深度學(xué)習(xí)是如今最火熱的技術(shù)之一，但是對(duì)于有心入門(mén)卻不得其法的同學(xué)來(lái)說(shuō)，選擇適合自己的書(shū)籍至關(guān)重要。
本著樂(lè)于助人、無(wú)私奉獻(xiàn)的精神，營(yíng)長(zhǎng)特意為大家精選了 7 本深度學(xué)習(xí)相關(guān)的書(shū)籍。這些書(shū)籍中，有些非常注重理論知識(shí)，主要關(guān)注神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)背后的數(shù)學(xué)和相關(guān)假設(shè)；有些則注重實(shí)戰(zhàn)，通過(guò)代碼而不是理論來(lái)講解深度學(xué)習(xí)。而那種既有理論講解，同時(shí)又有相應(yīng)的實(shí)戰(zhàn)訓(xùn)練的書(shū)籍，往往是營(yíng)長(zhǎng)的最愛(ài)。
接下來(lái)，營(yíng)長(zhǎng)將列出每本書(shū)籍的核心內(nèi)容以及目標(biāo)受眾，幫助大家選擇最適合自己的深度學(xué)習(xí)教材。
1.《深度學(xué)習(xí)》（Deep Learning）
出自 Goodfellow、Bengio 和 Courville 三位大牛之手的《深度學(xué)習(xí)》（Deep Learning）不可不提。本書(shū)旨在成為一本教科書(shū)，用于在大學(xué)課堂上教授關(guān)于深度學(xué)習(xí)的基本原理和理論。Goodfellow 等人的《深度學(xué)習(xí)》完全是理論性的書(shū)籍，而且沒(méi)有代碼，因此適用對(duì)象為學(xué)術(shù)界的讀者。
這本書(shū)首先討論了機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)，從學(xué)術(shù)角度講解了有效研究深度學(xué)習(xí)所需的應(yīng)用數(shù)學(xué)（線性代數(shù)，概率和信息論等）知識(shí)；在此基礎(chǔ)上，本書(shū)進(jìn)一步講解了深度學(xué)習(xí)算法和技術(shù)的相關(guān)知識(shí)；在最后一部分，《深度學(xué)習(xí)》這本書(shū)主要講解了深度學(xué)習(xí)領(lǐng)域當(dāng)前的研究趨勢(shì)以及正在發(fā)生的變化。
本書(shū)適用人群：
1. 習(xí)慣從理論中學(xué)習(xí)，而不是實(shí)踐
2. 喜歡學(xué)術(shù)寫(xiě)作
3. 本科生、研究生、教授等學(xué)術(shù)界的人員
2、Neural networks and Deep Learning
第二本以理論為主的深度學(xué)習(xí)圖書(shū)是 Michael Nielsen 撰寫(xiě)的《神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)》（Neural networks and Deep Learning）。
本書(shū)其實(shí)還包含了 7 段由 Python 編寫(xiě)的代碼，包括各種基本的機(jī)器學(xué)習(xí)算法，神經(jīng)網(wǎng)絡(luò)或深度學(xué)習(xí)技術(shù)，所有都是基于 MNIST 數(shù)據(jù)集上實(shí)現(xiàn)的。雖然這些代碼的實(shí)現(xiàn)手段可能并不是最好的，但它們可以幫助讀者理解書(shū)中的一些理論概念。
如果你對(duì)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)不熟悉，但渴望深入了解其理論方法，Nielsen 的書(shū)應(yīng)該是你的首選。這本書(shū)比 Goodfellow 的《深度學(xué)習(xí)》要更容易閱讀，而 Nielsen 的寫(xiě)作風(fēng)格加上一些的代碼片段使得知識(shí)更容易融會(huì)貫通。
本書(shū)適用人群：
1. 正在尋找一本基于理論的深度學(xué)習(xí)書(shū)籍
2. 機(jī)器學(xué)習(xí)/深度學(xué)習(xí)的新手，但希望從更學(xué)術(shù)的角度來(lái)看待這一領(lǐng)域
3、Deep Learning with Python
谷歌 AI 研究員、Keras 的作者 Francois Chollet 在 2017 年 10 月出版了他自己的書(shū) Deep Learning with Python 。
在該書(shū)中，F(xiàn)rancois 從一個(gè)從業(yè)者的角度來(lái)講解深度學(xué)習(xí)方法。書(shū)中包括了一些理論知識(shí)和相應(yīng)的討論，但是每一段理論都會(huì)配合基于 Keras 的實(shí)現(xiàn)方式。
