原標題：`五本必讀的深度學(xué)習(xí)圣經(jīng)書籍，入門 AI 從「深度學(xué)習(xí)」開始`

（以下以 Daniel Jeffries 第一人稱撰寫）

多年來，由于實驗室研究和現(xiàn)實應(yīng)用效果之間的鴻溝，少有人持續(xù)研究人工智能，AI 在很多領(lǐng)域停滯不前。然而近兩年，AI 在一些領(lǐng)域陸續(xù)有了重大突破，像是圖像識別、自動駕駛、Alpha Go 等等。許多八九十年代的算法，因為硬體速度慢和缺乏數(shù)據(jù)等原因而不再被使用。而現(xiàn)在，受眾多大數(shù)據(jù)和大規(guī)模并行芯片的支持，這些算法終于初見成效。

在過去的一年多時間里，研究人員競相出版專著，以滿足讀者對深度學(xué)習(xí)知識的渴求。第一本關(guān)于深度學(xué)習(xí)的書已經(jīng)上架，更多的將會在夏天或者明年年初陸續(xù)上架。我有幸提前拜讀了一些專著的初稿，這些書的最終出版讓人期待萬分。

接下來我將推薦一些深度學(xué)習(xí)書籍給大家。這些書可以引導(dǎo)大家如何學(xué)習(xí)人工智能，這對深度學(xué)習(xí)的快速理解有很大幫助。

理論和實踐相互兼顧

我父親常說：「凡事均衡最好?！箤Υ宋疑钚挪灰?#xff0c;且奉為圭臬。當(dāng)然，我承認在周末或者在拉斯維加斯的時候，偶爾也會將其拋諸腦后。

我贊成理論與實踐要相互均衡。比如針對某個問題， 給一個明確的背景資訊，然后根據(jù)實例自己動手實踐。書本不要過多闡述理論知識，應(yīng)該讓讀者邊學(xué)習(xí)邊查漏補缺。 設(shè)想有一本書，非常抽象，或者列舉大量的實例，卻不解釋問題的來龍去脈，你還看的下去嗎？

每個人都有自己的學(xué)習(xí)習(xí)慣，應(yīng)該清楚地知道怎么學(xué)，才能卓有成效。我始終認為花時間去買那些與我無用的書，特別容易錯過真正適合的。如果你喜歡通篇理論，那就不必繼續(xù)看我的推薦了。如果你喜歡看那些理論與實踐結(jié)合相宜得章的書，相信我推薦的書單會讓你會喜歡。

《Deep Learning》

第一本書是 Ian Goodfellow 的《Deep Learning》。作者在 Google Brain 和 OpenAI 上做出了突出貢獻。不少人認為這本書是深度學(xué)習(xí)領(lǐng)域的圣經(jīng)，因為它是迄今為止唯一一本融合了前幾十年研究工作的鴻篇巨著。

不過，除非你有較好的數(shù)學(xué)基礎(chǔ)，否則不建議你從本書入門，因為讀起來挫敗感十足。 書中不僅有大量的公式，同時寫得比較枯燥干澀。盡 Goodfellow 希望能傳授讀者更多的知識，但該書讀起來卻比較乏味，不能引人入勝。我估計明年首次參加大學(xué)深度學(xué)習(xí)課程的學(xué)生手中會擁有這本書，而其中許多人會因為這本書難懂而堅持不下去。這本書比較適合那些經(jīng)過幾年相關(guān)工作后，仍想進一步掌握深度學(xué)習(xí)的從業(yè)者。對于擁有較多專業(yè)領(lǐng)域知識且正淮備初次踏入 AI 行業(yè)的專業(yè)程序員而言，這也是一本比較全面的指南。

本書免費中文版github.com/exacity/deeplearningbook-chinese

《Hands-On Machine Learning with Scikit-Learn and Tensorflow》

第二本是剛出版的《Hands-On Machine Learning with Scikit-Learn and Tensorflow》。雖然這本書也有大量的公式，不過 作者 Aurélien Géron 用簡單的方式詮釋了復(fù)雜的概念。全書寫得通俗易懂，可讀性很強，不過我也不強烈推薦。

