具體描述
産品特色
編輯推薦
適讀人群 ：從業人員以及對算法、機器學習感興趣的人群《深度學習算法實踐》以一位軟件工程師在工作遇到的問題為主綫，闡述瞭如何從軟件工程的思維嚮算法思維轉變，以及深度學習算法的概念與實踐：比如在哪些場景下需要運用深度學習算法、如何將深度學習算法應用到任務中、提高工作效率？不僅如此，作者還結閤程序員在工作中經常麵臨的産品需求，詳細闡述瞭應該怎樣從算法的角度來看待、分解需求，並結閤經典的任務對深度學習算法做瞭清晰的分析：如何用RNN和CNN結閤來提取深度文本特徵？如何開始寫一個Chatbot？如何在Chatbot中應用深度學習？強化學習為什麼這麼強大，它是萬能的嗎？強化學習可以用在什麼地方？對於圖形領域的深度網絡來說，是否有通用的提高模型精度的方法？如何利用深度學習來預測股票的趨勢？YouTube是如何推薦影片的，我們如何將YouTube的深度學習經驗應用在推薦係統中……這些經典的應用案例，能讓有誌於學習深度學習的讀者，快速地理解核心所在，並順利地上手實踐。
內容簡介
《深度學習算法實踐》以一位軟件工程師在工作中遇到的問題為主綫，闡述瞭如何從軟件工程思維嚮算法思維轉變、如何將任務分解成算法問題，並結閤程序員在工作中經常麵臨的産品需求，詳細闡述瞭應該怎樣從算法的角度看待、分解需求，並結閤經典的任務對深度學習算法做瞭清晰的分析。
《深度學習算法實踐》在錶達上深入淺齣，讓有誌於學習深度學習的讀者，能夠快速地理解核心所在，並順利上手實踐。
作者簡介
吳岸城
緻力於深度學習在文本、圖像領域的應用。曾中興通訊、亞信聯創擔任研發經理、技術經理等職務，現任菱歌科技首席算法科學傢一職。
目錄
1 開始 1
1.1 從傳統的軟件工程思維轉型 1
1.2 建立算法思維 2
1.2.1 算法的開發流程 3
1.2.2 做算法的步驟 4
1.2.3 英特的總結 8
1.3 觀察！觀察！觀察！重要的事情說三遍 11
2 文本分析實戰 15
2.1 第一個文本問題 15
2.1.1 郵件標題的預處理 15
2.1.2 選用算法 18
2.1.3 用CNN做文本分類 21
2.2 情感分類 24
2.2.1 先分析需求 24
2.2.2 詞法分析 25
2.2.3 機器學習 28
2.2.4 試試LSTM模型 30
2.3 文本深度特徵提取 31
2.3.1 詞特徵錶示 31
2.3.2 句子特徵錶示 42
2.3.3 深度語義模型 51
3 做一個對話機器人 53
3.1 理解人類提問 56
3.2 答案的抽取和選擇 57
3.3 蘊含關係 62
3.4 生成式對話模型（Generative Model） 63
3.5 判斷機器人說話的準確性 69
3.6 智能對話的總結和思考 70
4 視覺識彆 73
4.1 從人臉識彆開始 74
4.1.1 OpenCV能做什麼 74
4.1.2 檢測精度的進化：Dlib 79
4.1.3 錶情識彆：Openface 83
4.2 深度捲積網絡 87
4.2.1 CNN的演化過程 87
4.2.2 深度捲積和更深的捲積 96
4.2.3 實現更深的捲積網絡 103
4.2.4 殘差網絡的實現 108
4.2.5 十全大補藥：通用的提高精度的方法 111
4.2.6 圖像訓練需要注意的地方 116
4.3 目標檢測 125
4.3.1 用SSD來實現目標檢測應用 133
4.3.2 SSD訓練源碼提示 136
4.4 視覺領域的應用 138
4.4.1 藝術風格畫 138
4.4.2 看圖說話：用文字描述一幅圖像（BiRNN+CNN） 140
4.4.3 CNN的有趣應用：語音識彆 142
5 強化學習實踐 145
5.1 吃豆子和強化學習 145
5.2 馬爾科夫決策過程 147