這本書(shū)我最喜歡的一個(gè)地方是 Francois 列舉了將深度學(xué)習(xí)應(yīng)用于計(jì)算機(jī)視覺(jué)、文本和序列的例子，使這本書(shū)為那些希望在了解機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的同時(shí)學(xué)習(xí) Keras 的讀者，提供了一個(gè)不錯(cuò)的選擇。
我發(fā)現(xiàn) Francois 的文字清晰易讀，他對(duì)深度學(xué)習(xí)趨勢(shì)和歷史的評(píng)論非常富有洞察力。需要特別指出的是，這本書(shū)并不是一本深入深度學(xué)習(xí)的書(shū)。相反，它的主要用途是通過(guò) Keras 來(lái)教會(huì)你深度學(xué)習(xí)基礎(chǔ)和不同領(lǐng)域的深度學(xué)習(xí)實(shí)戰(zhàn)案例。
本書(shū)適用人群：
1. 對(duì) Keras 感興趣
2. 習(xí)慣通過(guò)動(dòng)手來(lái)學(xué)習(xí)
3. 希望快速了解如何將深度學(xué)習(xí)應(yīng)用于各個(gè)領(lǐng)域，如計(jì)算機(jī)視覺(jué)、序列學(xué)習(xí)和文本等
4、Hands-On Machine Learning with Scikit-Learn and TensorFlow
當(dāng)我第一次拿到 Aurélien Géron 的 Hands-On Machine Learning with Scikit-Learn and TensorFlow 這本書(shū)時(shí)，如果不是標(biāo)題中包含了“TensorFlow”這個(gè)詞，我可能僅認(rèn)為它只是關(guān)于機(jī)器學(xué)習(xí)的基本介紹。
幸運(yùn)的是，這本書(shū)其實(shí)非常棒，而且是被標(biāo)題耽誤的一本好書(shū)。
Géron 的深度學(xué)習(xí)書(shū)籍分為兩部分：第一部分介紹支持向量機(jī)（SVM），決策樹(shù)，隨機(jī)森林，集成方法和無(wú)監(jiān)督學(xué)習(xí)算法等基本機(jī)器學(xué)習(xí)算法，而且還包括了每個(gè)算法的 Scikit-learn 代碼示例；第二部分是基于 TensorFlow 庫(kù)講解了基本的深度學(xué)習(xí)內(nèi)容。
本書(shū)適用人群：
機(jī)器學(xué)習(xí)的新手，并希望從代碼示例來(lái)學(xué)習(xí)核心算法
對(duì)流行的 scikit-learn 機(jī)器學(xué)習(xí)庫(kù)感興趣
想要快速學(xué)習(xí)如何使用 TensorFlow 庫(kù)來(lái)完成基本的深度學(xué)習(xí)任務(wù)
5、TensorFlow Deep Learning Cookbook
如果你喜歡“食譜”那樣的教學(xué)風(fēng)格（理論少、代碼多），我會(huì)建議你看看 Gulli 和 Kapoor 撰寫(xiě)的 TensorFlow Deep Learning Cookbook 這本書(shū)。
這是一本非常具有實(shí)用性的深度學(xué)習(xí)手冊(cè)，而且對(duì)于 TensorFlow 使用者來(lái)說(shuō)也是一個(gè)很好的參考。再次說(shuō)明，這本書(shū)并不是要教深度學(xué)習(xí)，而是告訴你如何在深度學(xué)習(xí)的背景下使用 TensorFlow庫(kù)。
當(dāng)然，讀完這本書(shū)，你一定會(huì)學(xué)習(xí)到新的深度學(xué)習(xí)概念、技術(shù)和算法。但是這本書(shū)采用了嚴(yán)格的類似于食譜的寫(xiě)作手法：大量的代碼和相應(yīng)的解釋。
我認(rèn)為這本書(shū)的唯一不足之處是代碼片段中存在一些拼寫(xiě)錯(cuò)誤。當(dāng)你閱讀這本書(shū)時(shí)，請(qǐng)注意這一點(diǎn)。
本書(shū)適用人群：
1. 已經(jīng)學(xué)習(xí)了深度學(xué)習(xí)的基礎(chǔ)知識(shí)
2. 對(duì) TensorFlow 感興趣
3. 喜歡“食譜”這種文風(fēng)，也就是用代碼來(lái)解決特定問(wèn)題，但不討論基礎(chǔ)理論
6、Deep Learning: A Practitioners Approach
雖然大多數(shù)包含代碼示例的深度學(xué)習(xí)書(shū)籍都使用 Python，但 Adam Gibson 和 Josh Patterson 撰寫(xiě)的 Deep Learning：A Practitioners Approach 一書(shū)卻使用 Java 和 DL4J 庫(kù)。
為什么選擇 Java?
