有哪些优秀的深度学习入门册本？需要先学习机器学习吗？

云碧玉

有哪些优秀的深度学习入门册本？需要先学习机器学习吗？

kadad

机器学习是人工智能中一个新的研究领域，而深度学习则是一种机器学习方法。也就是说，深度学习是机器学习知识中的一部分。
传统的机器学习都是人类手动设计特征值。例如，对图像分类需要首先确定颜色、边缘或范围等特征，然后再进行监督学习或非监督学习；而深度学习则是通过学习大量数据自动确定需要提取的特征信息，甚至还能获取一些人类无法想象的由颜色和边缘等组合起来的特征信息。利用深度学习，即便是难度较高的认证问题也能得到绝佳的性能。
对很多初学者来说，深度学习涉及到的数学原理和各种神经网络知识非常晦涩难懂。因此，在入门阶段，不妨先借助一些简单的图表来理解深度学习的基本概念，先在脑海中形成一个基本的知识框架，再一点一点地去填充和丰富你的知识体系。



《图解深度学习》，[日]山下隆义 著，张弥 译

这本书从深度学习的发展历程讲起，以丰富的图例从理论和实践两个层面介绍了深度学习的各种方法，以及深度学习在图像识别等领域的应用案例。内容涉及神经网络、卷积神经网络、受限玻尔兹曼机、自编码器、泛化能力的提高等。此外，还简单介绍了包括Theano、Pylearn2、Caffe、DIGITS、Chainer 和TensorFlow 在内的深度学习框架的安装和使用方法。

Tensorflow是一种非常流行的深度学习框架，由Google发布，灵活性很强，组合函数就能实现所需的算法，而且在嵌入式设备、单片机乃至更大规模的分布式环境上都能运行。



《深度学习入门与实战 基于TensorFlow》，[日]中井悦司 著，郭海娇 译

这本书利用“手写数字识别”这一典型的深度学习应用，逐层介绍构成神经网络的各个节点的功能，并用TensorFlow编写示例代码，对各部分的工作原理加以验证，从根本上理解深度学习。 这本书非常适合深度学习的初学者。

Keras是一款轻量级、模块化的开源深度学习框架，容易上手、利于快速原型实现、能够与TensorFlow和Theano等后端计算平台很好地兼容，深受众多开发人员和研究人员的喜爱。



《Keras深度学习实战》，[意大利]安东尼奥·古利 [印度]苏伊特·帕尔 著，王海玲 李昉 译，于立国 审

这本书结合大量实例，简明扼要地介绍了目前热门的神经网络技术和深度学习技术。从经典的多层感知机到用于图像处理的深度卷积网络，从处理序列化数据的循环网络到伪造仿真数据的生成对抗网络，从词嵌入到AI游戏应用中的强化学习，引导读者一层一层揭开深度学习的面纱，并在逐渐清晰的理论框架下，提供多个Python编码实例，方便读者动手实践。

Python是谷歌选定的Tensorflow开发语言，因为易读、易维护的特点，被大量用户所欢迎。



《深度学习入门 基于Python的理论与实现》，[日]斋藤康毅 著，陆宇杰 译

这本书使用Python3，从基本的数学知识出发，从零创建了一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。除了深度学习和神经网络的基础知识，这本书还介绍了深度学习相关的实用技巧，在自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。

2019年3月27日，ACM（the Association for Computing Machinery）宣布，三位深度学习之父Geoffrey Hinton，Yann LeCun，和Yoshua Bengio共同获得2018年图灵奖！那在这里就不得不提下面的这本《深度学习》了，这本书由Yoshua Bengio作为第二作者写作，Geoffrey Hinton，Yann LeCun都倾力推荐，被誉为“AI圣经”！