《數(shù)學(xué)不好還學(xué) AI》系列文章，是本書很好的補充，尤其是該系列的第五篇《用卷積神經(jīng)網(wǎng)絡(luò)進行圖像識別》和第七篇《自然語言處理》。在我的印象中，這本書有詳盡的實例和相應(yīng)代碼，兩者完美結(jié)合。我讀過在 Safari 的在線叢書初稿，當(dāng)時許多部分沒有寫完，而且網(wǎng)站還將一些公式轉(zhuǎn)換的莫名其妙，但這并不影響我對內(nèi)容的理解。

和其他優(yōu)秀的修改稿一樣，最終版本相比初稿有了實質(zhì)的躍進，完美詮釋了作者的觀點和採用的實例。本書內(nèi)容的組織非常自然流暢，各種觀點都有清晰的實例證明，建議讀者看第一遍的時候，不要去管那些公式，以后需要時再去深入推敲。

《Deep Learning with Python》

第三本是《Deep Learning with Python》。作者是 Keras 框架的構(gòu)建者 Francois Chollet。不過這本書還得過段時間才能出版。但透過 Manning 的 MEAP 系統(tǒng)可以閱讀前三章的內(nèi)容，內(nèi)容寫得很好，我極力推薦此書。

正如 Chollet 在編寫 Keras 框架時一樣 ，他神奇的將復(fù)雜概念簡單化，文中措詞巧妙，可讀性強。 即使是 AI 和深度學(xué)習(xí)中最具挑戰(zhàn)性的概念，他也同樣解釋的通俗易懂。讀了這本書我才真正理解什么是張量。書中有大量不錯的實例，大家可以在他的 Github上看看。隨著越來越接近正式出版，這本書也越來越完整。請關(guān)注支持作者，且同時，盡量能先在 MEAP 上跟進閱讀，留言給作者，來讓這本書更完善。

《Deep Learning: A Practitioner’s Approach》

第四本是《Deep Learning: A Practitioner’s Approach》。該書主要使用 Java 的深度學(xué)習(xí)框架 DL4J。目前 AI 領(lǐng)域的研究大多數(shù)使用 Python 語言實現(xiàn)，不過隨著越來越多企業(yè)涌入機器學(xué)習(xí)領(lǐng)域，Java 的使用可能會逐漸增多。由于 Java 擁有龐大的生態(tài)系統(tǒng)，現(xiàn)在的大公司里，它仍然是主要的開發(fā)工具。

這本書的讀者設(shè)定是深度學(xué)習(xí)的初學(xué)者。因此，如果你已經(jīng)有一些深度學(xué)習(xí)的基本知識、并想進一步深入研究如何用 Java 實現(xiàn)深度學(xué)習(xí)的話，請直接跳過前面的例子。但是如果你沒什么深度學(xué)習(xí)經(jīng)驗，Java 也不太熟悉的話，那么這本書值得你細細研讀。 尤其是第 4 章「出色的深度學(xué)習(xí)架構(gòu)」，提供了一個可以幫你解決現(xiàn)實應(yīng)用中架構(gòu)問題的關(guān)鍵方法 。

雖然我不熟悉 Java 語言，但我把它分享給我的幾個寫程式的同事后，他們非常喜歡。在介紹深度學(xué)習(xí)上，書中的實例和書本的總體結(jié)構(gòu)顯得非常專業(yè)。

《TensorFlow Machine Learning Cookbook》

最后推薦的是《TensorFlow Machine Learning Cookbook》。雖然書中的內(nèi)容和編碼有一些錯別字，不過在自然語言處理等內(nèi)容上，還是列舉了許多不錯的實例。和其他手冊書一樣，本書也偏重編碼，如果你不太了解卷積神經(jīng)網(wǎng)絡(luò)的輸入輸出，你會被許多基本概念搞暈，買書前如果你已經(jīng)看過其它的書，并且對書中的例子進行了實戰(zhàn)，那么這本書可以給你提供更多的練習(xí)與實踐。 但請不要把此書當(dāng)作入門書，也不建議單獨購買此書 。
---------------------
作者：zqx951102
原文：https://blog.csdn.net/zqx951102/article/details/89036476

總結(jié)

以上是生活随笔為你收集整理的五本必读的深度学习圣经书籍，入门 AI 从 深度学习 开始的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。