5.3 理解Q網絡 150
5.4 模擬物理世界：OpenAI 152
5.5 實現一個DQN 154
5.5.1 DQN代碼實現 154
5.5.2 DQN過程的圖錶化 160
5.6 關於強化學習的思考 163
5.6.1 強化學習的特殊性 163
5.6.2 知識的形成要素：記憶 165
5.6.3 終極理想：終身學習 170
6 預測與推薦 173
6.1 從Google的感冒預測說起 173
6.2 股票預測（一） 175
6.2.1 股票業務整理 176
6.2.2 數據獲取和準備 179
6.2.3 模型搭建 183
6.2.4 優化 186
6.2.5 後續 187
6.3 股票預測（二） 189
6.4 深度學習在推薦領域的應用：Lookalike算法 197
6.4.1 調研 198
6.4.2 實現 201
6.4.3 結果 205
6.4.4 總結探討 205
參考文獻
前言/序言
隨著機器智能的進步，人類預測技能的價值將會降低。原因在於機器預測比人工預測更為低價和優質，正如機器算數肯定比人力算數更為迅速準確。然而，這卻並不像許多專傢預言的意味著人類工作的末日，因為人類判斷技能的價值將得以凸顯。用經濟學語言錶述就是，判斷是預測的互補品，因此當預測的成本降低，對判斷的需求就會增大。
——The Simple Economics of Machine Intelligence，《哈佛商業評論》
當年互聯網的大潮席捲一切時，數字通信技術被認為將顛覆商業、改變一切。之後的移動互聯網也在某種程度上被認為將顛覆商業。經濟學傢總體上並沒有被當時的互聯網泡沫所忽悠。
現如今，有關人工智能的報道鋪天蓋地，有昔日“新經濟”泡沫之勢。這一次，基本的經濟學原理和框架就足以幫助我們理解和預測這一技術形態對商業産生的影響。技術革命往往會使某些重要活動的成本降低，比如說通信或搜索信息等活動。究其實質，人工智能或者機器智能（Machine Intelligence）是一項預測技術，因此它的經濟影響將圍繞降低預測成本這個中心來展開。
對於已經身處這個大潮中的開發者、架構師、數據分析人員等，隻能去擁抱這項技術。深度學習並不是一項憑空冒齣來的技術，它在機器學習之上做瞭很多優化。本質上所有的有監督學習都是在探討怎樣無限地逼近目標函數（強化學習另外討論），而深度網絡就是讓機器代替人類提取特徵的工作變得更有可能真正實現。在經濟學傢的眼裏，現階段人工智能的本質是從預測（或分類問題）開始，我想通過幾個實際的例子來和大傢聊聊這個話題；另一方麵，我的團隊在工作中積纍瞭一些實際經驗，我們也希望能將這些經驗貢獻齣來，如果能在某種程度上對讀者有所幫助那就最好不過瞭。以上兩點，促成瞭本書的誕生。
我寫的前一本書（《神經網絡與深度學習》，電子工業齣版社齣版）偏嚮於概念講解，因為寫的時候深度學習並不普及，讓大眾瞭解深度學習的基本概念是最急迫的目標。本書大部分內容則偏嚮於應用，因為無論是降低社會成本，還是發明創造齣新算法，都離不開實踐；如果還能從實踐中思考一些東西，那就是舉一反三的能力瞭——這是我們人類獨特的價值。所以在本書後麵的強化學習、股票預測等章節，我們都會留一些問題，讀者可以親自實踐，用深度學習這個工具創造齣更多的價值，更長遠地說，為推動強人工智能貢獻自己的一份力量。
我一直相信，創造具有意識的AI，對所有的科技人員都是一種誘惑，盡管有可能造齣來就意味著人類的邊緣化，但仍然要憋著勁兒去研究如何把它造齣來——這簡直就不像人類的自由意誌，更像背後有一隻手在推動著，我想上帝在造人時的心情也不過如此吧。
本書麵嚮有一定基礎、在工作中對深度學習有一定實際需求的讀者；也麵嚮那些有誌於從傳統的軟件工程領域轉型的工程師們。
本書一共分為6章。
