关注我们丨文末赠书
2024 年度诺贝尔物理学奖揭晓之后，不少网友表示出乎意料，更有人笑称这是物理学将计算机科学给“收编”了。
两位获奖者约翰·J·霍普菲尔德（John J. Hopfield）和杰弗里·E·辛顿（Geoffrey E. Hinton），皆因他们在上世纪 80 年代各自在人工神经网络领域的独立研究成果而获此殊荣。
虽然他们在研究工作中使用或借鉴了物理学方法，但公众普遍认为当下人工智能技术掀起的浪潮，也是诺奖评委会不可忽视的因素。
而获奖者之一的杰弗里·辛顿博士，则一直奋斗在人工智能的前线，坚持对人工神经网络的研究，在坐了 30 年冷板凳之后终于迎来了 AI 市场大爆发，他也获得 2018 年度图灵奖，是学界与业界公认的“AI教父”。
▲辛顿博士
辛顿博士对人工神经网络的突出贡献，就是在训练神经网络中推广反向传播算法，实现了深度学习的重大突破。在深度学习基础之上的大语言模型，则涌现出超预期的智能，成为此次技术革新的推动力量。
无疑，对于技术人来说，吃透深度学习就能把握 AI 发展的脉络，但深度学习会不会高深难学？
有这两本书相助就可轻松学会：《破解深度学习（基础篇）：模型算法与实现》与《破解深度学习（核心篇）：模型算法与实现》。它们以“只说人话”的风格讲透了深度学习的原理，帮助读者在工作中自如运用，解决实际问题。
▼点击下方，即可购书
我们先来了解深度学习的基本原理，以及它如何改变世界。
深度学习改变世界
深度学习是机器学习的一个分支，它基于人工神经网络的学习算法。深度学习模型通过模仿人脑的神经元网络来处理数据和识别模式。深度学习模型由多层组成，每一层都包含节点（或神经元），这些节点可以学习数据的不同特征。
深度学习模型通常需要大量的数据来训练，以便学习有效的特征表示，数据从输入层流向输出层，模型通过反向传播算法和梯度下降等技术来调整网络中的权重。
当前有三类主流深度学习模型：卷积神经网络（CNN）适合处理具有网格状拓扑结构的数据，比如图像；循环神经网络（RNN）适合用来处理序列数据，如文本或时间序列；注意力神经网络适合文本生成、机器翻译、文本摘要等。
当今世界正在被基于深度学习的 AI 产品所改变，ChatGPT 即是一个引爆点。另外，在自动驾驶、医疗诊断、推荐系统、信息安全等领域，深度学习也得到了广泛应用，已经在影响着我们的工作和生活。
可以预见，能透彻掌握深度学习的技术人，在市场上会何等抢手。但当前多数讲深度学习的图书处在专家视角，对于初学者来说门槛过高。抱着让深度学习可以轻松学会并上手的目标，本书的作者团队以自己在 AI 教育领域的经验，写出了这套系统化、学习体验优异的深度学习著作。
本书三位作者均是来自学界和业界的人工智能专家，拥有多年的研究与应用经验，我们来认识一下他们。
瞿炜，美国伊利诺伊大学人工智能博士，多个顶级学术期刊审稿人及国际学术会议委员。他在人工智能业界拥有20余年的技术积累和实践经验，曾先后在互联网、医疗、安防、教育等行业的多家世界 500 强企业担任高管。
作为知名教育博主，他擅长用通俗易懂的表达方式结合直观生动的模型动画，讲述复杂的人工智能理论与算法；创作的人工智能系列视频和课程在B站（账号：梗直哥丶）、知乎、公众号、视频号（账号：梗直哥丶）等平台深受学生们的欢迎和认可，累计访问量超数千万人次。
李力，人工智能专家，长期致力于计算机视觉和强化学习领域的研究与实践。他曾在多家顶尖科技企业担任资深算法工程师，拥有10余年行业经验，有效地应用先进模型解决图像识别、目标检测、自然语言处理、机器人研发等多个领域的实际问题。
杨洁，人工智能和自然语言处理领域资深应用专家，在自然语言理解、基于知识的智能服务、跨模态语言智能、智能问答系统等技术领域具有深厚的实战背景。她拥有10年以上的行业管理经验，擅长引领团队将复杂的理论转化为实际应用，解决行业中的关键问题。
现在就跟随这三位大神，从基础入门进阶成为深度学习高手。
从基础入门进阶成为深度学习高手
在深入探索深度学习之前，我们需要具备一些编程基础，会使用 Python 语言，熟悉一些常用库的操作。本套书中的示例基于流行的 PyTorch 深度学习框架编写，读者可以选择 PyCharm 或者 Visual Studio Code 编辑器搭建运行调试环境。
