前言

能够透过现象看本质，通过结果分析原因，这是人类拥有智能的主要表现。现象和结果就展现在我们面前，是显式（Explicit）的，很容易获取；本质和原因藏在它们身后，是隐式（Implicit）的，不容易被发现。深度学习就是一门这样的科学，它试图以人工神经网络（Artificial Neural Network，ANN）为工具，揭示网络参数与样本之间的本质关系。但在这样做之前，我们有必要理解什么是梯度下降法（GD）和反向传播算法（BP）。它们是揭示上述关系的关键，是本书从第2章开始所有内容的核心。梯度概念来源于微分和偏导，所以读者需要拥有一定的微积分的知识。最起码，需要知道什么是切线和切线的斜率，以及如何计算偏导。

也许这并不是一个很高的要求，但作为计算机专业的科研和教育工作者，我们深感很多大学生并不是没有学习理论，而是不会在实践中使用理论。例如，学了微积分，却不知道能派什么用场；学了编译原理，以为只有在开发编译系统中才有用。可是，你知道吗？这些理论在深度学习中却很重要。

所以，学以致用是本书的宗旨。本书不仅要讲理论和理论的实质，还要讲如何用代码实现这些理论。读者需要一边看书，一边在计算机上动手编程，同时提高自己的理论水平和动手能力。

提到计算机理论和数学原理，可能有些读者心里会打退堂鼓。其实，计算机理论和数学原理是用来指导我们工作的，能够帮助我们更轻松地完成深度学习编程任务。它们都是为“懒人”服务的，也是像我一样的“懒人”发明的。因为懒得应付程序设计或者软件开发过程中千变万化的复杂情况，我们就从其中提炼、抽象出了一些固定不变的东西，这些就是计算机理论和数学原理。所以，如果你想有技巧地偷懒，就学习计算机理论和数学原理吧，它会给你打开一个新天地，让你从一个更高的角度看深度学习、人工智能和程序设计。

所以，尽管本书的确会用到Python编程和人工智能框架Tensorflow（TF），也会讲解部分具体的语法和约定，但是都不是重点。重点是问题分解方法、递归的实质、梯度下降法、反向传播原理、三层神经网络、模型的结构和训练方法以及梯度分析。Python和TF不过是实现它们的工具。如果愿意，你也可以使用其他语言或者其他框架。

本书的目的是提高读者对深度学习基础理论的深刻理解。对很多基础性理论、数学、方法和算法的理解，例如面向对象、梯度、递归程序设计方法、数的进制等，都是编者30年来从事计算机科学理论研究和教学工作经验的总结。对读者来说，学习这些经验的价值可能超过了学习深度学习本身。

本书用到的Python版本为3.5以上，Tensorflow版本为1.9.0～1.14.0。由于TF框架还在飞速更新中，所以不要奇怪可能有些代码不能在你的机器上运行。我们建议把TF的版本设置在上述版本范围之内，或者上网搜索一下怎么做。

虽然本书已经提供了所有的代码，但建议读者一开始不要看代码，而是跟随本书一行一行地手写代码，这对学习深度学习是有很大好处的。如果程序总是出错，却又找不到原因，这时才有必要下载代码，然后运行看看结果如何。

请读者先安装好PyCharm社区版或以上版本，这是我们的集成开发环境。最好准备一个GPU，否则单GPU和多GPU训练就无法学习。书中用到的包主要是numpy和GPU版的Tensorflow，这些包可以通过pip安装。

本书写作过程中得到了李珂、赵昕、雷璐丹、潘志锐、权甲和吴鹏辉等人的大力协助，谢谢你们！

让我们从五猴分桃问题开始，一步一步地开启奇妙的深度学习之旅吧。

编者

关注本微信公众号

回复“深度学习”下载配套资源