《深度学习》，[美]伊恩·古德费洛 [加]约书亚·本吉奥 [加] 亚伦·库维尔 著，赵申剑 黎彧君 符天凡 李凯 译，张志华等 审校

《深度学习》是深度学习领域奠基性的图书产品。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。

因为计算机能做的就只是计算，所以深度学习更多地来说还是数学问题。统计和机器学习是数据科学最重要的组成部分，这两门学科有很多共同的数学基础和内在联系，结合两者能更好地理解遇到的数据，找到与之相匹配的模型框架，进而发现数据的内在规律，发挥数据的价值。



《精通数据科学 从线性回归到深度学习》，唐亘 著

这本书全面讲解了数据科学的相关知识，从统计分析学到机器学习、深度学习中用到的算法及模型，借鉴经济学视角给出模型的相关解释，深入探讨模型的可用性；并结合大量的实际案例和代码帮助读者学以致用，将具体的应用场景和现有的模型相结合，从而更好地发现模型的潜在应用场景。 这本书将机器学习和统计学相结合，为机器学习的算法提供一个统计学角度的直观解释，推动模型的落地和应用。
还有一本最新上市的《深度学习的数学》：



《深度学习的数学》，作者：[日]涌井良幸 涌井贞美，译者：杨瑞龙

这本书基于丰富的图示和具体示例，通俗易懂地介绍了深度学习相关的数学知识。具体包括神经网络的概况，理解神经网络所需的数学基础知识，神经网络的优化，神经网络和误差反向传播法，深度学习和卷积神经网络。书中还使用Excel进行了理论验证，能够帮助读者直观地体验深度学习的原理。
在学习的过程中，及时的反馈往往能让学习者获得动力，也能及时地发现问题，调整学习路线。这里再推荐一本《动手学深度学习》。



《动手学深度学习》，阿斯顿·张 李沐 扎卡里C·立顿 [德]亚历山大J·斯莫拉 著

这本书是亚马逊 MXNet 零基础深度学习课程的重要组成部分，推荐大家使用 Apache MXNet 的前端工具 Gluon 进行开发。这本书能够指导你在动手实践的过程中学会使用简单易读的代码，写出产品级的应用。值得一提的是，该书以 Jupyter 记事本的形式呈现，读者可以操作其中的代码和超参数来获取及时反馈，以此提高学习效率。
值得注意的一点是，在研究深度学习的同时，我们也不能抛弃传统的机器学习方法。一方面，传统的机器学习方法是深度学习的基础，很多新方法的灵感都来源于对传统方法的思考，打好基础才能走得更远；另一方面，深度学习需要大量的数据做支撑，在一些缺乏样本的问题中，我们仍然要依赖传统的机器学习方法。
在入门深度学习前，最好先对机器学习的历史、方法做一个系统的了解甚至是深入的学习。这能帮助你明确深度学习在人工智能领域的定位，并在解决实际问题时选择合适的方法。机器学习方面也有很多经典书籍：



《图解机器学习》，[日]杉山将 著，许永伟 译

这本书用丰富的图示，从最小二乘法出发，对基于最小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种无监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。  



《机器学习实战》，[美]Peter Harrington 著，李锐 李鹏 曲亚东 王斌 译

这本书通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效可复用的Python代码阐释如何处理统计数据，进行数据分析及可视化。读者可从中学到一些核心的机器学习算法，并将其运用于某些策略性任务中，如分类、预测及推荐等，适合机器学习相关研究人员及互联网从业人员学习参考。



《Python机器学习经典实例》[美]普拉提克·乔西 著，陶俊杰 陈小莉 译

这本书通过实用的案例介绍了机器学习的基础知识以及一些稍微复杂的机器学习算法，例如支持向量机、极端随机森林、隐马尔可夫模型、条件随机场、深度神经网络，等等。这本书还提供了来自Kaggle的经典数据集和机器学习案例，并用流行的Python库scikit-learn解决机器学习问题。
题主也可以参考我在 机器学习的学习应该看哪些书籍？这个问题下的回答，这个回答提供了一套从入门到实战的机器学习进阶方案，希望能对题主学习机器学习和深度学习有所帮助。
<hr/>更多计算机知识可关注 @人民邮电出版社，我们会持续推出优质的计算机图书资源。

cbhu

李沐老师的《动手学深度学习》，英文版叫Dive into Deep Learning。
教材是沐神和三位亚马逊的同事合写的。
是可以从零开始的那种，且注重实践，每一小节都有Jupyter Notebook可以运行。
(沐神今年春季在伯克利开的新课，也是按照这本书的内容编排的，有课堂视频。)


