。梅西一拿球冰岛就派出三个壮汉去围抢他，而内马尔一拿球瑞士人直接就上脚上手。

评分☆☆☆☆☆

618搞活动买了三本，书质量很好，但是很多数学需要再学习。

评分☆☆☆☆☆

这是我上网搜到的tensorflow学习书籍最好的几本之一，个人选择了，觉得还是不错的