深度学习与MindSpore实践（华为智能计算技术丛书）

本书系统地介绍了深度学习理论，并基于MindSpore AI计算框架进行实践。全书共分14章，内容涵盖深度学习概况、深度学习基础知识、深度神经网络、卷积神经网络、循环神经网络、无监督学习、深度强化学习、自动化机器学习、端云协同、深度学习可视化及深度学习的数据准备等。为便于读者学习，书中还给出了基于MindSpore实现的关于深度学习的开发实例及线上资源。

本书可作为普通高等学校人工智能、智能科学与技术、计算机科学与技术、电子信息工程、自动化等专业的本科生及研究生教材，也可作为从事深度学习相关工作的软件开发工程师与科研人员的学习、参考用书。

陈雷：香港科技大学计算机科学与工程系教授，大数据研究所主任，IEEE Fellow和ACM杰出科学家。研究方向包括数据驱动AI、人力机器学习、知识图谱、社交媒体上的数据挖掘等。在国际著名期刊和会议上发表300余篇论文，曾获得2015年SIGMOD时间测试奖。现任VLDB 2019程序委员会联合主席、VLDB期刊主编、IEEE TKDE期刊副总编辑、VLDB Endowment执行成员。

MindSpore是华为公司开发的深度学习框架，兼容目前主流的深度学习框架，支持端/边/云全场景全栈协同开发。本书由陈雷教授倾力编著，陈雷教授是香港科技大学计算机科学与工程系教授，大数据研究所主任，IEEE Fellow和ACM杰出科学家。《深度学习与MindSpore实践》系统介绍了深度学习的基础理论、常用的深度神经算法设计，并以大量基于MindSpore的实例帮助读者掌握深度学习算法的实现。此外，本书还对深度学习中的样本数据处理、可视化及端云协同进行了深入的探讨，因此我相信本书适合广大读者作为深度学习技术的入门读物。

从计算机到互联网，再到人工智能，我们这代人从少年到中年见证参与了人类社会将科幻转变为现实的波澜壮阔的一场科技盛宴：机器学习、虚拟现实与云计算，这些曾经仅仅掌控在尖端科学家手中的技术已经融入我们的生活，寻常百姓亦耳熟能详。在中国，巨大的市场产生了海量数据，华为在深度学习冲击各行各业的大潮中，使硬件、软件相辅相成，倚昇腾芯片之惊人算力，推出MindSpore全场景AI（人工智能）计算框架，借此释放硬件的全部潜能。

华为自主研发的MindSpore AI计算框架，支持目前所有主流深度学习框架中的模型，支持端边云全场景全栈协同开发，可以适应所有的AI应用场景，极大地降低了开发门槛，显著减少模型开发时间；而它对本地AI计算的支持，更是解决了业界最为关注的隐私安全保护问题。

“工欲善其事，必先利其器”，在这个速度和执行力至关重要的时代，AI开发者需要去繁就简，用最快的速度学会正确有效地使用不同工具，解决工作中的实际问题，这就是本书的终极目标。与众多注重理论强调基础的深度学习教材不同，本书秉承“大道至简，实干为要”的理念，深入浅出地介绍了深度学习的基础知识和各种模型，通过大量经典实例讲授如何使用MindSpore AI计算框架在不同领域实现深度学习的理论和算法,结合昇腾强大的算力打造很多其他框架做不到的事情。