这本教材可以分成三个部分：
第一部分 (第1章-第3章) ，预备工作和基础知识


第二部分 (第4章-第6章) ，现代深度学习技术。


第三部分 (第7章-第10章) ，计算性能和应用。


用一张图来表示书的脉络，就是下面这样。箭头的方向，代表前面一章有利于后面一章的理解。


另外，此书除了文字版本，还有Jupyter记事本，每个小节都可以运行。
代码也可以自由修改。


这样一来，书里的各种公式，不止有文字和图示，还有能直观演示的代码。
全方位的友好体验：
美妙的文字；


友善的图解；


温柔的代码。


还有，大家不想学习的时候，可以到社区里观摩各路大神的作品。
或者，分享自己遇到的问题，并观赏其他人的困难，也给自己增加一些信心。


教材传送门：
http://www.d2l.ai/ (英)
http://zh.d2l.ai/ (中)
沐神伯克利课程 (是STAT 157中的一门课) ：
https://github.com/diveintodeeplearning/berkeley-stat-157
课程视频列表：
https://www.bilibili.com/video/av41702832
— 完 —
量子位 · QbitAI
վ'ᴗ' ի 追踪AI技术和产品新动态
量子位欢迎大家关注我们，以及订阅我们的知乎专栏

caleb_white

给亲推荐12本还不错的深度学习书籍：
1.用Scikit-Learn和TensorFlow进行机器学习






首先，在我看来最好的一本是采用流行的机器学习库Scikit-Learn和Google的TensorFlow的实践教程来学习深度学习的书。
作者试图以一种几乎任何人都能理解的方式来解释复杂的话题，这在我看来是一个很大的优势。
我喜欢“ 动手机器学习”，它可以让你通过机器学习项目从开始到结束。因此，你可以看到如何处理真实数据，如何将数据可视化以获取洞察力，以及重要的是如何为机器学习算法准备数据。
在本书后面，你将看到著名的MNIST分类器，模型是如何训练以及一些基本的机器学习分类器，如SVM，决策树，随机森林等。
所有这一切都是为了让你准备好本书的第二部分，内容涉及Tensorflow（包括安装）以及基本的神经网络和深度神经网络。
我认为这本书的结构很好，并以正确的顺序介绍了主题，而且书中的想法和具体例子都有很好的解释。







深度学习，可能是本文中最全面的书。 这本书由该领域的三位专家Ian Goodfellow，Yoshua Bengio和Aaron Courville撰写。此书也是唯一得到企业家马斯克认可的书。
这本书被许多人认为是深度学习的圣经，因为它汇集了数年和数年在一本书中学习和专注的研究。
这本书并不是为了专心学习，而是可以更好地用于睡前阅读，因为它充满了函数方程式，并以典型的教科书书写，所以它不会写成最有趣的风格。
它从一开始就介绍基础数学，如线性代数，概率论，接着转向机器学习基础，最后介绍深度网络和深度学习。
所以，如果你是一个渴望掌握主题并进入深度学习研究的有抱负的学生，那么这本书肯定会对你有所帮助。这可能是目前关于此主题的最全面的书籍。
3.Deep Learning for the Layman(为外行准备的深度学习)






