《深度学习核心技术与实践》是一本内容丰富而深入的书籍。作者详细介绍了深度学习的核心算法，并着重说明了它在计算机视觉、语音识别和自然语言处理等领域的应用。本书讲解了这些算法的原理，并提供了相关实践案例，尽管在贴代码方面有点缺乏，但对于深度学习从业人士或相关研究生来说，作为参考资料是非常合适的。无论你是刚刚入门深度学习还是已经有一定经验的人，这本书都能帮助你深入了解深度学习的核心技术，并应用于实践中。
深度学习核心技术与实践电子书封面
读者评价
这本介绍深度学习的书真的很不错，与市面上的其他类似书籍相比，它的质量真是让人感到很良心。现在一些互联网企业的技术团队出版的书籍都非常出色，例如美团、hulu和猿辅导的这本书也非常好，它介绍了许多工程层面的技巧，内容非常全面。
其中，拍照搜题APP“小猿搜题”以及猿辅导公司一系列被称为“小猿黑科技”的产品如英语作文自动批改、英语口语自动打分纠错以及速算应用中的在线手写识别等，都是我们的应用研究团队开发的，也就是本书的作者们实现的。在几乎所有经济领域都在提到人工智能和深度学习的今天，出版这样一本来自一线业者的著作，真的是对行业有益的工作。一家公司所做的事情不仅会对用户有益，同时也能对整个行业产生影响，我们公司很自豪能出版这本书。感谢我们的应用研究团队。
本书的作者之一，邓澍军博士和夏龙是我以前的同事，几年前我们一起在网易有道工作时，他们就开始了对机器学习的孜孜不倦的学习和探究，阅读经典专著和论文，研究代码，并推动机器学习技术与公司业务的结合。他们一直保持着这样的热情，直到他们加入猿辅导创业。现在，他们将自己对深度学习方法的心得体会和第一手经验写成了《深度学习核心技术与实践》一书，即使是像我这样丰富经验的人，也从这本书中学到了很多之前未曾了解的知识。
这本书的许多作者都是我以前的同事。通过这本书，我看到了他们熟悉的务实、钻研和追求实际效果的风格。在深度学习被称为“炼金术”的时代，本书从第一线的视角出发，既包含了工程实践所需的关键概念、模型和算法原理，也总结了多年的实践经验。内容深入浅出，充满实用知识，是一本非常珍贵的入门和实践参考书。
内容介绍
《深度学习核心技术与实践》主要介绍深度学习的核心算法，以及在计算机视觉、语音识别、自然语言处理中的相关应用。本书的作者们都是业界*线的深度学习从业者，所以书中所写内容和业界联系紧密，所涵盖的深度学习相关知识点比较全面。本书主要讲解原理，较少贴代码。本书适合深度学习从业人士或者相关研究生作为参考资料，也可以作为入门教程来大致了解深度学习的相关前沿技术。
目录
- 第1 部分深度学习基础篇1
- 1 概述
- 参考文献
- 2 神经网络
- 参考文献
- 3 初始化模型
- 参考文献
- 4 卷积神经网络
- 参考文献
- 5 循环神经网络
- 参考文献
- 6 深度学习优化算法
- 参考文献
- 7 深度学习训练技巧
- 参考文献
- 8 深度学习框架
- 参考文献
- 第2 部分计算机视觉篇
- 9 计算机视觉背景
- 10 图像分类模型
- 参考文献
- 11 目标检测
- 参考文献
- 12 语义分割
- 参考文献
- 13 图像检索的深度哈希编码
- 参考文献
- 第3 部分语音识别篇
- 14 传统语音识别基础
- 参考文献
- 15 基于WFST 的语音解码
- 参考文献
- 16 深度语音识别
- 参考文献
- 17 CTC 解码
- 参考文献
- 第4 部分自然语言处理篇
- 18 自然语言处理简介
- 19 词性标注
- 参考文献
- 20 依存句法分析
- 参考文献
- 21 word2vec
- 参考文献
- 22 神经网络机器翻译
- 参考文献
- 第5 部分深度学习研究篇
- 23 Batch Normalization
- 参考文献