希望本书能够帮助每一位开发者早日得益于MindSpore的强大功能，为这场人类历史上伟大、迅猛、惊心动魄的技术革命尽一己之力。

感谢MindSpore开发团队在繁忙的工作中抽出时间，编写和校对了本书中所有的程序示例代码，如果没有他们的全心投入，本书将很难顺利完成。感谢MindSpore资料团队承担了全书的审阅工作，在内容整理、文字编排上注入了极大精力，对本书撰写工作做出极大贡献。感谢上海交通大学的沈艳艳老师，香港科技大学的张永琪、邸世民同学对本书的贡献，感谢书籍检视团队的同事为本书进行细致的查漏补缺，给出了大量有价值的建议；感谢中软架构与设计管理部的同事对书中插图进行精心编辑和修改，使得书的内容更加清晰形象、概念的解释更加具体明确；感谢Cloud BU战略与业务发展部的同事，他们与清华大学出版社进行大量沟通，促成了本书的快速出版。感谢清华大学出版社盛东亮老师和钟志芳老师的大力支持，他们认真细致的工作保证了本书的质量。最后，感谢华为公司在本书写作过程中提供的支持。

由于编著者水平有限，书中难免有疏漏和不足之处，恳请读者批评指正！

编著者

2019年11月

序言一（徐直军-华为轮值董事长）

序言二（樊文飞-中国科学院外籍院士）

前言

第1章引言00

1.1人工智能的历史变迁00

1.2什么是深度学习00

1.3深度学习的现实应用00

1.3.1自动语音识别00

1.3.2图像识别00

1.3.3自然语言处理00

1.3.4其他领域00

1.4本书的组织架构00

1.5MindSpore简介00

1.5.1编程简单00

1.5.2端云协同0

1.5.3调试轻松0

1.5.4性能卓越0

1.5.5开源开放0

第2章深度学习基础知识0

2.1回归问题算法0

2.2梯度下降算法0

2.3分类问题算法0

2.4过拟合与欠拟合0

第3章深度神经网络0

3.1前向网络0

3.2反向传播0

3.3泛化能力0

3.4用MindSpore实现简单神经网络0

3.4.1各层参数说明0

3.4.2详细步骤0

目录

第4章深度神经网络的训练0

4.1深度学习系统面临的主要挑战0

4.1.1大数据集需求0

4.1.2硬件需求0

4.1.3过拟合0

4.1.4超参数优化0

4.1.5不透明性0

4.1.6缺少灵活性0

4.2正则化0

4.2.1L2范数正则化0

4.2.2L1范数正则化0

4.3Dropout0

4.4自适应学习率0

4.4.1AdaGrad0

4.4.2RMSProp0

4.4.3Adam0

4.5批标准化0

4.6用MindSpore 实现深度神经网络0

4.6.1各层参数说明0

4.6.2详细步骤0

第5章卷积神经网络0

5.1卷积操作0

5.2池化0

5.3残差网络0

5.4应用：图片分类0

5.5用MindSpore实现基于卷积神经网络图片分类0

5.5.1加载MindSpore模块0

5.5.2定义ResNet网络结构0

5.5.3设置超参数0

5.5.4导入数据集0

5.5.5训练模型0

第6章循环神经网络0

6.1循环神经网络概述0

6.2深度循环神经网络0

6.3长期依赖的挑战0

6.4长短期记忆网络和门控循环神经网络0

6.4.1长短期记忆网络0

6.4.2门控循环神经网络0

6.5应用：文本预测0

6.6用MindSpore实现基于长短期记忆网络的文本预测0

6.6.1加载MindSpore模块0

6.6.2数据准备0

6.6.3定义网络0

6.6.4参数介绍0

6.6.5训练模型0

参考文献0

第7章无监督学习： 词向量0

7.1Word2Vec0

7.1.1提出背景0

7.1.2发展现状0

7.1.3技术原理0

7.1.4技术难点0

7.1.5应用场景0

7.1.6框架模块0

7.2GloVe0

7.2.1提出背景0

7.2.2发展现状0

7.2.3技术原理0

7.2.4技术难点0

7.2.5应用场景

7.2.6框架模块

7.3Transformer

7.3.1提出背景

7.3.2发展现状

7.3.3技术原理

7.3.4技术难点

7.3.5应用场景

7.3.6框架模块