我把这本书添加进来，因为正如标题所说的的那样，它是为一般读者而写的。
对于外行的深度学习首先介绍深度学习，具体来说，它是什么以及为什么需要它。
本书的下一部分解释了监督学习，无监督学习和强化学习之间的差异，并介绍了分类和聚类等主题。本书后面将讨论人工神经网络，包括它们是如何构建的以及构成网络中每一层的部分。最后讨论了深度学习，包括构成当今许多计算机视觉算法的一部分的卷积神经网络。
我将这本书看作是对深度学习的介绍，并了解所涉及的概念。但实际上，我不确定这本书会对你有好处，但如果你想要一本简单的英文指南，同时又能看到很少炒作的文字，那么这本书可能适合你。
4.建立你自己的神经网络（Make Your Own Neural Network）





这不是严格意义上的“深度学习”，但本书将带你深入了解神经网络及其工作原理，帮助你了解深度神经网络。
在本书中，你可以通过神经网络的数学指导，完整的理解神经网络的工作方式。
你不仅可以知道他们如何工作，还可以在Python中实现两个神经网络示例，这将有助于巩固你对该主题的理解。
本书从机器学习的高层概述开始，然后深入研究神经网络的细节。所涉及的数学并没有超出大学水平，但包含微积分的介绍，这是以尽可能多的人访问的方式解释的。
有两个部分可以建立自己的神经网络，第一部分是关于思想和理论的，第二部分是更实际的。
在第二部分中，你将学习Python编程语言，并逐渐建立起自己的能够识别手写数字的神经网络。
作为奖励，你还将学习如何让你的神经网络在Raspberry Pi上运行！
对于那些希望学习基本神经网络的基本内容的人来说，这本书是一本很棒的书，并且可以成为本次综述中有关深度学习的其中一本书的重要先决条件。
5.深度学习初学者（Deep Learning for Beginners）





对于初学者的深度学习，这本书并不太重视深度学习的数学，而是使用图表来帮助你理解深度学习的基本概念和算法。
本书采用与许多其他书籍不同的方法，通过提供深度学习算法的工作原理的简单示例，然后逐步构建这些示例并逐步引入更复杂的算法部分。
本书的目标受众非常多样，从计算机科学新手到数据科学专业人员和导师都希望以最简单的方式向学生解释相关主题。
就书本结构而言，你将首先学习人工神经网络的基础知识，并了解机器学习和深度学习之间的差异。之后，你将在进入卷积神经网络（CNN）和其他深度学习算法之前了解有关多层感知器（MLP）的所有信息。
这是一本很好的初学者书籍，可以很好地解释这些概念，但是如果你正在寻找更实用的东西，那么你应该在本综述中查找其他书籍。
6.神经网络和深度学习（Neural Networks and Deep Learning:Deep Learning explained to your granny）





一本通俗解释深度学习的书，简单地说，你的奶奶都可以在本书的帮助下理解深度学习！
神经网络和深度学习：让你逐步了解神经网络和深度学习的基础知识，对于那些想要了解这个主题但不一定想深入了解所有数学背景的人来说，这本书是一本很棒的书。
因此，在简要介绍机器学习之后，你将学习有监督学习和无监督的学习，然后研究诸如神经元、激活函数和不同类型的网络体系结构等。
最后，你将学习深度学习的实际工作原理，深度神经网络的主要类型（包括卷积神经网络），如何给神经网络提供记忆，还讨论了可用的各种框架和库。
7.深度学习基础：设计下一代机器智能算法（Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms）





Nikhil Buduma和Nicholas Locascio撰写的这本书以及旨在帮助你开始深度学习，但其目标是那些熟悉Python并具有微积分背景的人.
尽管如此，深度学习基础知识确实涵盖了机器学习和神经网络的基础，并且教会了如何训练前馈神经网络。
我认为这本书的亮点之一是它大量使用了Tensorflow，它是Google的深度学习框架，用于构建神经网络。事实上，书中有一整章专门介绍它，这在我看来是一个巨大的优势。
就本书的其余部分而言，它涉及一些相当先进的特性，如梯度下降、卷积滤波器、深度强化学习等等。
8.学习TensorFlow：构建深度学习系统的指南（Learning TensorFlow: A Guide to Building Deep Learning Systems）





