基本信息
编辑推荐
全面讲解深度卷积网络的技术理论、工作原理、实践方法、架构技巧和训练策略
内容简介
书籍
计算机书籍
深度卷积网络（DCNN）是目前十分流行的深度神经网络架构，它的构造清晰直观，效果引人入胜，在图像、视频、语音、语言领域都有广泛应用。
本书以AI领域最新的技术研究和和实践为基础，从技术理论、工作原理、实践方法、架构技巧、训练方法、技术前瞻等6个维度对深度卷积网络进行了系统、深入、详细地讲解。
以实战为导向，深入分析AlphaGo和GAN的实现过程、技术原理、训练方法和应用细节，为读者依次揭开神经网络、卷积网络和深度卷积网络的神秘面纱，让读者了解AI的“思考过程”，以及与人类思维的相同和不同之处。
本书在逻辑上分为3个部分：
第一部分综述篇（第1、6、9章）
这3章不需要读者具备编程和数学基础，对深度学习和神经网络的基础知识、AlphaGo的架构设计和工作原理，以及深度学习和人工智能未来的技术发展趋势进行了宏观介绍。
第二部分深度卷积网络篇（第2、3、4、5章）
结合作者的实际工作经验和案例代码，对深度卷积网络的技术理论、工作原理、实践方法、架构技巧和训练方法做了系统而深入的讲解。
第三部分实战篇（第7、8章）
详细分析了AlphaGo和GAN的技术原理、训练方法和应用细节，包括详细的代码分析和大量GAN的精彩实例。
本书的案例代码在GitHub上提供下载，同时读者可在GitHub与作者交流本书相关的问题。
计算机书籍
深度卷积网络（DCNN）是目前十分流行的深度神经网络架构，它的构造清晰直观，效果引人入胜，在图像、视频、语音、语言领域都有广泛应用。
本书以AI领域最新的技术研究和和实践为基础，从技术理论、工作原理、实践方法、架构技巧、训练方法、技术前瞻等6个维度对深度卷积网络进行了系统、深入、详细地讲解。
以实战为导向，深入分析AlphaGo和GAN的实现过程、技术原理、训练方法和应用细节，为读者依次揭开神经网络、卷积网络和深度卷积网络的神秘面纱，让读者了解AI的“思考过程”，以及与人类思维的相同和不同之处。
本书在逻辑上分为3个部分：
第一部分综述篇（第1、6、9章）
这3章不需要读者具备编程和数学基础，对深度学习和神经网络的基础知识、AlphaGo的架构设计和工作原理，以及深度学习和人工智能未来的技术发展趋势进行了宏观介绍。
第二部分深度卷积网络篇（第2、3、4、5章）
结合作者的实际工作经验和案例代码，对深度卷积网络的技术理论、工作原理、实践方法、架构技巧和训练方法做了系统而深入的讲解。
第三部分实战篇（第7、8章）
详细分析了AlphaGo和GAN的技术原理、训练方法和应用细节，包括详细的代码分析和大量GAN的精彩实例。
本书的案例代码在GitHub上提供下载，同时读者可在GitHub与作者交流本书相关的问题。
作译者
彭博 人工智能、量化交易、区块链领域的资深技术专家，有20年以上的研发经验。
在人工智能与信息科技方面，对深度学习、机器学习、计算机图形学、智能硬件等有较为深入的研究；在量化交易方面，曾在全球最大的外汇对冲基金负责程序化交易，对市场的微观和宏观行为有较为深入的理解；在区块链方面，对智能合约、DApp开发和自动交易有较为深入的实践。
在人工智能与信息科技方面，对深度学习、机器学习、计算机图形学、智能硬件等有较为深入的研究；在量化交易方面，曾在全球最大的外汇对冲基金负责程序化交易，对市场的微观和宏观行为有较为深入的理解；在区块链方面，对智能合约、DApp开发和自动交易有较为深入的实践。
目录
前言
引子·神之一手1
第1章 走进深度学习的世界5
1.1 从人工智能到深度学习5
1.2 深度神经网络的威力：以AlphaGo为例8
1.2.1 策略网络简述9
1.2.2 泛化：看棋谱就能学会下围棋11
1.2.3 拟合与过拟合11
1.2.4 深度神经网络的速度优势12
1.3 深度神经网络的应用大观13
1.3.1 图像分类问题的难度所在13
1.3.2 用深度神经网络理解图像15
1.3.3 AlphaGo中的深度神经网络17
1.3.4 自动发现规律：从数据A到答案B17
1.3.5 深度神经网络的更多应用18
1.3.6 从分而治之，到端对端学习24
1.4 亲自体验深度神经网络25
1.4.1 TensorFlow游乐场25
1.4.2 MNIST数字识别实例：LeNet-527
1.4.3 策略网络实例28
引子·神之一手1