做好准备工作后，就可以从基础入门、高手进阶两部分来学习了。
基础入门
本部分的内容在《破解深度学习（基础篇）：模型算法与实现》一书中，它从深度学习的基本概念和应用领域讲起，引导读者首先了解必要的数学预备知识：
▮微积分，需要理解函数梯度、梯度下降法则等概念；
▮线性代数，它在处理神经网络中的矩阵和向量运算中起着关键作用；
▮概率统计，它是评估模型性能和处理不确定性的关键工具。
接着详细介绍了深度学习环境的搭建，包括 Python 安装、深度学习框架 PyTorch 的使用，以及 Jupyter Notebook 等实用工具的操作。
具备了实验环境，书中深入讲解了深度神经网络的核心原理，包括多层感知机、前向传播和反向传播、回归和分类问题等，以及神经网络训练过程中的常见问题，如过拟合和欠拟合，以及相应的正则化解决方案。
该部分对三大流行深度学习模型逐一介绍，首先是基础卷积神经网络，包括从图像卷积、卷积层、池化层到具体的代码实现；其次是基础循环神经网络，包括RNN、LSTM等；最后是注意力神经网络，详细介绍了注意力机制的原理和常见的注意力机制模型 Transformer。
▲图像卷积运算过程
这部分的学习，可以帮助读者建立起深度学习的全局知识框架。
高手进阶
打好基础的读者，可以在这部分去探索深度学习的核心知识，主要内容在《破解深度学习（核心篇）：模型算法与实现》一书中。
书中先是回顾了目前已有的经典卷积神经网络模型，如 AlexNet、VGGNet、GoogLeNet、ResNet 和 DenseNet 等，接着讲解了长短期记忆网络（LSTM）和门控循环单元（GRU）等经典的循环神经网络结构，以及常用的优化算法和正则化方法。
然后对大规模预训练模型进行介绍，包括 BERT、GPT 系列、T5、ViT 等，还介绍了更复杂的深度神经网络模型和基于概率统计的建模技术，包括变分自编码器（VAE）、生成对抗网络（GAN）和扩散模型等。
本书详细介绍了深度学习的三大应用方向：
▮ 计算机视觉：包括数据加载、图像数据增强、迁移学习等，并辅以实战案例，深入剖析相关技术的实现细节。
▮ 自然语言处理：阐释人机交互、语义处理等方面的技术原理，并给出相关数据集及实战案例，如词嵌入、预训练模型、Hugging Face 库的使用等。
▮ 多模态生成式人工智能：探索 AIGC 方向的前沿模型，如 CLIP、DALL·E 系列和 InstructGPT 等。
这部分的学习使读者能够将理论知识应用到实际问题中，快速提升深度学习的实战能力，并把握未来的发展方向。
结语
《破解深度学习（基础篇）：模型算法与实现》和《破解深度学习（核心篇）：模型算法与实现》这两本书体系化地讲透了深度学习的各方面知识，有四大特点，是学习深度学习的理想之选。
▮“只说人话”，破解难题：将深度学习中复杂的概念和算法用“人话”表达，通过生动的类比结合日常生活案例，使得初学者和非专业读者也能够轻松理解。
▮ 贴合应用，突出实战：书中提供了大量的实战案例和详尽的代码实现，这种”应用为先、实战为重“的教学方式，确保读者能够将所学知识应用于解决实际问题。
▮ 图文视频，三位一体：采用了图文、动画和视频相结合的方式，使深度学习的原理和应用场景直观生动，帮助读者轻松理解深度学习的概念和模型。
▮ 多元互动，个性辅导：有配套的 GitHub 专栏课程和视频课程，还有专业的答疑团队可以互动交流，为读者提供个性化的问题解答和技术支持，真正实现因材施教。
《破解深度学习（基础篇）：模型算法与实现》适合初学者，如学生、转行者或独立学习者，帮助他们快速入门。而《破解深度学习（核心篇）：模型算法与实现》则适合已经具备一定深度学习基础的专业研究者、算法工程师，帮助他们进阶为高手。
AI 的研究和应用还将风起浪高，真正破解深度学习之秘者，必定能勇立潮头！
—END—
说说你认为深度学习有哪些应用？
在留言区参与互动，并点击在看和转发活动到朋友圈，我们将选1名读者获得赠书1本，截止时间11月15日。