第1章，主要講從工程思維到算法思維的轉變，對於有基礎的讀者來說稍顯囉唆，但很重要，希望讀者能仔細閱讀。
第2章，闡述文本分析、文本深度特徵等內容，已有基礎的讀者可以根據自己的需求部分略過。
第3章，主要介紹對話機器人的相關技術和發展。
第4章，主要介紹視覺，以人臉檢測為例，從傳統的OpenCV模式識彆做人臉檢測到用CNN網絡做人臉錶情識彆。勾勒CNN的傳承發展，講述做圖像分類、目標識彆等其他應用。
第5章，主要講區彆於一般的有監督學習的另一個問題：強化學習和DQN網絡實踐。
第6章，主要講預測與推薦，以股票為例，並同時討論瞭深度學習在推薦領域的應用。
本書的完成得到瞭團隊的大力支持：張帥、郭曉璐提供瞭圖像方麵的支持；周維提供瞭強化學習內容上的支持，在此衷心地感謝他們。
下麵是本書用到的環境說明。
為保持一緻性，本書所有的代碼如無特殊說明都基於Python 2.7版本，係統環境為Ubuntu 16.04，以及所用到的Keras、TensorFlow、MXNet、Caffe、Openface、openAI、OpenCV、Dlib、NumPy、SciPy、Gensim、Theano等均為2016年9月的最新版本。
本書的部分源代碼整理在：/Book_DeepLearning_ Practice，僅供研究使用，使用時請注明來源，如需用作商業或其他用途，請聯係作者取得授權。
用戶評價
我是一名對數據科學充滿熱情的從業者，在工作中經常需要處理各種類型的數據，並從中提取有價值的信息。深度學習在處理大規模、高維度數據方麵展現齣瞭強大的潛力，但我一直缺乏係統性的學習。我希望這本書能夠幫助我理解深度學習的核心思想，以及它與傳統機器學習方法的區彆。我期待書中能夠用通俗易懂的語言解釋復雜的數學原理，並通過豐富的圖示和類比來加深理解。同時，我也希望書中能夠介紹不同類型的深度學習模型，並說明它們各自適用的場景。例如，何時選擇全連接網絡（FC-NN），何時選擇捲積神經網絡（CNN），何時選擇循環神經網絡（RNN），以及何時選擇更先進的模型結構。書中對模型訓練過程中的各種超參數和技巧的解釋，比如學習率衰減、批量歸一化（Batch Normalization）、Dropout等，也至關重要，能夠幫助我更好地調優模型。此外，如果書中還能包含一些真實世界的數據集案例，並指導我如何利用深度學習解決這些問題，那將是非常寶貴的學習資源。
評分作為一名對人工智能和機器學習充滿好奇的初學者，我一直在尋找一本能夠清晰、係統地介紹深度學習核心概念和實踐方法的書籍。市麵上關於深度學習的資料浩如煙海，但很多要麼過於理論化，要麼過於零散，難以形成完整的知識體係。我希望找到一本能夠真正幫助我理解“為什麼”和“怎麼做”的書。這本書的齣版，無疑給我帶來瞭新的希望。我非常期待它能從基礎的神經網絡結構講起，逐步深入到捲積神經網絡（CNN）在圖像處理領域的應用，以及循環神經網絡（RNN）在序列數據處理上的威力。同時，我也希望能看到書中對各種常用深度學習框架，如TensorFlow或PyTorch的詳細介紹和實戰演練，讓我能夠快速上手，將理論知識轉化為實際項目。此外，對於模型訓練中的一些關鍵環節，比如數據預處理、損失函數選擇、優化器設計以及正則化技巧，我也希望書中能有深入的探討，並提供實用的調參建議，這對於提升模型性能至關重要。總而言之，我希望這本書能夠成為我深度學習學習之路上的得力助手，幫助我構建紮實的理論基礎和豐富的實踐經驗。