接下来是一本完全关注Tensorflow的书，本书为Tensorflow提供了一个实用的实践方法，适用于广泛的技术人员，从数据科学家到工程师，学生。
通过在Tensorflow中提供一些基本示例，本书开始非常入门，但随后转向更深入的主题，如卷积神经网络等神经网络体系结构，如何使用文本和序列、TensorBoard可视化、TensorFlow抽象库以及多线程输入管道。
学习TensorFlow的终极目标是教你如何通过保存和导出模型以及如何使用Tensorflow服务API，在Tensorflow中构建和部署适用于生产的深度学习系统。
9.用Python深入学习（Deep Learning with Python）





深度学习with python作为标题建议介绍深度学习使用Python编程语言和开源Keras库，它允许简单快速的原型设计。
关于这本书的伟大之处在于作者非常有吸引力，这使得本书非常易读。正因为如此，人工智能和深度学习的一些更具挑战性的方面的布局简单易懂。
本书还避免了数学符号，而是专注于通过代码片段（其中有30多个）解释概念。
在Python深度学习中，  你将从一开始就学习深度学习，你将学习所有关于图像分类模型，如何使用深度学习获取文本和序列，甚至可以学习如何使用神经网络生成文本和图像。
本书是为那些具有Python技能的人员编写的，但你不必在机器学习，Tensorflow或Keras方面有过任何经验。你也不需要先进的数学背景，只有基础的高中水平数学应该让你跟随和理解核心思想。
10.深度学习：从业者的方法（Deep Learning :A Practitioner’s Approach）





与本综述中的其他书不同，本书重点介绍Deep Learning For Java（DL4J），它是用于训练和实施深度神经网络的Java框架/库。
现在大多数人工智能研究都是用Python进行的，因为快速原型开发通常更快，但随着更多组织（其中许多使用Java）拥抱AI，我们可能会看到更多的AI算法转向Java，如DL4J。
本书首先是关于深度学习的初学者书籍，但如果你已经具备Java或深度学习的经验，那么你可以直接查看示例。
如果你在深度学习方面没有经验，但是有丰富的Java经验，那么你应该从封面阅读。如果你根本不了解Java，那么我强烈推荐阅读其中一本  Java初学者书籍。
通过阅读本书，你将总体了解机器学习概念，特别关注深度学习。你将了解深度神经网络是如何从基础神经网络发展而来的，你还将了解一些深层网络架构，如卷积神经网络和循环神经网络。
如果你熟悉Hadoop和Spark，那么你将能够了解如何使用DL4J本身的这些技术。
11.用TensorFlow进行专业深度学习（Pro Deep Learning with TensorFlow）





本书将以亲身实践的方式教给你Tensorflow，让你能够从零开始学习深度学习，快速掌握Tensorflow API并学习如何优化各种深度学习网络架构。
专业深度学习将帮助你开发调整现有神经网络体系结构所需的数学知识和经验，甚至创造出可能挑战最新技术水平的全新体系结构。
本书中的所有代码都以iPython笔记本的形式提供，因为我过去曾使用过Tensorflow，我发现在开发过程中使用iPython笔记本电脑非常有用。
本书面向数据科学家和机器学习专业人员、软件开发人员、研究生和开源爱好者，并将为你提供数学基础和机器学习原理，使你能够开展研究并将深度学习解决方案部署到生产环境中。
12.用于深度学习的TensorFlow（TensorFlow for Deep Learning）





