要说这两年什么技术最火爆，那非人工智能莫属了。地铁上，随随便便就能听到旁边有人谈论人工智能的相关话题，什么监督学习、无监督学习，当听到CNN、GNN、RNN 的时候更是一脸懵逼。如此熟悉，可又说不出它究竟是个啥？
如何攻克人工智能呢？数学、算法各来一套。同时相关的工具和框架更是必不可少！深度学习就是其中之一。有关什么是深度学习，之前看过一个很恰当的比喻：“人工智能是一个婴儿的大脑，而深度学习就是让这个婴儿的大脑有能力看世界、听世界、感受世界。简单地说，深度学习是服务于人工智能的一个工具。”
图灵今年就出版了好几本深度学习相关图书，有入门级别的 《TensorFlow入门与实战》，进阶级别的《深入理解TensorFlow》和《TensorFlow深度学习》。如果你刚刚入门了深度学习，觉得这些图书读起来还有点难度，那刚出版的这本会是一个不错的选择。
图灵有一套日系经典图解 X 系列图书，专门治还未入门就想逃走的症状，比如我们熟悉的《图解HTTP》《图解机器学习》《图解密码技术》等，这些书以其有趣的图示和轻松的语言讲解深受读者喜爱。
扫一扫，查看图解系列其他图书
这次，图解 X 系列又添一位新成员，就是这本《图解深度学习》。虽然它是一本入门书，但是正确的使用方法是这样的——不要把它作为一本零基础学习深度学习的书，因为这本书文字讲解不够细致；把它作为一本辅助材料，非常出色，那些高清彩图、示例，让你略微有点基础之后，对相关的概念和重点一目了然。那么，接下来 360 度无死角地了解一下这本新书。
话不多说，先给大家看一下书封，秉承图解系列一贯风格，我们的编辑老师可以说很用心了，封面的图案都是磨砂工艺，拥有超高颜值，书籍尺寸拿在手里也刚刚好，阅读体验五颗星。
开篇第一章主要是给大家说清楚什么是深度学习、深度学习与机器学习的区别、深度学习的发展历程、为什么是深度学习等等。是一些入门深度学习你必须要知道的最基本知识。和大部分书的开篇没什么大区别，简单明了，你一看就知道作者在说什么。
这部分作者开始着手介绍深度学习，通过神经网络的历史介绍深度学习的发展历程。并对作为神经网络起源的感知器和多层感知器，训练多层感知器时使用的误差反向传播算法，以及使用误差反向传播算法的随机梯度下降法等进行说明。目的是让大家理解多层感知器的原理并能够自行实现。
卷积神经网络是一种在以图像识别为中心的多个领域都得到广泛应用的深度学习方法。很多深度学习的图书中都有对它的介绍，比如我们之前出版的那本《TensorFlow深度学习》就在讲解神经网络方面很突出。这部分介绍的是在图像识别领域广泛应用的卷积神经网络，讲解卷积神经网络的各层结构及其训练方法。在使用卷积神经网络时，需要预设大量参数。作者也结合了一些示例来说明当参数改变后，性能会发生哪些变化。
这部分介绍了基于图模型的玻尔兹曼机和受限玻尔兹曼机，以及多层组合后得到的深度信念网络，并对受限玻尔兹曼机训练时使用的对比散度（Contrastive Divergence，CD）算法进行说明。
这部分介绍的是自编码器。自编码器（autoencoder）是一种有效的数据维度压缩算法，主要应用在以下两个方面。
• 构建一种能够重构输入样本并进行特征表达的神经网络
• 训练多层神经网络时，通过自编码器训练样本得到参数初始值
这是一种利用感知器的表达形式，有效进行信息压缩、提高多层神经网络或卷积神经网络训练效率的方法。
本章介绍了一些能够提高深度学习算法泛化能力的方法，比如 Dropout、DropConnect ，以及预处理及激活函数等，还对支撑深度学习训练的数据集进行了说明。
这一章主要介绍一些深度学习的工具，比如，Theano、Pylearn2、Caffee、训练系统——DIGITS、Chainer、TensorFlow等一些开源深度学习工具。
作为结尾一章，作者对当前被广泛应用的深度学习研究案例进行说明，从而展望深度学习的未来，并做出总结。
イラストで学ぶ ディープラーニング (KS情報科学専門書)
作者：山下隆义
译者：张弥