第1章 走进深度学习的世界5
1.1 从人工智能到深度学习5
1.2 深度神经网络的威力：以AlphaGo为例8
1.2.1 策略网络简述9
1.2.2 泛化：看棋谱就能学会下围棋11
1.2.3 拟合与过拟合11
1.2.4 深度神经网络的速度优势12
1.3 深度神经网络的应用大观13
1.3.1 图像分类问题的难度所在13
1.3.2 用深度神经网络理解图像15
1.3.3 AlphaGo中的深度神经网络17
1.3.4 自动发现规律：从数据A到答案B17
1.3.5 深度神经网络的更多应用18
1.3.6 从分而治之，到端对端学习24
1.4 亲自体验深度神经网络25
1.4.1 TensorFlow游乐场25
1.4.2 MNIST数字识别实例：LeNet-527
1.4.3 策略网络实例28
前言
为何写作本书
自2012年以来，随着深度学习（Deep Learning，DL）的快速发展，人工智能（Artificial Intelligence，AI）取得了长足的进展。\
从语音助手、人脸识别、照片美化，到自动驾驶、医疗诊断、机器翻译，基于深度神经网络（Deep Neural Network，DNN）的新一代人工智能，已在各个领域进入我们的日常生活。许多学者认为，人工智能将开启第四次工业革命，并对人类的未来产生深远影响。
例如，通过Mask R-CNN深度神经网络，电脑可快速自动识别出图像中的各个物体，用色彩和方框标记。这对于自动驾驶和机器人技术有重要意义，也是传统AI方法难以实现的。
值此变革之际，我们理应跟上时代的步伐，增进对DL与AI的了解。本书的目标是：
如果读者没有编程和数学基础，也能在阅读后体会到深度神经网络的奥妙。
如果读者有一定基础，就可学会用DL的方法解决实际问题，为从事相关的工作和研究做好准备。
具体而言，本书选取深度卷积网络（Deep Convolutional Neural Network，DCNN）作为切入点，这是目前最流行的深度神经网络架构，其构造直观易懂，效果引人入胜，在图像、视频、语音、语言领域都有广泛应用。
我们还将结合多个实例进行讲述，让读者更深入理解深度神经网络的运作。说起深度神经网络的实例，广为人知的莫过于由Google DeepMind研发的AlphaGo（https://deepmind.com/research/alphago/）：
在2016年3月，AlphaGo以4:1战胜韩国顶尖棋手李世乭，让AI成为了目前最热门的话题之一。
在2017年5月，新版AlphaGo以3:0战胜当今世界围棋第一人—中国的柯洁。所有棋手都认同它已全面胜过人类，但它仍需要人类棋谱作为训练的前期输入。
在2017年10月，名为AlphaGo Zero的最新版AlphaGo已能完全脱离人类棋谱，从零开始，纯粹依靠自我探索，自我对弈，就能实现超越此前所有版本的棋力。
如下图所示，蓝色的20-blocks版AlphaGo Zero，最初的棋力还不如人类的初学者，但它在24小时内就能赶上红色的学习人类棋谱的AlphaGo，并在40小时内超越与李世乭对战的AlphaGo。
在2017年12月，DeepMind还将AlphaGo Zero的方法用于国际象棋、日本将棋，称为AlphaZero。它仅需几个小时的训练，就打败了此前世界最强的程序，这证明AlphaGo方法的通用性极强。
AlphaGo的核心是深度卷积网络。深度神经网络的强大，关键在于能模拟人类的直觉。AlphaGo的强大，关键在于通过深度卷积网络，成功模拟了人类的棋感。
那么，深度卷积网络是如何学会下围棋的？AlphaGo真的理解围棋吗？AlphaGo与人类下棋的思维有怎样的相同和不同之处？我们将在第6章阐述AlphaGo的运作，并在第7章亲手训练AlphaGo的策略网络（policy network）。如下图所示，棋盘中的标记1到9，代表此时策略网络对于下一手的前9位推荐。
深度神经网络的威力，还不仅止于此。近年来，深度学习中热门的话题是一种新的深度神经网络范式：生成式对抗网络（Generative Adversarial Networks，GAN）。它同样基于深度卷积网络，我们会在第8章讲述。
GAN试图模拟人类的更神秘之处：创造力和想象力，如自动作画、自动作曲，甚至自动发现治疗癌症的药物结构。例如，通过StackGAN网络，电脑可根据人提供的文字描述，自动绘制出无穷无尽的符合描述的图像。