在撰写本文时，深度学习的TensorFlow尚未发布，但可用于预购。
本书将通过从头开始的实例向你介绍深度学习的概念，专门为开发经验丰富的构建软件系统的开发人员但没有深度学习体系结构的经验设计。
本书将向你展示如何设计可执行对象检测，翻译人类语言，分析视频甚至预测潜在药物特性的系统！
你将获得关于Tensorflow API的深入知识，如何在大型数据集上训练神经网络以及如何在卷积网络，循环网络，LSTM和强化学习中使用TensorFlow。
本书的确需要一些基本线性代数和微积分的背景知识，但这是一本实用的书，旨在教你如何创建可以学习的系统。
总结：
所以这就是它们，这是目前最好的深度学习书籍。人工智能，尤其是深度学习，已经非常火热了，而且这项技术已经实现了非凡的功能。然而，它仍处于起步阶段，许多组织尚未接受它。
但是，这恰恰是为愿意学习深度学习的人提供了时间和机会。
深度学习有能力改变许多行业，并且还有许多尚未被梦想过的创业公司的想法。我觉得我们只是站在技术革命的开端。
作为Java开发人员，我有过深度学习的一些经验，但我知道很多同事还没有学习这个主题。所以，趁早抓住机会学习吧。
本文由阿里云云栖社区组织翻译，文章原标题《12 BEST DEEP LEARNING BOOKS IN 2018 - RANKED IN ORDER OF AWESOMENESS!》
作者：Baz Edwards

2018年最佳深度学习书单-博客-云栖社区-阿里云更多技术干货敬请关注云栖社区知乎机构号：阿里云云栖社区 - 知乎

xin幸运草

对于入门深度学习的书籍，计算机视觉专家 Adrian Rosebrock 最近写了篇非常实用的书单，给深度学习新手推荐了7本书籍，更重要的是，告诉了你最适合看哪些书。




Adrian Rosebrock（不愧是搞视觉研究的）

这些书中，有一些理论深厚，主要专注于神经网络和深度学习背后的数学知识以及相关的设想。另一些则完全从实际出发，它们通过代码而不是理论来教会你深度学习。




就是敲！

还有一些书则兼顾理论和实践，在让你亲身实践的同时提供给你一定的理论知识，并且让你亲自实现这些理论算法来进行学习（这种书籍谁不爱呢）。

下面我们会谈谈每一本书所涉及的核心内容、目标读者以及这本书是否适合你。

在选择一本书之前，最好评估一下自己的个人学习风格，这能使你更充分地利用书籍并从中得到最大的收获。
<hr/>首先问自己以下几个问题：

什么才是我学习的最好方式？我是更喜欢从理论文字中获取知识呢？还是更希望从代码片段和具体实现中汲取营养？

每个人都有自己独特的学习风格，而你自己最好的学习方式又决定了你应该看哪些书籍。
比如对于有些人来说，喜欢在理论和实践之间取得平衡，因此很适合看兼顾理论和实践的书籍。太过理论或者抽象的深度学习书籍只会让他们感到枯燥无味，怕是会看得要睡着了。但话说回来，如果一本深度学习书籍完全跳过理论而直接进入具体的代码实现中，那么读者会错过核心的理论基础，而这些东西能够帮我们解决新的深度学习问题或项目。因此就他们而言，一本优秀的书籍需要在这两者之间寻求一个平衡。

他们需要理论来帮助我们理解深度学习的核心基础，同时也需要应用和代码来帮助我们加深学到的知识。

《Deep Learning》





如果要写一篇关于最棒的深度学习书目的博客，那就不得不提 Goodfellow, Bengio, 和 Courville 三位大师的《Deep Learning》。本书中文版为《深度学习》，译者：赵申剑、黎彧君、符天凡和李凯。
这是一本教授深度学习有关的基本原理和理论的大学教材。Goodfellow 等人的《Deep Learning》是一本纯粹的理论书籍，它面向的是学术界的读者，全书中没有一点代码。
本书首先讨论了机器学习的基础知识，包括从学术观点出发的学习深度学习（线性代数、概率论和信息论等）所必需的应用数学知识。

随后深入探讨了现代深度学习算法和技术。在最后，本书重点关注了当前的深度学习的研究趋势和深度学习领域的新动向。

可以在本书官网上免费阅读电子版（http://www.deeplearningbook.org/），也可自行购买实体书。

如果符合下面的条件，你应该读读这本书：

• 相较于实践，你更喜欢理论知识
  
• 喜欢学术作品
  
• 你是一个从事深度学习研究的教授、本科生或研究生
  

<hr/>《Neural Networks and Deep Learning》





第二本要推荐的深度学习理论书籍是 Michael Nielsen 的著作《Neural Networks and Deep Learning》。
这本书中总共有 7 段 Python 代码，它们利用 MNIST 数据集讲述了各种机器学习、神经网络和深度学习技术的基础知识，对阐释书中讲到的理论概念大有帮助。

