深度学习全书——公式+推导+代码+TensorFlow全程案例

《深度学习全书——公式+推导+代码+TensorFlow全程案例》共有15章，分为5部分，第一篇说明深度学习的概念，包括数理基础，特点是结合编程解题，加深读者印象，第二篇说明TensorFlow的学习地图，从张量、自动微分、梯度下降乃至神经层的实践，逐步解构神经网络，第三篇介绍CNN算法、影像应用、转移学习等，第四篇则进入自然语言处理及语音识别的领域，介绍RNN/BERT/Transformer算法、相关应用等，最后，介绍了强化学习的基础知识，包括马尔可夫决策过程、动态规划、蒙特卡洛、Q Learning算法，当然，还有相关案例实践。

陈昭明，成功大学统计系学士、清华大学工业工程研究所硕士。曾任职于IBM、工研院电通所、软件开发公司、ERP顾问公司、电信公司、财经数据库公司，目前担任Python、机器学习、深度学习、AIoT讲师。获2018年IT邦帮忙铁人赛 AI 组冠军、2021年IT邦帮忙铁人赛 AI 组优选。

洪锦魁，中国台湾计算机专家，著名程序员与IT作家。横跨DOS时代、Windows时代、Internet时代、大数据时代，纵观IT兴衰而笔耕不辍。台湾天龙书局IT图书常年霸榜专业户。其作品版权包括：中国台湾（繁体中文）、中国大陆（简体中文）、马来西亚（马来文）、美国（英文）。写作特色：所有程序语法依特性分类，同时以实用的程序范例进行解说，程序确保跑通，让读者可以事半功倍地轻松掌握相关知识。

深度学习已经风靡全球，对于计算机相关的从业者来说，学习其相关知识至关重要，对于非计算机领域的从业者来说，学习这些知识也可以大大扩宽自己的视野，对科技世界的发展动向略知一二。《深度学习全书——公式+推导+代码+TensorFlow全程案例》的作者以统计学人的角度，从深度学习必备的数理知识出发，一步步介绍各种领域的算法和应用，帮助学习者们构建一个完整的知识体系，做到即学即用，避免让知识成为空中楼阁。

为何撰写本书

笔者从事机器学习教育行业已有四年，其间也在“IT 邦帮忙”撰写过上百篇文章(https://ithelp.ithome.com.tw/users/20001976/articles)，从学员及读者的回馈中获得了许多宝贵意见，期望能将整个历程集结成册，同时，相关领域的发展也在飞速变化，过往的文章内容需要翻新，因此笔者借机再重整思路，思考如何能将算法的原理解释得更简易清晰，协助读者跨入 AI 的门坎，另外，也尽量避免流于空谈，增加应用范例，希望能使学生实现即学即用，不要有过多理论的探讨。

AI 是一个将数据转化为知识的过程，算法就是过程中的生产设备，最后产出物是模型，再将模型植入各种硬件装置，如计算机、手机、智能音箱、汽车、医疗诊断仪器等，这些装置就拥有了特殊专长的智能，再进一步整合各项技术就可以构建出智能制造、智能金融、智能交通、智慧医疗、智能城市、智能家庭等应用系统。AI 的应用领域如此广阔，个人精力和能力有限，唯有从基础扎根，再扩及有兴趣的领域，因此， 笔者撰写这本书的初衷，就是希望读者在扎根的过程中，贡献一点微薄的力量。

本书主要的特点

笔者身为统计人，希望能以统计 / 数学为出发点，介绍深度学习必备的数理基础， 但又不希望内文有太多数学公式的推导，让离开校园已久的在职者看到大量数学符号心生恐惧，因此，本书尝试以程序设计取代定理证明，缩短学习历程，增进学习乐趣。

TensorFlow 2.X 版有巨大的变动，默认模式改为 Eager Execution，并以 Keras 为主力，整合 TensorFlow 其他模块，形成完整的架构，本书期望对 TensorFlow 架构作完整性的介绍，并非只是介绍 Keras 而已。

算法介绍以理解为主，辅以大量图表说明，摒弃长篇大论。

完整的范例程序及各种算法的延伸应用，以实用为要，希望能触发读者灵感， 能在项目或产品内应用。

介绍日益普及的算法与相关套件的使用，如 YOLO( 目标检测 )、GAN( 生成对抗网络 )/DeepFake( 深度伪造)、OCR( 光学文字辨识)、人脸识别、BERT/Transformer、ChatBot、强化学习、语音识别 (ASR) 等。

目标对象

深度学习的入门者：必须熟悉 Python 程序语言及机器学习的基本概念。

数据工程师：以应用系统开发为职业志向，希望能应用各种算法，进行实际操作。

信息工作者：希望能扩展深度学习知识领域。

从事其他领域的工作：希望能一窥深度学习奥秘者。

阅读重点

第 1 章介绍 AI 的发展趋势，鉴古知今，引导读者了解前两波 AI 失败的原因， 比较第三波发展的差异性。

第 2 章介绍深度学习必备的统计 / 数学基础，读者不仅要理解相关知识，也要力求能撰写程序解题。

第 3 章介绍 TensorFlow 的基本功能，包括张量 (Tensor) 运算、自动微分及神经网络模型的组成，并说明梯度下降法求解的过程。

第 4 章开始实作，依照机器学习十项流程，撰写完整的范例，包括 Web、桌面程序等。

第 5 章介绍 TensorFlow 进阶功能，包括各种工具，如 TensorBoard、TensorFlow Serving、Callbacks 等。

第 6 ～ 10 章介绍图像 / 视频的算法及各式应用。

第 11 ～ 14 章介绍自然语言处理、语音及各式应用。

第 15 章介绍 AlphaGo 的基础—强化学习算法。

本书范例程序代码和参考文献全部可以通过扫描二维码获取。

致谢

原本笔者计划整理过往文章集结成书，但由于相关技术发展太快，几乎全部重新撰写编排，因此耗时较长，因个人能力有限，还是有许多问题成为遗珠之憾，仍待后续努力，编写过程中感谢栾大成、申美莹在编辑、校正、封面构想环节的尽心协助， 也感谢清华大学出版社的大力支持，使本书得以顺利出版，最后要借此书，纪念一位挚爱的亲人。

书中内容如有疏漏、谬误之处或有其他建议，欢迎广大读者来信指教。

陈昭明

2022-08