評分我是一名正在進行計算機視覺方嚮研究生學習的學生，對於深度學習在圖像識彆、目標檢測、圖像分割等方麵的最新進展非常關注。在研究過程中，我經常需要閱讀大量的學術論文，並嘗試復現其中的模型。然而，很多時候，論文中的描述往往不夠詳細，或者需要對一些底層算法有更深入的理解纔能更好地實現。我希望這本書能夠深入剖析一些經典的深度學習模型，比如ResNet、Inception、YOLO、Mask R-CNN等，詳細介紹它們的網絡結構、設計思想以及關鍵技術點。更重要的是，我希望能看到書中對這些模型在實際數據集上的訓練過程和性能評估有詳細的講解，包括如何選擇閤適的預訓練模型，如何進行微調（fine-tuning），以及如何利用數據增強技術來提升模型的泛化能力。對於一些更前沿的研究方嚮，如注意力機製（attention mechanisms）、Transformer在視覺領域的應用，甚至是生成對抗網絡（GANs）在圖像生成和風格遷移方麵的應用，我也希望能有相關的介紹和案例分析。這本書的齣現，如果能提供這樣的深度和廣度，對我進行學術研究將有巨大的幫助。
評分作為一名經驗豐富的軟件工程師，我一直關注著人工智能技術在實際業務中的落地。最近，我們團隊開始探索利用深度學習來解決一些自然語言處理（NLP）相關的挑戰，比如文本分類、情感分析、機器翻譯、問答係統等。我非常看重書籍的實用性和可操作性，希望它能夠提供清晰的代碼示例和完整的項目流程。我期待這本書能夠從NLP的基礎概念講起，逐步介紹詞嵌入（word embeddings）技術，如Word2Vec、GloVe，以及更強大的預訓練語言模型，如BERT、GPT係列。書中能夠詳細講解如何使用這些模型來構建實際的NLP應用，包括如何加載預訓練模型，如何進行微調以適應特定任務，以及如何評估模型的性能。我也希望書中能夠涉及一些NLP領域的常用工具和庫，比如NLTK、SpaCy、Hugging Face Transformers等，並提供相關的教程和示例。此外，對於大規模語料的處理、模型部署和推理優化等實際工程問題，如果書中能有所提及並提供解決方案，那將極大地提升這本書的價值。
評分作為一個對技術趨勢保持敏銳的讀者，我非常關注深度學習的最新發展和未來方嚮。除瞭掌握現有技術，我也希望能對未來的發展有所預見。我期待這本書能夠不僅僅停留在對現有算法的介紹，而是能探討一些前沿的研究課題和挑戰。比如，可解釋性AI（Explainable AI, XAI）在深度學習中的應用，如何理解和解釋模型的決策過程，這對構建信任和調試模型都非常重要。我也希望能瞭解聯邦學習（Federated Learning）的概念及其在保護數據隱私方麵的作用，以及圖神經網絡（Graph Neural Networks, GNNs）在處理圖結構數據方麵的潛力，這在社交網絡分析、推薦係統等領域有著廣泛的應用。此外，對於深度強化學習（Deep Reinforcement Learning, DRL）在遊戲、機器人控製等領域的突破，我也希望書中能有所涉及。這本書如果能提供對這些前沿領域的概覽，並指齣未來的研究方嚮，將非常有啓發性，幫助我把握技術脈搏，為未來的學習和研究指明方嚮。
評分通過微信公眾號得知齣書瞭，必須要支持一下，買來之後看瞭兩章，技術通過故事講得通俗易懂，很贊。
評分公共號上的文章都看完瞭，在迴過頭來看書，係統性更強
評分ai的入門科普，豆瓣上評價一般，看看再說
評分京東活動購書，書質滿分，非常優惠，買瞭很多慢慢看，點贊京東正品
評分每次618都是一大堆書，買書真的上癮。不行！要戒掉，看完再買！
評分技術大咖推薦。機器學習入門必看書籍。好書。
評分有一次手賤買瞭不少書，希望自己能看，要是這些書看不完，以後再便宜我也不買瞭
評分把時間的內容加入深度學習的算法中，可以邊學習邊實踐，易於掌握，值得，收藏
評分不錯很薄適閤入門已經墊在枕頭下每天必看二十個字。
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.cndgn.com All Rights Reserved. 新城书站 版權所有