目前GAN的结果还不完美，但已有许多业界人士开始思考：离AI在所有领域超越人类还有多远？AI会造福于人类，抑或会取代甚至毁灭人类？本书的第9章将讨论这一话题，并介绍当前AI方法的强项与缺陷，展望未来的发展。
总而言之，本书以AlphaGo与GAN为主例，再配合大量其他实例，为读者揭开深度卷积网络的面纱，让我们深入逐层认识AI的“思考过程”，包括与人类思维的相同和不同之处，体验AI眼中的世界。这会是一段奇妙的旅途，希望本书能成为读者探索深度学习世界的助手。
自2012年以来，随着深度学习（Deep Learning，DL）的快速发展，人工智能（Artificial Intelligence，AI）取得了长足的进展。\
从语音助手、人脸识别、照片美化，到自动驾驶、医疗诊断、机器翻译，基于深度神经网络（Deep Neural Network，DNN）的新一代人工智能，已在各个领域进入我们的日常生活。许多学者认为，人工智能将开启第四次工业革命，并对人类的未来产生深远影响。
例如，通过Mask R-CNN深度神经网络，电脑可快速自动识别出图像中的各个物体，用色彩和方框标记。这对于自动驾驶和机器人技术有重要意义，也是传统AI方法难以实现的。
值此变革之际，我们理应跟上时代的步伐，增进对DL与AI的了解。本书的目标是：
如果读者没有编程和数学基础，也能在阅读后体会到深度神经网络的奥妙。
如果读者有一定基础，就可学会用DL的方法解决实际问题，为从事相关的工作和研究做好准备。
具体而言，本书选取深度卷积网络（Deep Convolutional Neural Network，DCNN）作为切入点，这是目前最流行的深度神经网络架构，其构造直观易懂，效果引人入胜，在图像、视频、语音、语言领域都有广泛应用。
我们还将结合多个实例进行讲述，让读者更深入理解深度神经网络的运作。说起深度神经网络的实例，广为人知的莫过于由Google DeepMind研发的AlphaGo（https://deepmind.com/research/alphago/）：
在2016年3月，AlphaGo以4:1战胜韩国顶尖棋手李世乭，让AI成为了目前最热门的话题之一。
在2017年5月，新版AlphaGo以3:0战胜当今世界围棋第一人—中国的柯洁。所有棋手都认同它已全面胜过人类，但它仍需要人类棋谱作为训练的前期输入。
在2017年10月，名为AlphaGo Zero的最新版AlphaGo已能完全脱离人类棋谱，从零开始，纯粹依靠自我探索，自我对弈，就能实现超越此前所有版本的棋力。
如下图所示，蓝色的20-blocks版AlphaGo Zero，最初的棋力还不如人类的初学者，但它在24小时内就能赶上红色的学习人类棋谱的AlphaGo，并在40小时内超越与李世乭对战的AlphaGo。
在2017年12月，DeepMind还将AlphaGo Zero的方法用于国际象棋、日本将棋，称为AlphaZero。它仅需几个小时的训练，就打败了此前世界最强的程序，这证明AlphaGo方法的通用性极强。
AlphaGo的核心是深度卷积网络。深度神经网络的强大，关键在于能模拟人类的直觉。AlphaGo的强大，关键在于通过深度卷积网络，成功模拟了人类的棋感。
那么，深度卷积网络是如何学会下围棋的？AlphaGo真的理解围棋吗？AlphaGo与人类下棋的思维有怎样的相同和不同之处？我们将在第6章阐述AlphaGo的运作，并在第7章亲手训练AlphaGo的策略网络（policy network）。如下图所示，棋盘中的标记1到9，代表此时策略网络对于下一手的前9位推荐。
深度神经网络的威力，还不仅止于此。近年来，深度学习中热门的话题是一种新的深度神经网络范式：生成式对抗网络（Generative Adversarial Networks，GAN）。它同样基于深度卷积网络，我们会在第8章讲述。
GAN试图模拟人类的更神秘之处：创造力和想象力，如自动作画、自动作曲，甚至自动发现治疗癌症的药物结构。例如，通过StackGAN网络，电脑可根据人提供的文字描述，自动绘制出无穷无尽的符合描述的图像。
目前GAN的结果还不完美，但已有许多业界人士开始思考：离AI在所有领域超越人类还有多远？AI会造福于人类，抑或会取代甚至毁灭人类？本书的第9章将讨论这一话题，并介绍当前AI方法的强项与缺陷，展望未来的发展。
