深度学习：核心原理与案例分析

译者序

本书的3位译者利用业余时间，结合对深度学习领域的了解，经过3个月的努力，完成了对全书的翻译。本书的翻译在内容上忠于原文，在表述上又贴近汉语的表达习惯，同时风格也尽量与原著保持一致，以求尽可能地传达作者的原意。在对专业术语的翻译上，我们努力与业界的使用保持统一，使得初学者在阅读完本书后继续查阅其他学习材料时，不会出现术语或者名词矛盾的情况。

尽管已经对深度学习有了一段较长时间的研究，但是本书仍然让我们耳目一新。本书语言简练，和现在流行的机器学习类图书一样，本书没有侧重于揭示深度学习背后的数学理论基础，而是通过问题简述、方法概括以及代码，让读者能够尽快地理解并上手深度学习的算法。对于缺少理论知识的普通开发人员，本书提供了必需的基础知识，读者可以学到几乎所有的要点来探索和理解深度学习是什么。而对于了解深度学习理论知识却缺少实践开发经验的读者，本书提供了大量的案例，使读者能够快速地动手实现深度学习任务。

由于书中给出的代码非常详细，可以直接运行，对于急于将深度学习应用于实际项目的工程师来说，本书可以称为利器。同时，对于那些对深度学习有一定了解的读者，本书也不失为调整自身代码风格并且进一步加深对深度学习理解的宝贵资源。当然，对于有志于在深度学习领域做出一番成就的读者，在熟读本书后，建议进一步阅读更多的学习资料，去探索深度学习背后的数学支撑。

本书的内容涵盖了大多数的主流深度学习任务，包括图像领域的图像识别、目标检测任务，自然语言处理中的词嵌入、情感分析任务，以及无监督学习任务等。本书介绍了几个深度学习中的经典模型，包括卷积网络、循环神经网络和对抗生成网络，当下深度学习的大多数模型都是在这些基础模型上的改进与组合。本书的内容全面，不同领域的从业人员或多或少都能从中获得启发。

本书使用的编程语言是现在非常流行的Python，代码简单、优雅，易于上手，深度学习框架也是主流的TensorFlow框架，想要进一步学习的读者将会有极多的社区资源。当然，随着编程语言的进一步发展，我们也非常期待以后为读者呈现一本基于其他框架（如Pytorch、Caffe等）的图书。我们也期待以后能够将更多的、更新的学习任务和模型呈现给读者，如深度强化学习和注意力模型。 ...