彩色图解版深度学习入门
136张图+60段代码
浓缩深度学习的关键知识点
本书从深度学习的发展历程讲起，以丰富的图例从理论和实践两个层面介绍了深度学习的各种方法，以及深度学习在图像识别等领域的应用案例。内容涉及神经网络、卷积神经网络、受限玻尔兹曼机、自编码器、泛化能力的提高等。此外，还介绍了包括Theano、Pylearn2、Caffe、DIGITS、Chainer 和 TensorFlow 在内的深度学习工具的安装和使用方法。
第 1 章 绪论
1.1 深度学习与机器学习… …………… 2
1.2 深度学习的发展历程… …………… 3
1.3 为什么是深度学习… ……………… 6
1.4 什么是深度学习… ………………… 7
1.5 本书结构… ………………………… 9
第 2 章 神经网络
2.1 神经网络的历史… …………………12
2.2 M-P 模型… ………………………14
2.3 感知器… ……………………………16
2.4 多层感知器… ………………………18
2.5 误差反向传播算法… ………………19
2.6 误差函数和激活函数… ……………28
2.7 似然函数… …………………………30
2.8 随机梯度下降法… ………………31
2.9 学习率… ………………32
2.10 小结…………………………33
第 3 章 卷积神经网络
3.1 卷积神经网络的结构… ……………36
3.2 卷积层… ……………………………38
3.3 池化层… ………………………39
3.4 全连接层… …………………40
3.5 输出层… ………………………41
3.6 神经网络的训练方法… …………41
3.7 小结… ……………………………48
第 4 章 受限玻尔兹曼机
4.1 Hopfield 神经网络… …………50
4.2 玻尔兹曼机… ……………………55
4.3 受限玻尔兹曼机… ………………59
4.4 对比散度算法… ………………61
4.5 深度信念网络… ………………64
4.6 小结… …………………………66
第 5 章 自编码器
5.1 自编码器… ……………………68
5.2 降噪自编码器… ………………71
5.3 稀疏自编码器… ………………73
5.4 栈式自编码器… ………………76
5.5 在预训练中的应用… …………77
5.6 小结… …………………………78
第 6 章 提高泛化能力的方法
6.1 训练样本… ……………………80
6.2 预处理… ………………………88
6.3 激活函数… ……………………92
6.4 Dropout………………………...94
6.5 DropConnect… ……………….96
6.6 小结… ………………………….98
第 7 章 深度学习工具
7.1 深度学习开发环境… ……… 100
7.2 Theano……………………… 100
7.3 Pylearn2… …………………. 108
7.4 Caffe…………………………..118
7.5 训练系统——DIGITS… …….137
7.6 Chainer………………………..145
7.7 TensorFlow… ………………...160
7.8 小结… …………………………176
第 8 章深度学习的现在和未来
8.1 深度学习的应用案例… ………… 178
8.2 深度学习的未来… ……………… 195
8.3 小结… …………………………… 197
参考文献………………………………. 198
扫一扫，京东购
扫一扫，当当购
扫一扫，亚马逊购
文末福利
本期送出 3 本《图解深度学习》，小伙伴说说你对深度学习有怎样的了解？或者说说你都读过哪本图解系列的图书，有什么心得体会。精选留言选出 3 位小伙伴获得赠书。截止 2018 年 6 月 25 日 17:00。欢迎小伙伴们畅所欲言。
题图：Designed by Dooder / Freepik
☟☟☟点击【阅读原文】查看深度学习书单