Java 是大型企業(yè)中最常用的編程語(yǔ)言，特別是在企業(yè)級(jí)的應(yīng)用上。
Gibson 和 Patterson 在前幾章討論了基本的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)基礎(chǔ)知識(shí)，剩下的部分包括了使用 DL4J 庫(kù)，基于 Java 的深度學(xué)習(xí)代碼示例。
本書(shū)適用人群：
1. 需要使用 Java 編程語(yǔ)言來(lái)進(jìn)行特定的開(kāi)發(fā)
2. 為主要使用 Java 的大型公司或企業(yè)工作
3. 想了解如何使用 DL4J 庫(kù)
7、Deep Learning for Computer Vision with Python
這本書(shū)已經(jīng)成為當(dāng)今最好的深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)資源之一。谷歌AI的研究員、Keras 的作者 Francois Chollet 對(duì)這本新書(shū)是這樣評(píng)價(jià)的：
“這本書(shū)在計(jì)算機(jī)視覺(jué)深度學(xué)習(xí)實(shí)踐方面講解得非常深入，而且讀起來(lái)也通俗易懂：講解不僅清晰而且非常詳細(xì)。你會(huì)發(fā)現(xiàn)許多實(shí)用的技巧和建議，這些在其他書(shū)籍或大學(xué)課程中都很少提到。無(wú)論你是從業(yè)人員還是初學(xué)者，我強(qiáng)烈推薦這本書(shū)�！� Francois Chollet”
這本書(shū)里面有很多的細(xì)節(jié)講解，并有大量的詳細(xì)例子，涵蓋了各種方法與如何在實(shí)際問(wèn)題使用這些方法來(lái)解決問(wèn)題。
如果你有興趣學(xué)習(xí)深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)上的應(yīng)用（圖像分類、物體檢測(cè)、圖像理解等），那么這本書(shū)將非常適合你。
在這本書(shū)里面，你會(huì)：
理論和實(shí)踐相結(jié)合的方式來(lái)學(xué)習(xí)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的基礎(chǔ)；
學(xué)習(xí)先進(jìn)的深度學(xué)習(xí)技術(shù)，包括對(duì)象檢測(cè)，多GPU訓(xùn)練，遷移學(xué)習(xí)和生成對(duì)抗網(wǎng)絡(luò)（GAN）等；
復(fù)現(xiàn) ResNet、SqueezeNet、VGGNet 等在 ImageNet 數(shù)據(jù)集上的結(jié)果；
此外，對(duì)于每個(gè)理論深度學(xué)習(xí)概念，你都可以在這本書(shū)中找到相關(guān)的 Python實(shí) 現(xiàn)來(lái)幫助您鞏固知識(shí)。
本書(shū)適用人群：
1. 對(duì)深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)和圖像理解方面的應(yīng)用特別有興趣
2. 想在理論和實(shí)踐之間取得很好的平衡需要一本深度學(xué)習(xí)書(shū)籍，使得看似復(fù)雜的算法和技巧易于掌握和理解
3. 需要一本清晰易懂的書(shū)，引導(dǎo)你掌握深度學(xué)習(xí)