如果你是一个刚入门机器学习和深度学习的新手，并且急切地想深入理论领域里，那么这本书应是你的首选。

此书相比 Goodfellow 的《Deep Learning》更加易读，并且 Nielsen 的写作风格配上书中的代码片段也使得读完这本书更加容易。
在本书官网上可免费阅读电子版（http://neuralnetworksanddeeplearning.com/），网上有分享的对应中文版资源，可自行寻找。

如果符合下面的条件，那么你就应该读一读这本书：

• 你正在寻找一本深度学习的理论书籍
  
• 你是一个机器学习或深度学习领域的新手并且更倾向于从学术角度来深入了解该领域
  

<hr/>《Deep Learning with Python》





Google AI 研究人员，以及颇受欢迎的流行的深度学习库 Keras的作者Francois Chollet，在2017年10月份写下了这本《Deep Learning with Python》。

这本书从实践者的角度讲解深度学习，虽然书中也提到了一些理论知识，但是每隔几个段落，都会教你如何用 Keras 去实现相关技术。

Francois 在书中提供了许多将深度学习应用于计算机视觉、文本、序列等方面的例子，对于想要在学习机器学习和深度学习的同时也了解 Keras 的读者来说，这本书涵盖的内容非常全面。
本书内容不仅简洁易懂，而且作者对于深度学习的趋势和历史的一些看法同样令人印象深刻。

需要注意的是这本书并不是一本非常深入的深度学习书籍，它最重要的作用在于通过使用 Keras 库写一些各种各样实际的深度学习示例来教你领会深度学习的基础概念。

如果符合下面的条件，那么你就应该读一读这本书：

• 你对 Keras 库非常感兴趣
  
• 你更喜欢通过实践进行学习
  
• 你想要快速理解深度学习是如何应用到不同的领域中的，比如计算机视觉、序列学习和文本分析等
  

<hr/>《Hands-On Machine Learning with Scikit-Learn and TensorFlow》





有些人第一次购买 Aurélien Géron 的 Hands-on Machine Learning with Scikit-Learn and TensorFlow ，并不太确定能学到什么，只当它只是一本机器学习的基本介绍，如果不是题目里有 “TensorFlow”，估计会完全无视它。

比如有人就觉得给原本就很长的书名后面再加个TensorFlow，这是为了增加发行量而采取的市场伎俩，毕竟对深度学习感兴趣的人那么多，对吧？

但是如果这么想，那就错了，这是一部非常优秀的作品，书不可貌相啊。
这本书主要分为两个部分。

• 第一部分涵盖了机器学习的基础算法，如支持向量机、决策树、随机森林、集成方法和一些基本的非监督学习算法，每一种算法还有附带的 Scikit-learn 示例。
  
• 第二部分则通过 TensorFlow 库讲解了深度学习的基础概念。
  

如果符合下面的条件，那么你就应该读一读这本书：

• 你是一个机器学习新手，并且希望通过代码示例入门机器学习的核心原理
  
• 对流行的 scikit-learn 机器学习库感兴趣
  
• 想快速学习如何使用 TensorFlow 库完成基本的深度学习任务
  

<hr/>《TensorFlow Deep Learning Cookbook》





如果你喜欢“代码多理论少”这样的教学风格，那么我建议你读一读 Gulli 和 Kapoor 的 《TensorFlow Deep Learning Cookbook》。