总而言之，本书以AlphaGo与GAN为主例，再配合大量其他实例，为读者揭开深度卷积网络的面纱，让我们深入逐层认识AI的“思考过程”，包括与人类思维的相同和不同之处，体验AI眼中的世界。这会是一段奇妙的旅途，希望本书能成为读者探索深度学习世界的助手。
媒体评论
2016年AlphaGo人机大战开启了人工智能的黄金时代，CSDN数据统计表明，2016年深度学习技术文章全年增长3倍以上，阅读过机器学习和深度学习内容的开发者近百万，但全面掌握深度学习还是有门槛的，坊间也有深度学习的经典著作，但缺乏对系统工程实践方面的讲解，彭博的这本书弥补了这一缺失。本书由浅入深，从实践出发，剖析AlphaGo的实现，全面、系统地介绍了深度卷积网络的应用和发展，开发者跟着书中案例一步步实现，就可以快速掌握深度学习的精要。
—— 蒋涛 CSDN创始人/极客帮创投创始人
人工智能是未来重要的发展方向，也是我们极客邦最重要的内容版块之一。这本书选择深度学习中最受欢迎的技术——深度卷积网络（DCNN）和生成式对抗网络（GAN）为切入点，从技术、原理、训练方法、应用等角度对它们进行了全方位讲解。为了让艰深的技术不那么难懂，书中以我们熟知的AlphaGo为案例（AlphaGo是使用深度卷积网络的经典成功案例），通过分析AlphaGo的实现过程，让具体的技术细节通俗易懂。
—— 霍泰稳 极客邦科技创始人兼 CEO
神经网络是深度学习最有效的方法之一，深度卷积网络是目前十分流行的深度神经网络架构，在图像、视频、语音等领域被广泛应用，我们熟知的AlphaGo就大量使用了深度卷积网络技术。彭博的这本书，从理论和实践两个层面对卷积神经网络做了非常翔实的讲解。理论层面，重点讲解了卷积神经网络的技术基础和工作原理；实践层面，则通过对AlphaGo的层层剖析，展现了卷积神经网络的实践方法。此外，本书在大环境上，基于Python和MXNet等流行的深度学习工具撰写，能让读者在理解深度卷积网络的同时，掌握这些工具的使用。
—— 刘付强 MSUP（麦思博）创始人兼CEO
对于初次接触人工智能的工程师和数据科学家来说，虽然系统性的建立对人工智能知识体系很重要，但同时也需要找一个易于学习的切入点或突破点。本书作者考虑到不同层次读者需要，选择了很有代表性的AlphaGo和GAN进行讲解，并给出了很好的案例引导。本书循序渐进地从概念到原理，从原理到实践，步步深入AI，案例生动而细致。持续学习是人工智能发展的关键，同样，在这样一个技术日新月异的时代，我们也需要保持持续的学习力。推荐本书，保有一份对技术的敬畏与热忱，让我们一起打开AI的世界吧。
—— 梁勇 天善智能创始人
—— 蒋涛 CSDN创始人/极客帮创投创始人
人工智能是未来重要的发展方向，也是我们极客邦最重要的内容版块之一。这本书选择深度学习中最受欢迎的技术——深度卷积网络（DCNN）和生成式对抗网络（GAN）为切入点，从技术、原理、训练方法、应用等角度对它们进行了全方位讲解。为了让艰深的技术不那么难懂，书中以我们熟知的AlphaGo为案例（AlphaGo是使用深度卷积网络的经典成功案例），通过分析AlphaGo的实现过程，让具体的技术细节通俗易懂。
—— 霍泰稳 极客邦科技创始人兼 CEO
神经网络是深度学习最有效的方法之一，深度卷积网络是目前十分流行的深度神经网络架构，在图像、视频、语音等领域被广泛应用，我们熟知的AlphaGo就大量使用了深度卷积网络技术。彭博的这本书，从理论和实践两个层面对卷积神经网络做了非常翔实的讲解。理论层面，重点讲解了卷积神经网络的技术基础和工作原理；实践层面，则通过对AlphaGo的层层剖析，展现了卷积神经网络的实践方法。此外，本书在大环境上，基于Python和MXNet等流行的深度学习工具撰写，能让读者在理解深度卷积网络的同时，掌握这些工具的使用。
—— 刘付强 MSUP（麦思博）创始人兼CEO
对于初次接触人工智能的工程师和数据科学家来说，虽然系统性的建立对人工智能知识体系很重要，但同时也需要找一个易于学习的切入点或突破点。本书作者考虑到不同层次读者需要，选择了很有代表性的AlphaGo和GAN进行讲解，并给出了很好的案例引导。本书循序渐进地从概念到原理，从原理到实践，步步深入AI，案例生动而细致。持续学习是人工智能发展的关键，同样，在这样一个技术日新月异的时代，我们也需要保持持续的学习力。推荐本书，保有一份对技术的敬畏与热忱，让我们一起打开AI的世界吧。
—— 梁勇 天善智能创始人