- 24 Attention
- 参考文献
- 25 多任务学习
- 参考文献
- 26 模型压缩
- 参考文献
- 27 增强学习
- 参考文献
- 28 GAN
- 参考文献
- A 本书涉及的开源资源列第1 部分深度学习基础篇1
- 1 概述
- 参考文献
- 2 神经网络
- 参考文献
- 3 初始化模型
- 参考文献
- 4 卷积神经网络
- 参考文献
- 5 循环神经网络
- 参考文献
- 6 深度学习优化算法
- 参考文献
- 7 深度学习训练技巧
- 参考文献
- 8 深度学习框架
- 参考文献
- 第2 部分计算机视觉篇
- 9 计算机视觉背景
- 10 图像分类模型
- 参考文献
- 11 目标检测
- 参考文献
- 12 语义分割
- 参考文献
- 13 图像检索的深度哈希编码
- 参考文献
- 第3 部分语音识别篇
- 14 传统语音识别基础
- 参考文献
- 15 基于WFST 的语音解码
- 参考文献
- 16 深度语音识别
- 参考文献
- 17 CTC 解码
- 参考文献
- 第4 部分自然语言处理篇
- 18 自然语言处理简介
- 19 词性标注
- 参考文献
- 20 依存句法分析
- 参考文献
- 21 word2vec
- 参考文献
- 22 神经网络机器翻译
- 参考文献
- 第5 部分深度学习研究篇
- 23 Batch Normalization
- 参考文献
- 24 Attention
- 参考文献
- 25 多任务学习
- 参考文献
- 26 模型压缩
- 参考文献
- 27 增强学习
- 参考文献
- 28 GAN
- 参考文献
- A 本书涉及的开源资源列表
朋友反馈说，看不懂CNN和RNN篇．文章确实因为篇幅原因，有点跳步了．不过我觉得主要原因还是跳过了前面的基础部分．我们很多时候喜欢直击重点，跳过过程，但是有的过程确实跳不过去． 数据挖掘，机器学习，机器视觉，语言处理这些背后有很多数学概率基础，且不止于此，它和大多数程序员之前接触的写应用，网络编程，数据库，配系统，学习编程语言，把人家的库拿来搭一搭… 不一样，那些即使不懂原理，也能照猫画虎做个七八成．在这里，我们用Python/R，它们把技术细节都解决了，这里拼的不是工作量，拼的是算法，是对数据的理解．参加个比赛或者技术选型，人家用啥模型，咱也用啥模型，即使只调参，也需要理解数据和掌握数学工具．不明白原理，还是没法跟人家拼？ 我个人觉得，这个很难速成．对于程序员来说，唯一的捷径可能是从代码入手，在做的过程中，逐步把数学和原理补上．程序员对代码直觉相对好一点，有时候我看不懂图和公式，但我看得懂代码．
RNN 的原理 CNN 比较适合图片的分类任务，但是对于语言翻译，问答系统等场景不是很适用，假设有一个句子，最后一个单词为空，人是怎么填这个空的： He is american, he speak _ 这个空的值出现是基于前面出现过的 american 来填写的，即 american -> english。因此我们需要一个模型，不仅能挖掘语料之间的关系，还能挖掘语料之中的关系，这就是 RNN 的思路，因此这个模型要从把 american -> english 作为一个 feature 从一条语料中进行挖掘。 RNN 是循环神经网络，它的特点是拥有记忆能力，这个能力的实现也很简单，就是神经网络的输入不再是一整个大向量了，而是把这个大向量拆成小的向量，每个小向量喂给神经网络后返回的值 input1 和下一个小向量 input2 作为输入再喂给神经网络
算是很不错的一本讲深度学习的书了，相比市面上同类书籍，简直良心太多。现在一些互联网企业技术团队出的书都不错，美团的，hulu的，还有猿辅导的这本也挺好的了，介绍了很多工程层面的技巧，全面。