这本书是完全手把手讲解，并且也是一本非常好的 TensorFlow 参考书。
它不教授深度学习，而是向你展示在深度学习中，如何使用 TensorFlow 库。

不要误会 —— 跟着这本书你绝对能够学到新的深度学习概念、技术和算法，但这本书采取了更加实战化的方式：包含大量的代码以及对这些代码的讲解。

不过本书唯一的缺点就是其中有不少错别字，但对于一本以代码为中心的书这是预料之中的。错别字无法避免，阅读之时一定要细心。

如果符合下面的条件，那么你就应该读一读这本书：

• 已经学习了深度学习的基本概念
  
• 对 TensorFlow 库感兴趣
  
• 喜欢提供解决问题的代码但不关心底层的理论这样的“手把手”教学方式
  

<hr/>《Deep Learning: A Practitioners Approach》





大部分的深度学习书籍中含有 Python 代码示例，但 Adam Gibson 和 Josh Patterson 的著作《Deep Learning: A Practitioners Approach》采用了Java 和 DL4J 库。

在这本书的前几个章节里， Gibson 和 Patterson 讨论了机器学习和深度学习的基本知识，剩下的部分则涵盖了使用 DL4J 库写成的 Java 深度学习代码。

如果符合下面的条件，那么你就应该读一读这本书：

• 你在平时工作学习中要用到 Java 语言
  
• 你所在的公司或单位主要使用Java编程
  
• 你想要知道如何使用 DL4J 库
  

<hr/>《Deep Learning for Computer Vision with Python》





由计算机视觉专家Adrian Rosebrock编写的《Deep Learning for Computer Vision with Python》被评为当前最好的深度学习和计算机视觉资源之一。

Google 的 AI 研究员和 Keras 库的作者Francois Chollet对于本书做出过这样的评价：
这是一部关于计算机视觉的卓越的、深入且实用的深度学习实践作品。我认为它非常易读易懂：书中的解释清晰而又详细。在书中你能够找到许多在其他书籍或大学课程中难以见到的实用的建议。对于从业者和初学者，我强烈推荐这本书 —— Francois Chollet

如果你对在计算机视觉（图像分类，对象检测，图像理解等）中应用深度学习有兴趣，那这本书再好不过了。

在这本书中，你将能够：

• 理论和实践并重地学习机器学习和深度学习的基础内容
  
• 学习先进的深度学习技术，包括对象检测、多GPU训练、迁移学习以及生成对抗网络等
  
• 复现最前沿的论文成果，包括ResNet、 SqueezeNet、 VGGNet以及其他存在于 ImageNet 数据集中的成果
  

除此之外，书籍还兼顾理论和实践两者之间的平衡，对每一个深度学习理论，都会有一个关联的 Python 实现来帮助你巩固对其的理解和学到的知识。

如果符合下面的条件，那么你就应该读一读这本书：

• 你对将深度学习应用于计算机视觉和图像理解上有着特别的兴趣
  
• 你喜欢的学习方式是兼顾理论和实践
  
• 你想要一本能使复杂的算法和技术变得简单易懂的深度学习书籍
  
• 你想拥有一本清晰易懂的书籍引导你探索深度学习的奥秘
  

结语

本文我们讨论了7本深度学习领域的书籍，以及适合它们的阅读人群。

当然，如果你想看看除了书籍外的其它深度学习资源，千万别错过集智主站的《浅说深度学习》系列专栏：
浅说深度学习(1)：核心概念 - 集智专栏以及《玩儿懂深度学习》系列教程：
玩儿懂深度学习Part 1：传统机器学习的回顾 - 集智专栏
假如你是真正的小白，但又希望能够以最高效的方式学习人工智能知识，那么请仔细研读下图。


https://h5.youzan.com/v2/home/U5eAeeuRD2?common%2Furl%2Fcreate=&showcase%2Fhomepage=&scan=3&from=kdt (二维码自动识别)

夏天的太阳666

推荐一个入门级读物：
http://neuralnetworksanddeeplearning.com
如果英文版有困难可以参考哈工大组翻译的版本：
https://www.gitbook.com/book/hit-scir/neural-networks-and-deep-learning-zh_cn/details