内容提要

本书主要服务于深度学习的应用工程师. 努力在数学严谨性和工程易用性之间取得平衡.

不适合首次接触深度学习的读者, 但非常适合作为第二本书.

建议深度学习的初学者先从基本概念开始学习, 本书亦有一篇关于入门资料的文章.

市面上已有大量注重于深度学习基础概念介绍的资料, 也有注重于实战项目的, 都很好.

这些资料的常见组织形式是基础概念 + 代码实现.

限于篇幅, 一般不会进行详细的公式推导和配套的代码实现, 而且这部分内容比较枯燥, 受众较少. 然而, 若是缺少这一块知识, 对于数学基础薄弱的学习者来说, 会有某种空落落的不安全感.

本书省略了基础概念的介绍, 把篇幅留给公式推导, 希望能为读者介绍更多的数学细节.

本书内容安排的顺序是公式描述的基础概念, 伪代码风格的公式推导, 纯 Python 实现, 最后借助流行的深度学习框架进行验证.

伪代码的风格是指, 不方便使用代码表示的数学符号, 不予采用. 若有成熟的标准函数, 则倾向于简化严格的数学证明.

注意, 本书并无重新造轮子的打算. 纯 Python 实现部分力求精简, 仅用于理解公式原理, 够用就好. 同一个算法若有多种实现, 优先考虑可读性, 不考虑计算效率.

生产环境推荐使用成熟的框架, 如大名鼎鼎的 TensorFlow 和容易上手的 PyTorch.

大体内容如下 :

$$(基础概念)\leftrightarrows 公式推导\leftrightarrows 代码实现\leftrightarrows 框架验证\leftrightarrows (项目实战)$$

本书主要完成中间的公式推导, 代码实现, 框架验证这 3 块.

基础概念和项目实战部分, 读者需要自行补充.

首发 CSDN, 暂停更新, 敬请谅解.

BrightLamp

2018年12月21日