7.4BERT

7.4.1提出背景

7.4.2发展现状

7.4.3技术原理

7.4.4技术难点

7.4.5应用场景

7.4.6框架模块

7.5词向量典型生成算法对比

7.6应用：自动问答

7.6.1自动问答的相关概念

7.6.2传统的自动问答方法

7.6.3基于深度学习的自动问答方法

7.7用MindSpore 实现基于BERT的自动问答

7.7.1数据集准备

7.7.2训练BERT网络

参考文献

第8章无监督学习： 图向量

8.1图向量简介

8.2DeepWalk算法

8.2.1DeepWalk算法原理

8.2.2DeepWalk算法实现

8.3LINE算法

8.3.1LINE算法原理

8.3.2LINE算法实现

8.4Node2Vec算法

8.4.1Node2Vec算法原理

8.4.2Node2Vec算法实现

8.5GCN算法

8.5.1GCN算法原理

8.5.2GCN算法实现

8.6GAT算法

8.6.1GAT算法原理

8.6.2GAT算法实现

8.7应用：推荐系统

8.7.1工业界中的推荐系统

8.7.2推荐系统中的图神经网络模型

参考文献

第9章无监督学习： 深度生成模型

9.1变分自编码器

9.1.1提出背景

9.1.2发展现状

9.1.3技术原理

9.1.4技术难点

9.1.5应用场景

9.2生成对抗网络

9.2.1提出背景

9.2.2发展现状

9.2.3技术原理

9.2.4技术难点

9.2.5应用场景

9.2.6框架模块

9.3应用：数据增强

9.3.1数据增强的定义

9.3.2数据增强的目的

9.3.3传统数据增强的方法

9.3.4基于深度学习的数据增强方法

9.4用MindSpore实现基于生成对抗网络的数据增强

参考文献

第10章深度强化学习

10.1强化学习基本概念

10.1.1基础概念与理论

10.1.2马尔可夫决策过程

10.1.3贝尔曼方程

10.2基本求解方法

10.2.1动态规划法

10.2.2蒙特卡罗法

10.2.3时间差分法

10.3深度强化学习算法

10.3.1DQN算法

10.3.2DDPG算法

10.3.3A3C算法

10.4最新应用

10.4.1推荐系统

10.4.2博弈游戏

10.5用MindSpore实现基于DQN的博弈游戏

参考文献

第11章自动化机器学习

11.1AutoML框架

11.1.1NAS算法

11.1.2超参调优

11.2现有AutoML系统介绍

11.2.1AutoWeka/AutoSklearn/HyperOpt

11.2.2Microsoft NNI

11.3元学习

11.3.1学习优化器

11.3.2学习参数初始化

11.3.3学习损失函数

11.3.4学习度量

11.4用MindSpore实现AutoML

参考文献

第12章端云协同

12.1端侧推理

12.2端云迁移学习

12.3端云联邦学习

12.3.1联邦平均

12.3.2梯度压缩

12.4端云协同框架

参考文献

第13章深度学习可视化

13.1深度学习可视化概述

13.1.1数据分析

13.1.2模型建立与理解

13.1.3训练

13.1.4评估

13.2MindSpore可视化实践

13.2.1可视化流程

13.2.2数据集可视化

13.2.3模型与训练可视化

13.2.4Summary汇总数据格式

参考文献

第14章深度学习的数据准备

14.1数据格式概述

14.2深度学习中的数据格式

14.2.1原始输入

14.2.2标注信息

14.3常用的深度学习数据格式

14.3.1TFRecord格式

14.3.2LMDB存储

14.3.3Rec格式

14.3.4MindSpore数据格式

14.3.5MindSpore数据集

14.4使用MindSpore数据格式进行训练数据准备

14.4.1MindSpore数据格式生成

14.4.2MindSpore数据格式统计与检索

14.4.3MindSpore数据格式训练数据读取

附录A中、英文对照词汇表

附录BMindSpore白皮书

参考文献